我國水稻每年因害蟲造成損失嚴重,對水稻害蟲進行實時準確的監(jiān)測是減少經(jīng)濟損失的重要前提。利用測報燈監(jiān)測田間水稻害蟲簡單易行,可誘集多種害蟲,從而得到廣泛應(yīng)用。目前測報燈采集的圖像仍舊需要人工識別與計數(shù)目標害蟲,這種方法存在費時、費力和主觀性強等問題。隨著人工智能的發(fā)展,利用機器視覺技術(shù)實現(xiàn)測報燈自動識別與計數(shù)測報害蟲已成為可能。本文針對測報燈采集到的燈誘昆蟲圖像存在昆蟲粘連導(dǎo)致測報害蟲誤檢和漏檢嚴重的問題,提出一種改進YOLO-v3的水稻燈誘害蟲檢測模型（YOLO-pest）,對3種測報害蟲（稻縱卷葉螟、二化螟和大螟）進行檢測與識別。主要研究內(nèi)容與結(jié)果包括:（1）基于深度學(xué)習(xí)的水稻燈誘害蟲不同檢測算法的研究。目標檢測算法一般分為基于區(qū)域提名的two-stage目標檢測算法（如Faster R-CNN、Cascade R-CNN等）和基于端到端的one-stage目標檢測算法（如YOLO系列、SSD）兩種。本文分別訓(xùn)練了基于Faster R-CNN和基于YOLO-v3兩類害蟲檢測模型,對水稻燈誘害蟲圖像上的3種目標害蟲進行檢測,測試結(jié)果表明基于YOLO-v3的水稻燈誘害蟲檢測模型具有更高的... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１?Ｒ－ＣＮＩＮ算法結(jié)構(gòu)圖??

逝ｆｆ理工大學(xué)學(xué)術(shù)碩士學(xué)位論文?基于深度學(xué)習(xí)的水稻燈誘害蟲檢測方法的研宄與優(yōu)化??擇搜索算法仍然存在生成正負樣本候選框的問題。其算法結(jié)構(gòu)如圖２．２所示。??—二??＼?Ｎ?ｃ?ｔ?Ｒ〇Ｉ?ＪｉｉＦＣ??＇．：☆?、、】?ｐ＾．?ｉ＞７，ｉ，ｎｇ?ｒｘ，丨七、｜??ＲＯｌ?ｆｅａｔｕｒｅ?ｖｅｃｔｏｒ??■■■■■■■■■■■■■■■■■■■Ｉ??Ｃｏｍ?ｌｅａｔｕｒｃ?ｍａｐ??圖２．２?Ｆａｓｔ?Ｒ－ＣＮＮ算法結(jié)構(gòu)圖??Ｆａｓｔ?Ｒ－ＣＮＮ算法采用了?ｔｗｏ－ｓｔａｇｅ網(wǎng)絡(luò)結(jié)構(gòu)，為了解決Ｆａｓｔ?Ｒ－ＣＮＮ算法的不足，２０丨５??年，微軟研宂院的提出了一種更快的Ｒ－ＣＮＮ算法，命名為ＦａｓｔｅｒＲ－ＣＮＮＷ。設(shè)計ＲＰＮ??（Ｒｅｇｉｏｎ?Ｐｒｏｐｏｓｉｔｉｏｎ?Ｎｅｔｗｏｒｋｓ）網(wǎng)絡(luò)生成樣本，并將算法結(jié)構(gòu)分為兩部分。ＲＰＮ網(wǎng)絡(luò)首先確??定候選框是否為目標，然后分類定位的多任務(wù)損失確定目標類型。整個網(wǎng)絡(luò)過程可以節(jié)省??由共享卷積神經(jīng)網(wǎng)絡(luò)提取的特征信息的計算量，并解決了?Ｆａｓｔ?Ｒ－ＣＮＮ算法正、負樣本候??選框生成緩慢的問題，避免了過度的候選框提取，降低了算法的精度。然而，由于ＲＰＮ網(wǎng)??絡(luò)可以在一個固定大小的卷積特征映射中生成多個尺寸的候選框，因此變化的目標尺寸和??固定的感受野是不一致的。Ｆａｓｔｅｒ?Ｒ－ＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)如圖２．３所示。??Ａｋ?Ｃｌａｓｓｉｆｉｅｒ??Ｒ〇ｌ??ｐｒｏｐｏｓａｌｓ?Ａ??ｊ?ｐｊｊ?Ａ／?ｒＪ??Ｒｅｇｉｏｎ?ｌ＾ｏｐｏｓａｌ?ｉｋ??Ｆｅａｔｕｒｅ??ｃ°ｎ—?３｜ｒ??ｎ苓、．??圖２．３?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆａｓｔｅｒ?Ｒ－ＣＮ

