油菜是我國(guó)重要的經(jīng)濟(jì)作物之一,其產(chǎn)量影響著我國(guó)國(guó)民經(jīng)濟(jì)的發(fā)展。每年油菜蟲(chóng)害對(duì)油菜產(chǎn)量和質(zhì)量造成很大影響,對(duì)油料產(chǎn)業(yè)的發(fā)展構(gòu)成嚴(yán)重威脅。因此,對(duì)油菜蟲(chóng)害的準(zhǔn)確識(shí)別檢測(cè)是油菜蟲(chóng)害的有效防治的重要前提。傳統(tǒng)的油菜蟲(chóng)害檢測(cè)方法容易受到背景、光照、角度、害蟲(chóng)姿態(tài)等因素的影響而導(dǎo)致魯棒性不高。針對(duì)該問(wèn)題,本文以5類(lèi)常見(jiàn)油菜害蟲(chóng)為研究對(duì)象,提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的油菜蟲(chóng)害檢測(cè)模型。實(shí)驗(yàn)證明該方法準(zhǔn)確率高達(dá)94.12%,但在小尺度油菜蟲(chóng)害檢測(cè)上存在定位不準(zhǔn)確,識(shí)別率低的問(wèn)題。在此基礎(chǔ)上,本文提出了改進(jìn)的油菜蟲(chóng)害檢測(cè)方法,最終準(zhǔn)確實(shí)現(xiàn)了多尺度油菜蟲(chóng)害的檢測(cè)。本文的主要研究工作如下:（1）針對(duì)傳統(tǒng)油菜蟲(chóng)害檢測(cè)方法魯棒性不好的問(wèn)題,本文提出基于Faster R-CNN的油菜蟲(chóng)害檢測(cè)模型。通過(guò)實(shí)驗(yàn)表明,該方法比目前已有的油菜蟲(chóng)害檢測(cè)方法提高了2個(gè)百分點(diǎn)的準(zhǔn)確率,但在小尺度油菜害蟲(chóng)的檢測(cè)上存在一定困難。（2）針對(duì)原模型存在的問(wèn)題,本文通過(guò)修改網(wǎng)絡(luò)結(jié)構(gòu),增加小尺度錨框,提出了改進(jìn)的油菜蟲(chóng)害檢測(cè)模型,提高了小尺度油菜害蟲(chóng)的檢測(cè)性能。另外還引入難負(fù)樣本挖掘方法消除正負(fù)樣本不均衡問(wèn)題,增強(qiáng)了模型的判別能力。（3）設(shè)計(jì)... 

【文章來(lái)源】：湖南農(nóng)業(yè)大學(xué)湖南省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

R-CNN模型結(jié)構(gòu)

FastR-CNN結(jié)構(gòu)

FasterR-CNN結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)殘差網(wǎng)絡(luò)的園林害蟲(chóng)圖像識(shí)別[J]. 陳娟,陳良勇,王生生,趙慧穎,溫長(zhǎng)吉.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(05)
[2]面向小目標(biāo)檢測(cè)結(jié)合特征金字塔網(wǎng)絡(luò)的SSD改進(jìn)模型[J]. 張建明,劉煊赫,吳宏林,黃曼婷.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2019(03)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的高分遙感影像露天采礦場(chǎng)識(shí)別[J]. 程國(guó)軒,牛瑞卿,張凱翔,趙凌冉.  地球科學(xué). 2018(S2)
[4]基于多模式集合模擬氣候變化對(duì)長(zhǎng)江流域油菜生產(chǎn)潛力影響研究（英文）[J]. 田展,紀(jì)英豪,孫來(lái)祥,徐新良,樊冬麗,鐘洪麟,梁卓然,FICSHER Gunther.  Journal of Geographical Sciences. 2018(11)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)[J]. 馬浚誠(chéng),杜克明,鄭飛翔,張領(lǐng)先,孫忠富.  農(nóng)業(yè)工程學(xué)報(bào). 2018(12)
[6]深度卷積神經(jīng)網(wǎng)絡(luò)的宮頸癌細(xì)胞圖像識(shí)別[J]. 謝欣,夏哲雷.  中國(guó)計(jì)量大學(xué)學(xué)報(bào). 2018(02)
[7]近10年油菜主要病蟲(chóng)害發(fā)生危害情況的統(tǒng)計(jì)和分析[J]. 楊清坡,劉萬(wàn)才,黃沖.  植物保護(hù). 2018(03)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲(chóng)害識(shí)別[J]. 梁萬(wàn)杰,曹宏鑫.  江蘇農(nóng)業(yè)科學(xué). 2017(20)
[9]深度學(xué)習(xí)在儲(chǔ)糧害蟲(chóng)的特征提取與分類(lèi)上的應(yīng)用[J]. 程曦,張友華,陳祎瓊,吳云志,樂(lè)毅.  皖西學(xué)院學(xué)報(bào). 2017(05)
[10]模式分類(lèi)中的特征融合方法[J]. 劉渭濱,鄒智元,邢薇薇.  北京郵電大學(xué)學(xué)報(bào). 2017(04)

博士論文
[1]基于機(jī)器視覺(jué)的害蟲(chóng)識(shí)別方法研究[D]. 吳翔.浙江大學(xué) 2016

碩士論文
[1]區(qū)域卷積神經(jīng)網(wǎng)絡(luò)在車(chē)輛檢測(cè)中的應(yīng)用研究[D]. 張鶴鶴.西安理工大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的蔬菜識(shí)別及應(yīng)用研究[D]. 韓朋朋.安徽大學(xué) 2018
[3]基于深度學(xué)習(xí)的儲(chǔ)糧害蟲(chóng)檢測(cè)算法的研究[D]. 沈馭風(fēng).北京郵電大學(xué) 2018
[4]基于圖像的害蟲(chóng)自動(dòng)計(jì)數(shù)與識(shí)別系統(tǒng)的研究[D]. 荊曉冉.浙江大學(xué) 2014
[5]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3418793