森林不單單具有生態(tài)效應,也具有巨大的經(jīng)濟效應,小蠹科害蟲是森林中重要的蛀干害蟲之一,對林木的危害性極強。近年來小蠹科害蟲危害愈發(fā)嚴重,致使成片的松樹死亡,傳統(tǒng)的識別方式依靠人力,費時費力,精準的智能化識別小蠹科害蟲十分緊要。本課題選取北京林業(yè)大學林學院標本,通過室內(nèi)圖片自動采集裝置,制作小蠹科害蟲數(shù)據(jù)集,分為訓練集和測試集,基于TensorFlow框架,在Python環(huán)境下通過訓練集數(shù)據(jù)訓練深度學習目標檢測Faster R-CNN模型,以達到識別小蠹科害蟲的目的,并通過測試集驗證其準確性。實驗表明,小蠹科六種害蟲在識別中的平均精確率較高,模型能夠達到實際科研工作中的要求。在此模型基礎上設計并開發(fā)基于深度學習的害蟲識別系統(tǒng),為林業(yè)害蟲識別提供一種新依據(jù)。 

【文章來源】：北京林業(yè)大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【部分圖文】：

圖２－１系統(tǒng)架構(gòu)??Ｆｉｇ．?２－１?Ｓｙｓｔｅｍ?ａｒｃｈｉｔｅｃｔｕｒｅ??在圖２－１中，最下層左邊是網(wǎng)絡通信層，包括ｇＲＰＣ?（ｇｏｏｇｌｅ?Ｒｅｍｏｔｅ?Ｐｒｏｃｅｄｕｒｅ??Ｃａｌｌ?Ｐｒｏｔｏｃｏｌ）和遠程直接數(shù)據(jù)存�。ǎ遥澹恚铮簦�?Ｄｉｒｅｃｔ?Ｍｅｍｏｒｙ?Ａｃｃｅｓｓ，ＲＤＭＡ）；右??，，、

對輸入數(shù)據(jù)進行ｃｒｏｐ或ｗａｒｐ，這些預處理造成了數(shù)據(jù)的變形。ＳＰＰ－ＮＥＴ通過引入??了空間金字塔池化層解決特征長度不一的問題，不同大小尺度的區(qū)域提名在處理??后得到同一維度的特征（陳佳音等，２０１４）。ＳＰＰ－ＮＥＴ網(wǎng)絡結(jié)構(gòu)示意圖如圖３－１??所示：??ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒｓ?（ｆｃ６，?ｆ〇７）??，??ｉ?，??ｆｉｘｅｄ－ｌｅｎｇｔｈ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ??ｗｍｍｗｍｍ?ｗｍｍｍｗｍｍｗｍｍｗｍｍｍｍｍｍｍｍｍｍｍ??ｒ?Ａ?＾??■■■■■Ｂｎ?ｗｍｍｍｍｍｍｍｍｍｍｍ?ｍｍｍ??ｆ?１６＞＜２５６－ｄ?＾?４ｘ２５６－ｄ?＾?２５６－ｄ??＾???Ｙ???－■：??．??ｓｐａｔｉａｌ?ｐｙｒａｍｉｄ?ｐｏｏｌｉｎｇ?ｌａｙｅｒ??ｆｅａｔｕｒｅ?ｍａｐｓ?ｏｆ?ｃｏｎｖｓ??（ａｒｂｉｔｒａｒｙ?ｓｉｚｅ）??＾?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒｓ??ｉｎｐｕｔ?ｉｍａｇｅ??圖３－１?ＳＰＰ－ＮＥＴ網(wǎng)絡結(jié)構(gòu)示意圖??Ｆｉｇ．３－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＳＰＰ－ＮＥＴ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??在圖３－１中，最后的卷積層和全連接層之間加入ＳＰＰ層，黑色圖片代表卷積??之后的特征圖，特征圖的大小是任意的，經(jīng)過池化層成為固定的大

