【摘要】：準(zhǔn)確及時(shí)的蟲(chóng)情監(jiān)測(cè)是農(nóng)林業(yè)蟲(chóng)災(zāi)預(yù)警的關(guān)鍵技術(shù)。目前,林業(yè)誘捕器監(jiān)測(cè)領(lǐng)域仍大量依賴(lài)人工的識(shí)別計(jì)數(shù),另一方面,已有的基于圖像的昆蟲(chóng)檢測(cè)方法對(duì)拍攝環(huán)境要求較高或需要手動(dòng)的預(yù)處理操作,難以滿(mǎn)足實(shí)際應(yīng)用需求。基于此,本文提出基于深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)的昆蟲(chóng)檢測(cè)方法,探索利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)不同場(chǎng)景下的昆蟲(chóng)自動(dòng)檢測(cè)的可行性,在模型的設(shè)計(jì)上,充分考慮應(yīng)用需求,設(shè)計(jì)能在嵌入式設(shè)備或筆記本電腦上運(yùn)行的輕量級(jí)檢測(cè)模型,擺脫檢測(cè)過(guò)程對(duì)大型工作站的依賴(lài)。一方面,本文設(shè)計(jì)聯(lián)合識(shí)別模型,針對(duì)高分辨率圖像將檢測(cè)過(guò)程分為定位和分類(lèi)兩個(gè)階段,以較低的運(yùn)算和存儲(chǔ)開(kāi)銷(xiāo)處理高分辨率昆蟲(chóng)圖片。實(shí)驗(yàn)結(jié)果表明,在農(nóng)作物害蟲(chóng)數(shù)據(jù)集上,聯(lián)合識(shí)別模型的平均整體準(zhǔn)確率為0.833,較標(biāo)準(zhǔn)檢測(cè)模型提高了13.5%,在GPU服務(wù)器和筆記本電腦上,單張圖的平均檢測(cè)時(shí)間比高分辨率檢測(cè)模型分別快 45.17%和 66.65%。另一方面,本文設(shè)計(jì)輕量級(jí)檢測(cè)模型,通過(guò)特征提取器、特征金字塔和預(yù)測(cè)模塊的優(yōu)化對(duì)模型進(jìn)行了運(yùn)算量和體積的壓縮以及檢測(cè)能力的強(qiáng)化,實(shí)現(xiàn)了模型在嵌入式設(shè)備的運(yùn)行,實(shí)驗(yàn)結(jié)果表明,在蠹蟲(chóng)數(shù)據(jù)集上,輕量級(jí)檢測(cè)模型的紅脂大小蠹平均準(zhǔn)確率為0.746,在Jetson TX2和Raspberry Pi 3B上單張圖的平均檢測(cè)時(shí)間分別為0.448s和23.44s。通過(guò)實(shí)驗(yàn),本文實(shí)現(xiàn)了不同場(chǎng)景下的昆蟲(chóng)自動(dòng)化檢測(cè),有效驗(yàn)證了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)在蟲(chóng)情監(jiān)測(cè)領(lǐng)域的可行性,改進(jìn)的輕量級(jí)檢測(cè)模型可為林業(yè)蟲(chóng)情監(jiān)測(cè)物聯(lián)網(wǎng)的建立提供核心識(shí)別技術(shù)。
【圖文】：

（ａ）邐（ｂ）逡逑圖２．１深度可分離卷積和標(biāo)準(zhǔn)卷積對(duì)比圖逡逑Ｆｉｇｕｒｅ邋２．１邋Ｃｏｍｐａｒｉｓｏｎ邋ｂｅｔｗｅｅｎ邋ｔｈｅ邋ｄｅｐｔｈｗｉｓｅ邋ｓｅｐａｒａｂｌｅ邋ｃｏｎｖｏｌｕｔｉｏｎ邋ａｎｄ邋ｔｈｅ邋ｓｔａｎｄａｒｄ邋ｃｏｎｖｏｌｕｔｉｏｎ逡逑卷積神經(jīng)網(wǎng)絡(luò)中最常用的卷積滹波器大小為３ｘ３，結(jié)合公式（２－１），邋３ｘ３卷積濾逡逑波器，即砧＝３時(shí)，標(biāo)準(zhǔn)卷積的計(jì)算量是深度可分離卷積的計(jì)算量的８至９倍，另一逡逑方面，卷積結(jié)構(gòu)的改變對(duì)精度的影響相對(duì)有限。因此，通過(guò)深度可分離卷積結(jié)構(gòu)，逡逑ＭｏｂｉｌｅＮｅｔ模型可在精度不變或略微下降的情況下，大規(guī)�？s小模型體積和運(yùn)行時(shí)間。逡逑２．３目標(biāo)檢測(cè)模型及評(píng)價(jià)指標(biāo)逡逑２．３．１邋Ｍａｓｋ邋Ｒ－ＣＮＮ逡逑．？邐＼邋■邋＇Ｍ邋．邋？￥＃？？？邋？邋邐邐？：逡逑＋邐Ｍ刪口丨逡逑Ｉ邋~忓澹蓿祝恚疲蓿苠義鮮淙脲澹瑁ⅲ澹誨危吒觶逄卣魍椋濉鰣澹潁蓿遙錚懾澹粒歟椋紓鑠澹駑澹赍澹保矗椋村逄卣魍煎危哄義希Ву危媯浚螅錚媯簦潁錚幔澹哄危苠�！邋／ｂ徫ｓｅP媯簦恚幔殄危卞澹哄義希苠澹卞危⑷珇|、，／￣Ｈ邋＾邐１：逡逑Ｄ灥Ｌ＾ｌ邋／］邋0／邐＾邋—邋－－Ｑ＇邋＂邋ｌ邐：逡逑：．？￡邐ｉ邋ｆｙ逡逑？邋｜『仩ｇ域剛．邐；Ｌｒ邐：逡逑r2積，Ｌ邐：邐巧彟邐邐邐；逡逑圖２．２邋Ｍａｓｋ邋Ｒ－ＣＮＮ模型結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ邋２．２邋Ｔｌｉｅ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋Ｍａｓｋ邋Ｒ－Ｃ

