【摘要】：小麥?zhǔn)俏覈匾募Z食作物之一,提高小麥的產(chǎn)量有助于提高國民的經(jīng)濟(jì)水平和生活質(zhì)量。近年來,隨著小麥害蟲發(fā)生的不斷加重,快速而準(zhǔn)確的獲取害蟲數(shù)量的動態(tài)變化成為迫切需求。麥蜘蛛是小麥害蟲的一種,因蟲體較小,目前仍使用人工田間目測計數(shù)方法。為提高監(jiān)測田間麥蜘蛛種群數(shù)量動態(tài)的時效性和準(zhǔn)確度,計算機(jī)視覺中大量的目標(biāo)檢測方法已經(jīng)成功應(yīng)用到農(nóng)作物蟲害的檢測中,這些方法具有更加快速、精準(zhǔn)、客觀、方便等優(yōu)點,同時大幅的促進(jìn)了農(nóng)業(yè)現(xiàn)代化。相較于實驗條件下得到的害蟲圖像,實地拍攝的害蟲圖像因農(nóng)田環(huán)境復(fù)雜、光照不穩(wěn)定、姿態(tài)各異,檢測將更加困難。傳統(tǒng)機(jī)器學(xué)習(xí)目標(biāo)檢測算法基于滑動窗口的區(qū)域選擇策略沒有針對性,時間復(fù)雜度高,窗口冗余,且人為設(shè)計特征,對于多樣性變化沒有很好的魯棒性。深度學(xué)習(xí)對幾何、光照和形變都具有一定程度的不變性,能夠自適應(yīng)的構(gòu)建特征描述,具有更好的靈活性和泛化能力等優(yōu)點。本文利用深度學(xué)習(xí)目標(biāo)檢測算法對田間麥蜘蛛的檢測進(jìn)行初步研究。主要的研究內(nèi)容及創(chuàng)新點如下:1、研究了近年來比較重要的基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型。主要研究了兩種模型:一是基于候選區(qū)域的網(wǎng)絡(luò)模型,如Faster RCNN、R-FCN等;二是基于回歸的網(wǎng)絡(luò)模型,如YOLO和SSD等。通過麥蜘蛛圖像的實驗結(jié)果分析比較發(fā)現(xiàn),基于區(qū)域的模型更適合田間麥蜘蛛的檢測,通過改進(jìn)網(wǎng)絡(luò)的結(jié)構(gòu)和重要參數(shù),可以取得較高的識別效果。2、提出了基于Faster R-CNN算法的田間麥蜘蛛檢測方法。本文在ZF Net的基礎(chǔ)上,增加兩個Inception模塊進(jìn)行不同尺度的特征提取,并重新設(shè)計錨框方案,最終通過實驗驗證改進(jìn)后的Faster R-CNN算法使得田間麥蜘蛛的檢測性能更高,識別精度達(dá)0.8961。3、提出了Faster R-CNN的改進(jìn)算法,以處理Faster R-CNN算法對原始圖像(分辨率為1440*1080)的識別效果較差的問題。對數(shù)據(jù)集和算法進(jìn)行如下改進(jìn):在數(shù)據(jù)集上,將訓(xùn)練集轉(zhuǎn)換成四種不同尺度的小圖像進(jìn)行訓(xùn)練,并進(jìn)行鏡像翻轉(zhuǎn)和椒鹽噪聲處理;在算法上,利用聚類算法進(jìn)行錨的科學(xué)設(shè)計,引入R-FCN算法中的位置敏感得分圖(positive-sensitive score maps),并優(yōu)化網(wǎng)絡(luò)中重要的參數(shù)。通過實驗驗證,大大的增加了對原始圖像的識別效果,并且提高了訓(xùn)練速度。通過對數(shù)據(jù)集進(jìn)行多尺度處理,經(jīng)過實驗發(fā)現(xiàn)多尺度數(shù)據(jù)訓(xùn)練的模型識別精度提高了 1%左右,且增加了模型的魯棒性,能夠?qū)υ紙D像具有更好的識別效果。
【圖文】：

