近年來(lái),隨著農(nóng)業(yè)向數(shù)字化和精準(zhǔn)化的方向不斷發(fā)展,基于傳統(tǒng)的昆蟲識(shí)別方法難以滿足現(xiàn)代農(nóng)業(yè)的發(fā)展需求,深度學(xué)習(xí)在圖像特征提取和建模上有著明顯的優(yōu)勢(shì),取得了較好的成績(jī),因此,本文采用了深度學(xué)習(xí)的方法,以Faster R-CNN目標(biāo)檢測(cè)算法為基礎(chǔ),提出了一種基于深度學(xué)習(xí)的昆蟲自動(dòng)識(shí)別方法。本文研究按照昆蟲圖像采集與處理、特征提取網(wǎng)絡(luò)模型的選取、Faster R-CNN模型優(yōu)化和改進(jìn)的順序開展,通過(guò)將理論與實(shí)驗(yàn)相結(jié)合的方式進(jìn)行對(duì)比分析。主要的工作和研究?jī)?nèi)容如下:（1）首先介紹了本文的研究背景、意義以及農(nóng)作物昆蟲識(shí)別技術(shù)的研究現(xiàn)狀,對(duì)深度學(xué)習(xí)理論進(jìn)行了詳細(xì)的闡述,重點(diǎn)介紹了卷積神經(jīng)網(wǎng)絡(luò)的各層及工作原理,對(duì)基于區(qū)域檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN的發(fā)展、檢測(cè)流程及相關(guān)計(jì)算進(jìn)行詳細(xì)說(shuō)明。采集并標(biāo)注了大螟、二化螟和金剛鉆三種昆蟲圖像,共1643張?jiān)紭颖緮?shù)據(jù),通過(guò)圖像旋轉(zhuǎn)、鏡像變換、改變圖像飽和度、亮度以及圖像高斯加噪等方法對(duì)原始數(shù)據(jù)集進(jìn)行了增強(qiáng),將樣本數(shù)量擴(kuò)充至2390張,并根據(jù)Faster R-CNN的數(shù)據(jù)格式要求,制作出了昆蟲VOC數(shù)據(jù)集;（2）詳細(xì)介紹了VGG16與ResNet101兩... 

【文章來(lái)源】：湖南農(nóng)業(yè)大學(xué)湖南省

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景和意義
    1.2 農(nóng)作物昆蟲識(shí)別技術(shù)研究現(xiàn)狀
        1.2.1 聲音檢測(cè)識(shí)別技術(shù)研究
        1.2.2 光譜檢測(cè)識(shí)別技術(shù)研究
        1.2.3 計(jì)算機(jī)視覺(jué)識(shí)別技術(shù)研究
        1.2.4 基于深度學(xué)習(xí)的識(shí)別技術(shù)研究
    1.3 研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
2 深度學(xué)習(xí)理論
    2.1 深度學(xué)習(xí)發(fā)展歷史
    2.2 人工神經(jīng)網(wǎng)絡(luò)及誤差反向傳播算法
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 誤差反向傳播算法
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層(Convolution Layer)
        2.3.2 池化層(Pooling layer)
        2.3.3 激活層(Activation layer)
        2.3.4 全連接層(FullyConnected Layers,FC)
        2.3.5 輸出層
    2.4 Faster R-CNN目標(biāo)檢測(cè)算法
        2.4.1 Faster R-CNN識(shí)別檢測(cè)流程
        2.4.2 區(qū)域生成網(wǎng)絡(luò)RPN
        2.4.3 RPN loss計(jì)算
    2.5 本章小結(jié)
3 農(nóng)作物昆蟲圖像數(shù)據(jù)采集與處理
    3.1 圖像數(shù)據(jù)采集
    3.2 數(shù)據(jù)增強(qiáng)
        3.2.1 圖像旋轉(zhuǎn)
        3.2.2 圖像鏡像變換
        3.2.3 改變圖像飽和度
        3.2.4 改變圖像亮度
        3.2.5 添加高斯噪聲
    3.3 制作昆蟲圖像數(shù)據(jù)集
    3.4 本章小結(jié)
4 基于Faster R-CNN的昆蟲圖像識(shí)別
    4.1 實(shí)驗(yàn)環(huán)境與Tensorflow框架介紹
        4.1.1 實(shí)驗(yàn)環(huán)境
        4.1.2 Tensorflow深度學(xué)習(xí)框架
    4.2 基于Faster R-CNN的網(wǎng)絡(luò)模型選取
        4.2.1 VGG16
        4.2.2 ResNet101
        4.2.3 實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.3 Faster R-CNN網(wǎng)絡(luò)改進(jìn)
        4.3.1 常用優(yōu)化算法
        4.3.2 優(yōu)化算法實(shí)驗(yàn)對(duì)比分析
        4.3.3 Momentum優(yōu)化算法的改進(jìn)
        4.3.4 實(shí)驗(yàn)對(duì)比分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于高光譜的設(shè)施黃瓜蚜蟲蟲害檢測(cè)及其預(yù)測(cè)模型[J]. 吳雅茹,趙家奇,胡祖慶.  陜西農(nóng)業(yè)科學(xué). 2018(08)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的白背飛虱識(shí)別方法[J]. 劉德營(yíng),王家亮,林相澤,陳京,於海明.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(05)
[3]基于深度學(xué)習(xí)和稀疏表示的害蟲識(shí)別算法[J]. 張苗輝,李俊輝,李佩琛.  河南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]基于高光譜的番茄葉片斑潛蠅蟲害檢測(cè)[J]. 李翠玲,姜?jiǎng)P,馬偉,王秀,孟志軍,趙學(xué)觀,宋健.  光譜學(xué)與光譜分析. 2018(01)
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)的儲(chǔ)糧害蟲圖像識(shí)別[J]. 程曦,吳云志,張友華,樂(lè)毅.  中國(guó)農(nóng)學(xué)通報(bào). 2018(01)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識(shí)別[J]. 梁萬(wàn)杰,曹宏鑫.  江蘇農(nóng)業(yè)科學(xué). 2017(20)
[7]深度學(xué)習(xí)相關(guān)研究綜述[J]. 張軍陽(yáng),王慧麗,郭陽(yáng),扈嘯.  計(jì)算機(jī)應(yīng)用研究. 2018(07)
[8]基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡(luò)的茶園害蟲定位與識(shí)別[J]. 楊國(guó)國(guó),鮑一丹,劉子毅.  農(nóng)業(yè)工程學(xué)報(bào). 2017(06)
[9]基于多時(shí)相HJ衛(wèi)星遙感影像的稻縱卷葉螟發(fā)生情況監(jiān)測(cè)[J]. 包云軒,李玉婷,王琳,高文婷,朱鳳.  中國(guó)農(nóng)業(yè)氣象. 2016(04)
[10]基于顏色特征的油菜害蟲機(jī)器視覺(jué)診斷研究[J]. 朱莉,羅靖,徐勝勇,楊勇,趙海濤,李衛(wèi)豪.  農(nóng)機(jī)化研究. 2016(06)