預測出的建議框質(zhì)量高、數(shù)量少，且在ＧＰＵ運行，同時和Ｆａｓｔｅｒ?Ｒ－ＣＮＮ存在共享??卷積特征，使得檢測的速度和精度得到了快速的提升（Ｌｏｋａｎａｔｈｅｔａｌ，２０１７）。ＲＰＮ??的模型結(jié)構(gòu)圖，如圖３－３所示。??２ｋ?ｓｃｏｒｅｓ?４ｋ?ｃｏｏｒｄｉｎａｔｅｓ?＿■■■?ｋ?ａｎｃｈｏｒ?ｂｏｘｅｓ??ｅｌｓ?ｌａｙｅｒ?＾?Ａ?ｒｅｇ?ｌａｙｅｒ?？??＼?ｔ?－?Ｌ＿Ｊ??２５６－ｄ??ｍ??ｔ?ｉｎｔｅｒｍｅｄｉａｔｅ?ｌａｙｅｒ??、、、一?－ＰＨ??＼?＼?＼?－…一一?一?ｒ＝ｎ??…——??＼?ｓｌｉａ＾ｉｇ?ｗｉｎｄｏｗ，?＼??????Ｖ．?＇＇．．．．．．．．．．．．．．．．．?…：??＼?＼?＼?ｃ〇ｎｖ?ｆｅａｔｕｒ６，ｍａｐ?？??圖３－３?ＲＰＮ模型結(jié)構(gòu)圖??Ｆｉｇ．３－３?ＲＰＮ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??在圖３－３中，Ｆａｓｔｅｒ?Ｒ－ＣＮＮ在ｆｅａｔｕｒｅｍａｐ上運用滑動窗口生成建議窗口，在??每個滑動窗口位置，同時進行預測多個地區(qū)的建議，其中為每個位置提供最大可??能的建議數(shù)字記為ｋ。ｒｅｇ層有四個參數(shù)ｘ，ｙ，ｗ，ｈ，即４ｋ，ｅｌｓ層有兩個參數(shù)ｐａ??和ｐｄ，即２ｋ。對于一個區(qū)域中心，ｋ個提議被ｋ個參考框參數(shù)化，我們稱之為ａｎｃｈｏｒ。??一個ａｎｃｈｏｒ?（錯）位于滑動窗口的中心，默認情況下，使用３個尺度和３個縱橫??比

【參考文獻】：
期刊論文
[1]基于圖像灰度頻率與人工神經(jīng)網(wǎng)絡的病蟲害防治[J]. 葉聰,沈金龍.  電子器件. 2018(01)
[2]人工智能、機器學習和深度學習的區(qū)別與聯(lián)系[J].   醫(yī)學信息學雜志. 2017(11)
[3]基于卷積神經(jīng)網(wǎng)絡的圖像清晰度識別方法[J]. 李福衛(wèi),李玉惠.  軟件. 2017(07)
[4]深度學習發(fā)展綜述[J]. 侯宇青陽,全吉成,王宏偉.  艦船電子工程. 2017(04)
[5]Python語言的探討[J]. 史夢楚.  中國新通信. 2017(07)
[6]基于優(yōu)化卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)的交通標志識別[J]. 王曉斌,黃金杰,劉文舉.  計算機應用. 2017(02)
[7]華山松大小蠹危害及防治效果試驗[J]. 楊雄.  中國林副特產(chǎn). 2016(06)
[8]深度學習 提升智能IPC準確率的一線曙光[J]. 周宇杰.  中國公共安全. 2016(17)
[9]危險性有害生物云杉四眼小蠹風險分析[J]. 康曉明.  山西林業(yè). 2016(03)
[10]圖像理解中的卷積神經(jīng)網(wǎng)絡[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學報. 2016(09)

博士論文
[1]基于數(shù)字圖像的蝴蝶種類自動識別研究[D]. 李凡.北京林業(yè)大學 2015
[2]華山松大小蠹成蟲消化道與生殖系統(tǒng)結(jié)構(gòu)研究[D]. 卜書海.西北農(nóng)林科技大學 2011

碩士論文
[1]基于顯著性與卷積神經(jīng)網(wǎng)絡的交通標志檢測與識別研究[D]. 王姣姣.長安大學 2017
[2]超寬帶昆蟲雷達與水稻害蟲圖像識別的信號處理與仿真[D]. 焦忠建.江西農(nóng)業(yè)大學 2015
[3]基于卷積神經(jīng)網(wǎng)絡的深度學習算法與應用研究[D]. 陳先昌.浙江工商大學 2014
[4]卷積神經(jīng)網(wǎng)絡在圖像識別上的應用的研究[D]. 許可.浙江大學 2012



本文編號：3605918