的激活輸出值，其中／為激活函數(shù)，當(dāng)卜１時，ａｔ（１）＝ｊｃ，，即第／個輸入值；對于給逡逑定參數(shù)集合Ｆ力，本文的神經(jīng)網(wǎng)絡(luò)按照函數(shù)／ｖ．Ａｘ）來計算輸出結(jié)果。激活函數(shù)／一逡逑般采用ｓｉｇｍｏｉｄ函數(shù)或者ｔａｎｈ函數(shù)作為激活函數(shù)夕？）．激活函數(shù)圖像如圖２－邋２所逡逑＇廠廠逡逑圖２－２激活函數(shù)圖像逡逑Ｆｉｇｕｒｅ邋２－邋２邋Ｔｈｅ邋ｉｍａｇｅ邋ｏｆ邋ａｃｔｉｖａｔｉｏｎ邋ｆｕｎｃｔｉｏｎ逡逑７逡逑

邐隱藏層邐輸出層逡逑圖２－１神經(jīng)網(wǎng)絡(luò)模型示意圖逡逑Ｆｉｇｕｒｅ邋２－１邋Ｔｈｅ邋ｉｌｌｕｓｔｒａｔｉｏｎ邋ｏｆ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ邋ｍｏｄｅｌ逡逑如圖２－１神經(jīng)網(wǎng)絡(luò)模型所示，圖中的神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱藏層、輸逡逑出層，并分別記為／！、／２、／３；邋ｎ，表示網(wǎng)絡(luò)的總層數(shù)，圖中ｎ／＝３；本文記第／層逡逑為那么心為輸入層，為輸出層；Ｚ；與中間的層皆為隱藏層；圖中神經(jīng)逡逑網(wǎng)絡(luò)連接參數(shù)（權(quán)值，偏置項）有（＼＾）＝￣（１＞山（１＞（２）山（２＞），其中１＾）表示第／逡逑層第＿／個神經(jīng)元與第／＋１層的第／個神經(jīng)元的連接權(quán)值，表示第／＋１層的第逡逑個神經(jīng)元的偏置項，妒ｕｅＲ３ｘ３，妒２）＾１１／＞＜３；本文使用表示第／層的第／個神經(jīng)元逡逑的激活輸出值，其中／為激活函數(shù)，當(dāng)卜１時，ａｔ（１）＝ｊｃ，，即第／個輸入值；對于給逡逑定參數(shù)集合Ｆ力
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP181;S435.122.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強化學(xué)習(xí)的目標(biāo)檢測算法[J];軟件導(dǎo)刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標(biāo)檢測算法[J];機(jī)電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標(biāo)檢測算法分析[J];測繪科學(xué);2012年01期

4 張桂林，，熊艷，曹偉，李強;一種評價自動目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報;1994年05期

5 許云;李彬;;基于背景遺傳模型的運動目標(biāo)檢測算法[J];自動化技術(shù)與應(yīng)用;2017年03期

6 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測算法[J];通信技術(shù);2015年07期

7 諸葛霞;向健勇;;基于分形特征的目標(biāo)檢測算法概述及仿真[J];紅外技術(shù);2006年10期

8 方路平;何杭江;周國民;;目標(biāo)檢測算法研究綜述[J];計算機(jī)工程與應(yīng)用;2018年13期

9 尚海林;;復(fù)雜場景下弱小目標(biāo)檢測算法的FPGA實現(xiàn)[J];航空兵器;2007年04期

10 詹煒;Inomjon Ramatov;崔萬新;喻晶精;;基于候選區(qū)域的深度學(xué)習(xí)目標(biāo)檢測算法綜述[J];長江大學(xué)學(xué)報(自然科學(xué)版);2019年05期