博士論文
[1]基于圖譜特征分析的農(nóng)業(yè)蟲害檢測(cè)方法研究[D]. 劉子毅.浙江大學(xué) 2017
[2]基于機(jī)器視覺(jué)的害蟲識(shí)別方法研究[D]. 吳翔.浙江大學(xué) 2016
[3]基于機(jī)器視覺(jué)的果園性誘害蟲在線識(shí)別與計(jì)數(shù)方法研究[D]. 李文勇.中國(guó)農(nóng)業(yè)大學(xué) 2015
[4]多功能昆蟲鳴聲信號(hào)采集與分析系統(tǒng)及其在褐飛虱聲通訊研究中的應(yīng)用[D]. 姚青.中國(guó)農(nóng)業(yè)科學(xué)院 2003

碩士論文
[1]基于機(jī)器視覺(jué)的豆莢內(nèi)部害蟲檢測(cè)技術(shù)研究[D]. 張成龍.黑龍江八一農(nóng)墾大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)昆蟲聲音識(shí)別系統(tǒng)[D]. 董雪.山東大學(xué) 2018
[3]基于深度學(xué)習(xí)的稻飛虱圖像分類識(shí)別的研究[D]. 陳國(guó)特.浙江理工大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的若干模式識(shí)別問(wèn)題研究[D]. 王朋友.河南大學(xué) 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的可見光圖像農(nóng)作物病蟲害的檢測(cè)[D]. 衛(wèi)智熠.哈爾濱工業(yè)大學(xué) 2017
[6]基于機(jī)器視覺(jué)的中華稻蝗早期蝗蝻的識(shí)別和檢測(cè)研究[D]. 楊國(guó)國(guó).浙江大學(xué) 2017
[7]基于機(jī)器視覺(jué)與黃板誘導(dǎo)的有翅昆蟲統(tǒng)計(jì)識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D]. 周瑤.重慶大學(xué) 2017
[8]基于機(jī)器視覺(jué)與可見光譜信息的甘藍(lán)蟲害檢測(cè)方法研究[D]. 張震.內(nèi)蒙古農(nóng)業(yè)大學(xué) 2016
[9]基于聲音信號(hào)處理的農(nóng)業(yè)蟲害識(shí)別系統(tǒng)[D]. 賈琪.山東大學(xué) 2016
[10]基于圖像的水稻田間稻飛虱分類方法研究[D]. 王凱.浙江理工大學(xué) 2016



本文編號(hào)：3200316