邐２關(guān)鍵技術(shù)簡(jiǎn)介邐逡逑度的特征圖，ＲｅｔｉｎａＮｅｔ選�。遥澹螅危澹簦担白鳛樘卣魈崛∑鳎⒗茫茫铮铮簦�，Ｑｗｖ４，Ｑｗｖ５｝逡逑三個(gè)模塊輸出的三個(gè)特征層｛Ｃ３，Ｃ４，Ｃ５；［進(jìn)行下一步的操作。相對(duì)輸入圖像，，三個(gè)特逡逑征圖的分辨率分別壓縮至？［１／８，１／１６，１／３２｝。逡逑
【學(xué)位授予單位】：北京林業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：S433;TP18;TP391.41

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 賈蓓;李敬華;肖飛;;基于復(fù)雜電磁環(huán)境的信號(hào)檢測(cè)模型構(gòu)建分析[J];信息技術(shù)與信息化;2015年09期

2 蔡靜;;考慮檢測(cè)影響的貯存-檢測(cè)模型及其參數(shù)估計(jì)[J];湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年02期

3 董斯維;郭斌;余力;;個(gè)性化推薦攻擊檢測(cè)模型研究[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2006年12期

4 任涵;李勇;呂天雯;;基于自適應(yīng)遺傳算法的獼猴桃組培檢測(cè)模型[J];計(jì)算機(jī)與應(yīng)用化學(xué);2016年12期

5 李一男;劉永平;王汝琳;;一種礦用紅外瓦斯傳感器的檢測(cè)模型[J];工礦自動(dòng)化;2010年01期

6 張強(qiáng);;一種利用特征選擇改進(jìn)的行人檢測(cè)模型[J];微型機(jī)與應(yīng)用;2016年02期

7 楊浩;謝昕;李卓群;章玲玲;;網(wǎng)絡(luò)中隱蔽信道數(shù)據(jù)安全檢測(cè)模型研究與仿真[J];計(jì)算機(jī)仿真;2016年10期

8 嚴(yán)侃;雷江濤;;基于時(shí)頻分析的水聲目標(biāo)被動(dòng)檢測(cè)模型研究[J];魚(yú)雷技術(shù);2015年01期

9 李世淙;云曉春;張永錚;;一種基于分層聚類(lèi)方法的木馬通信行為檢測(cè)模型[J];計(jì)算機(jī)研究與發(fā)展;2012年S2期

10 孫飛帆;施勇;薛質(zhì);;基于權(quán)重分析的網(wǎng)頁(yè)木馬檢測(cè)模型[J];信息安全與通信保密;2012年12期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 劉俊榮;王文槿;劉寶旭;;一種基于網(wǎng)絡(luò)行為分析的木馬檢測(cè)模型[A];第十六屆全國(guó)核電子學(xué)與核探測(cè)技術(shù)學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2012年

2 王建平;張自立;魏華;;戰(zhàn)術(shù)空域沖突檢測(cè)模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

3 李京鵬;楊林;劉世棟;;防火墻狀態(tài)檢測(cè)模型研究[A];第十八次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2003年

4 孫璐;馬兆豐;黃勤龍;;基于權(quán)限分析的安卓應(yīng)用程序風(fēng)險(xiǎn)檢測(cè)模型[A];第十屆中國(guó)通信學(xué)會(huì)學(xué)術(shù)年會(huì)論文集[C];2014年

5 范淵;凌霄;;Android程序安全檢測(cè)模型[A];第28次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2013年

6 武照東;劉英凱;劉春;吳秀峰;;Overlay網(wǎng)絡(luò)的鏈路故障檢測(cè)模型[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集（下）[C];2008年

