【摘要】：棗樹害蟲種類繁雜,繁衍速度快、周期短,危害癥狀各不相同,防治措施也不盡相同。傳統(tǒng)的棗蟲害識別方法在對蟲害進行識別的時候一般是依據(jù)提取到的蟲害顏色、紋理形態(tài)等特征來進行識別的,然后再和數(shù)據(jù)庫中的記錄來進行比對,最后確定棗蟲害是屬于什么類別的。人為提取特征會導(dǎo)致信息丟失,因此,能夠快速準確的識別出棗蟲害是至關(guān)重要的。隨著機器學(xué)習(xí)、深度學(xué)習(xí)的興起,深度卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和物體檢測中逐漸得到廣泛應(yīng)用。本文采用神經(jīng)網(wǎng)絡(luò)和機器學(xué)習(xí)技術(shù)開發(fā)了基于安卓的棗蟲害識別系統(tǒng)。所用棗蟲害數(shù)據(jù)集為在滄州滄縣果樹園內(nèi)采集的棗蟲害圖像,通過對棗蟲害圖像進行拍攝來增加訓(xùn)練集。論文主要工作如下。(1)研究基于感興趣區(qū)域的深度學(xué)習(xí)目標檢測算法。介紹了感興趣區(qū)域IoU、評價指標平均精度均值mAP的基本概念,并對深度學(xué)習(xí)目標檢測算法中的Fast RCNN算法和Faster RCNN算法的整體框架詳細說明。(2)對Faster RCNN目標檢測算法進行研究。Faster RCNN算法的整體訓(xùn)練過程使用隨機梯度下降法。首先采用ImageNet預(yù)訓(xùn)練Caffe模型進行網(wǎng)絡(luò)初始化;然后通過設(shè)置正負樣本參數(shù)的比率隨機選取樣本來進行訓(xùn)練,確保正樣本的比例;最后通過將在線困難樣本挖掘機制引入到Faster RCNN算法中,自動選擇正負樣本進行訓(xùn)練,無需人為設(shè)置比例參數(shù)。(3)實驗對比分析。通過在棗蟲害數(shù)據(jù)集上進行實驗對比分析,驗證Faster RCNN算法在引入在線困難樣本挖掘機制(OHEM)后在棗蟲害數(shù)據(jù)集上的檢測結(jié)果。結(jié)果表明兩者的結(jié)合可以在一定程度上提高平均精度均值mAP。
【學(xué)位授予單位】：河北農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：S436.65;TP391.41

【參考文獻】

相關(guān)期刊論文 前7條

1 王獻鋒;張善文;王震;張強;;基于葉片圖像和環(huán)境信息的黃瓜病害識別方法[J];農(nóng)業(yè)工程學(xué)報;2014年14期

2 張善文;張傳雷;;基于局部判別映射算法的玉米病害識別方法[J];農(nóng)業(yè)工程學(xué)報;2014年11期

3 趙云;宋寅卯;刁智華;;基于圖像技術(shù)的農(nóng)作物病害識別[J];河南農(nóng)業(yè);2013年16期

4 陳汗青;萬艷玲;王國剛;;數(shù)字圖像處理技術(shù)研究進展[J];工業(yè)控制計算機;2013年01期

5 彭可為;李嬋;曹學(xué)仁;張永生;王運生;;數(shù)字圖像技術(shù)在植物病害自動識別中的研究進展[J];江西農(nóng)業(yè)學(xué)報;2012年09期

6 張建華;祁力鈞;冀榮華;王虎;黃士凱;王沛;;基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識別[J];農(nóng)業(yè)工程學(xué)報;2012年07期

7 關(guān)海鷗;黃燕;;大豆病斑智能識別無損預(yù)處理及其特征提取方法的研究[J];河北農(nóng)業(yè)大學(xué)學(xué)報;2010年05期

，

本文編號：2652278