相關(guān)會議論文 前10條

1 何元磊;李紅軍;周陸軍;李旭淵;顧立林;尼濤;;基于端元豐度量化的高光譜圖像目標(biāo)檢測算法[A];國家安全地球物理叢書（十一）——地球物理應(yīng)用前沿[C];2015年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測算法[A];第八屆全國信號與信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2009年

3 高飛;蔣建國;安紅新;齊美彬;;一種快速運動目標(biāo)檢測算法[A];全國第22屆計算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會議論文摘要集[C];2011年

4 許俊平;張啟衡;張耀;王華闖;;基于人眼視覺特性的小目標(biāo)檢測算法[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

5 王藝婷;黃世奇;劉代志;王紅霞;;高光譜圖像目標(biāo)檢測算法性能研究[A];國家安全地球物理叢書（十）——地球物理環(huán)境與國家安全[C];2014年

6 張國華;;一種基于導(dǎo)引頭穩(wěn)定平臺結(jié)構(gòu)的目標(biāo)檢測算法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

7 鄭偉成;李學(xué)偉;劉宏哲;;基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述[A];中國計算機(jī)用戶協(xié)會網(wǎng)絡(luò)應(yīng)用分會2018年第二十二屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會論文集[C];2018年

8 劉昊;趙龍;;基于改進(jìn)混合高斯模型的運動目標(biāo)檢測算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

9 劉峰;奚曉梁;沈同圣;;基于最大值投影的空間小目標(biāo)檢測算法[A];第二屆空間目標(biāo)與碎片監(jiān)測、清理技術(shù)及應(yīng)用學(xué)術(shù)研討會論文集[C];2015年

10 鄧宇;陳孝威;;綜合利用時空信息的運動目標(biāo)檢測算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會議(NCMT'06)論文集[C];2006年

相關(guān)博士學(xué)位論文 前10條

1 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標(biāo)檢測算法研究[D];哈爾濱工程大學(xué);2018年

2 趙紅燕;被動多基站雷達(dá)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

3 郭小路;多通道雷達(dá)干擾抑制與目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

4 李健;星載寬幅SAR及目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2018年

5 潘雪莉;機(jī)載環(huán)視SAR海面特性和艦船目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2018年

6 陳宇環(huán);聯(lián)合時空特征的視覺顯著目標(biāo)檢測算法研究[D];深圳大學(xué);2018年

7 曾冬冬;視頻監(jiān)控中的前景目標(biāo)檢測算法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所);2019年

8 王志虎;基于顯著性的運動目標(biāo)檢測算法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

9 郭明瑋;基于視覺記憶的目標(biāo)檢測算法：一個特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

10 王俊強;圖像中人體目標(biāo)檢測算法研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 呂致萍;基于深度學(xué)習(xí)的道路場景目標(biāo)檢測方法研究[D];吉林大學(xué);2019年

2 洪文亮;基于改進(jìn)的Faster R-CNN的目標(biāo)檢測系統(tǒng)的研究[D];吉林大學(xué);2019年

3 李奇;基于深度學(xué)習(xí)的一階目標(biāo)檢測算法應(yīng)用研究[D];吉林大學(xué);2019年

4 沈軍宇;基于深度學(xué)習(xí)的魚群檢測方法研究[D];蘇州科技大學(xué);2019年

5 張靜;基于視頻的煤礦井下人形目標(biāo)檢測[D];西安科技大學(xué);2019年

6 張江勇;基于深度學(xué)習(xí)的動車關(guān)鍵部位故障圖像檢測[D];電子科技大學(xué);2019年

7 魏墨非;基于深度學(xué)習(xí)目標(biāo)檢測的優(yōu)化研究與實現(xiàn)[D];電子科技大學(xué);2019年

8 侯小春;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法研究[D];電子科技大學(xué);2019年

9 王悅;用于建筑工地安全生產(chǎn)監(jiān)控的目標(biāo)檢測算法研究[D];深圳大學(xué);2018年

10 鮑金玉;基于視頻分析的車輛智能監(jiān)測技術(shù)研究[D];北方工業(yè)大學(xué);2019年

本文編號：2701917