逝ｆｆ理工大學(xué)學(xué)術(shù)碩士學(xué)位論文?基于深度學(xué)習(xí)的水稻燈誘害蟲檢測方法的研宄與優(yōu)化??擇搜索算法仍然存在生成正負樣本候選框的問題。其算法結(jié)構(gòu)如圖２．２所示。??—二??＼?Ｎ?ｃ?ｔ?Ｒ〇Ｉ?ＪｉｉＦＣ??＇．：☆?、、】?ｐ＾．?ｉ＞７，ｉ，ｎｇ?ｒｘ，丨七、｜??ＲＯｌ?ｆｅａｔｕｒｅ?ｖｅｃｔｏｒ??■■■■■■■■■■■■■■■■■■■Ｉ??Ｃｏｍ?ｌｅａｔｕｒｃ?ｍａｐ??圖２．２?Ｆａｓｔ?Ｒ－ＣＮＮ算法結(jié)構(gòu)圖??Ｆａｓｔ?Ｒ－ＣＮＮ算法采用了?ｔｗｏ－ｓｔａｇｅ網(wǎng)絡(luò)結(jié)構(gòu)，為了解決Ｆａｓｔ?Ｒ－ＣＮＮ算法的不足，２０丨５??年，微軟研宂院的提出了一種更快的Ｒ－ＣＮＮ算法，命名為ＦａｓｔｅｒＲ－ＣＮＮＷ。設(shè)計ＲＰＮ??（Ｒｅｇｉｏｎ?Ｐｒｏｐｏｓｉｔｉｏｎ?Ｎｅｔｗｏｒｋｓ）網(wǎng)絡(luò)生成樣本，并將算法結(jié)構(gòu)分為兩部分。ＲＰＮ網(wǎng)絡(luò)首先確??定候選框是否為目標，然后分類定位的多任務(wù)損失確定目標類型。整個網(wǎng)絡(luò)過程可以節(jié)省??由共享卷積神經(jīng)網(wǎng)絡(luò)提取的特征信息的計算量，并解決了?Ｆａｓｔ?Ｒ－ＣＮＮ算法正、負樣本候??選框生成緩慢的問題，避免了過度的候選框提取，降低了算法的精度。然而，由于ＲＰＮ網(wǎng)??絡(luò)可以在一個固定大小的卷積特征映射中生成多個尺寸的候選框，因此變化的目標尺寸和??固定的感受野是不一致的。Ｆａｓｔｅｒ?Ｒ－ＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)如圖２．３所示。??Ａｋ?Ｃｌａｓｓｉｆｉｅｒ??Ｒ〇ｌ??ｐｒｏｐｏｓａｌｓ?Ａ??ｊ?ｐｊｊ?Ａ／?ｒＪ??Ｒｅｇｉｏｎ?ｌ＾ｏｐｏｓａｌ?ｉｋ??Ｆｅａｔｕｒｅ??ｃ°ｎ—?３｜ｒ??ｎ苓、．??圖２．３?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆａｓｔｅｒ?Ｒ－ＣＮ

【參考文獻】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的白背飛虱識別方法[J]. 劉德營,王家亮,林相澤,陳京,於海明.  農(nóng)業(yè)機械學(xué)報. 2018(05)
[2]基于深度學(xué)習(xí)和稀疏表示的害蟲識別算法[J]. 張苗輝,李俊輝,李佩琛.  河南大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識別[J]. 梁萬杰,曹宏鑫.  江蘇農(nóng)業(yè)科學(xué). 2017(20)
[4]基于顏色特征的昆蟲自動鑒定方法[J]. 劉芳,沈佐銳,張建偉,楊紅珍.  昆蟲知識. 2008(01)
[5]基于圖像的昆蟲遠程自動識別系統(tǒng)的研究[J]. 楊紅珍,張建偉,李湘濤,沈佐銳.  農(nóng)業(yè)工程學(xué)報. 2008(01)
[6]基于機器視覺的大田害蟲檢測系統(tǒng)[J]. 邱道尹,張紅濤,劉新宇,劉彥楠.  農(nóng)業(yè)機械學(xué)報. 2007(01)

博士論文
[1]水稻主要病蟲害脅迫遙感監(jiān)測研究[D]. 劉占宇.浙江大學(xué) 2008

碩士論文
[1]基于深度學(xué)習(xí)的農(nóng)業(yè)燈誘害蟲自動識別與計數(shù)技術(shù)的研究[D]. 周愛明.浙江理工大學(xué) 2019
[2]基于深度學(xué)習(xí)的鱗翅目昆蟲圖像處理研究[D]. 馬夢園.浙江工商大學(xué) 2018
[3]基于深度學(xué)習(xí)的稻飛虱圖像分類識別的研究[D]. 陳國特.浙江理工大學(xué) 2018
[4]基于機器視覺的中華稻蝗早期蝗蝻的識別和檢測研究[D]. 楊國國.浙江大學(xué) 2017
[5]基于支持向量機SVM的水稻害蟲圖像識別技術(shù)研究[D]. 李文斌.杭州電子科技大學(xué) 2015
[6]基于圖像的水稻燈誘害蟲識別技術(shù)的研究[D]. 冼鼎翔.浙江理工大學(xué) 2015
[7]基于圖像的害蟲自動計數(shù)與識別系統(tǒng)的研究[D]. 荊曉冉.浙江大學(xué) 2014
[8]支持向量機中Sigmoid核函數(shù)的研究[D]. 劉明.西安電子科技大學(xué) 2009
[9]基于神經(jīng)網(wǎng)絡(luò)的水稻三化螟識別系統(tǒng)的設(shè)計與實現(xiàn)[D]. 王劍.中國農(nóng)業(yè)科學(xué)院 2006



本文編號：3452072