7 劉賽娥;;基于ARP欺騙的以太網(wǎng)檢測(cè)模型的設(shè)計(jì)與實(shí)現(xiàn)[A];《教師教學(xué)能力發(fā)展研究》科研成果集（第六卷）[C];2017年

8 周雙娥;熊?chē)?guó)平;;基于Petri網(wǎng)的故障檢測(cè)模型的設(shè)計(jì)與分析[A];第六屆中國(guó)測(cè)試學(xué)術(shù)會(huì)議論文集[C];2010年

9 廖鵬;;基于異常特征的DDoS檢測(cè)模型[A];經(jīng)濟(jì)發(fā)展方式轉(zhuǎn)變與自主創(chuàng)新——第十二屆中國(guó)科學(xué)技術(shù)協(xié)會(huì)年會(huì)（第四卷）[C];2010年

10 王心覺(jué);;應(yīng)用LabVIEW的建筑結(jié)構(gòu)健康檢測(cè)模型和預(yù)警系統(tǒng)實(shí)驗(yàn)[A];2015年上海-西安聲學(xué)學(xué)會(huì)第四屆聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2015年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前3條

1 賽迪出版?zhèn)髅绞紫浾?郭濤;預(yù)見(jiàn)性安全“又快又好”[N];中國(guó)計(jì)算機(jī)報(bào);2018年

2 中聯(lián)綠盟、李群;IDS的關(guān)鍵：解決好誤報(bào)和漏報(bào)[N];中國(guó)計(jì)算機(jī)報(bào);2002年

3 ;文化力是決定成敗的關(guān)鍵因素[N];常州日?qǐng)?bào);2009年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 李威;復(fù)雜場(chǎng)景目標(biāo)檢測(cè)理論與方法研究[D];電子科技大學(xué);2019年

2 白清松;基于QCM的液體檢測(cè)技術(shù)研究[D];電子科技大學(xué);2019年

3 周曉飛;基于機(jī)器學(xué)習(xí)的視覺(jué)顯著性檢測(cè)研究[D];上海大學(xué);2018年

4 王燕;基于用戶(hù)感知與業(yè)務(wù)特征的電信網(wǎng)絡(luò)性能監(jiān)控與檢測(cè)模型研究[D];西安電子科技大學(xué);2018年

5 鄧濤;基于視覺(jué)注意的駕駛場(chǎng)景顯著性檢測(cè)模型研究[D];電子科技大學(xué);2018年

6 趙靜;網(wǎng)絡(luò)協(xié)議異常檢測(cè)模型的研究與應(yīng)用[D];北京交通大學(xué);2010年

7 唐赫;基于生物啟發(fā)和統(tǒng)計(jì)分析相結(jié)合的圖像顯著性檢測(cè)模型研究[D];華中科技大學(xué);2017年

8 蔣鵬;圖像內(nèi)容顯著性檢測(cè)的理論和方法研究[D];山東大學(xué);2016年

9 李濤;基于上下文的目標(biāo)檢測(cè)研究[D];電子科技大學(xué);2016年

10 陳林潔;褪黑激素受體MT1活化的信號(hào)轉(zhuǎn)導(dǎo)機(jī)制研究及內(nèi)含肽介導(dǎo)的新型GPCR活化檢測(cè)模型構(gòu)建[D];浙江大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 張陳毅;基于統(tǒng)計(jì)方法與深度學(xué)習(xí)的Webshell檢測(cè)模型研究與實(shí)現(xiàn)[D];江西師范大學(xué);2019年

2 姚振飛;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像顯著性目標(biāo)檢測(cè)方法研究[D];燕山大學(xué);2019年

3 李文成;基于多層網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)草圖檢測(cè)模型[D];上海交通大學(xué);2016年

4 陳鈺;基于ELDA集成的多實(shí)例目標(biāo)檢測(cè)模型[D];上海交通大學(xué);2016年

5 徐凡;基于多監(jiān)督特征集成顯著性物體檢測(cè)[D];北京工業(yè)大學(xué);2019年

6 崔宵洋;高速列車(chē)接觸網(wǎng)定位器坡度值檢測(cè)關(guān)鍵技術(shù)研究[D];西南交通大學(xué);2019年

7 劉璇昕;基于深度學(xué)習(xí)的昆蟲(chóng)輕量級(jí)檢測(cè)模型研究[D];北京林業(yè)大學(xué);2019年

8 鄒四旺;基于深度學(xué)習(xí)的風(fēng)暴檢測(cè)算法分析與研究[D];華南理工大學(xué);2019年

9 黃亞?wèn)|;蒙古馬奶常規(guī)營(yíng)養(yǎng)成分檢測(cè)與NIR快速檢測(cè)模型建立[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2019年

10 蔣威;基于生成對(duì)抗網(wǎng)絡(luò)的感興趣區(qū)域目標(biāo)檢測(cè)方法[D];杭州電子科技大學(xué);2019年

本文編號(hào)：2663234