糧食作為人類社會發(fā)展的重要物資,對國家穩(wěn)定乃至世界和平起著重要的作用。然而在糧食倉儲過程中,儲糧害蟲對糧食的損壞是很嚴重的。儲糧害蟲檢測方法有很多種,本文使用基于深度學習的目標檢測技術對儲糧害蟲進行檢測識別,分別研究了白板背景下和實際背景下的儲糧害蟲檢測,使用不同的算法進行大量的實驗,通過改進模型不斷提升儲糧害蟲檢測識別效果。本文的主要研究工作如下:1、對比傳統(tǒng)圖像識別方法和基于深度學習的目標檢測方法,深入地研究了深度卷積神經網絡的結構、網絡設計以及基于深度卷積神經網絡的目標檢測算法框架、原理和不同架構的優(yōu)劣,為基于深度學習的儲糧害蟲檢測識別奠定了研究基礎。2、在白板背景下的八類儲糧害蟲目標檢測數(shù)據集上進行了大量的開源模型實驗,分析了以Faster R-CNN和R-FCN為代表的兩階段檢測模型和以YOLO為代表的單階段檢測模型的優(yōu)劣,并探索了提升儲糧害蟲檢測效果的方法,在此基礎上對兩階段檢測模型R-FCN進行改進,并通過數(shù)據增強、多尺度訓練和Soft-NMS等方法提升了儲糧害蟲目標檢測效果。3、將VGG-16不同網絡深度的卷積特征進行可視化,探究了深度卷積神經網絡不同深度的卷積層特征提取的特點,研究了幾種不同的卷積特征利用方式,以及針對目標檢測任務更高效的特征利用方式。4、在實際背景下的儲糧害蟲目標檢測數(shù)據集圖片背景復雜、遮擋問題嚴重,通過對卷積特征利用方式的分析,引入了基于TOP-DOWN結構的特征融合模型,應用FPN算法進行實際背景下的糧蟲檢測,并通過數(shù)據增強、多尺度訓練和Soft-NMS等方法提升了實際背景下的儲糧害蟲檢測效果。
【學位單位】：北京郵電大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP391.41;TP183;S379.5
【部分圖文】：

并激活該神經元的特定區(qū)域。局部連接、權值共享以及空間或時間上的下釆樣是??卷積神經網絡的３個主要特性，這些特性使其具有一定程度上的平移、縮放和扭??曲不變性。如圖２－１所示，卷積神經網絡是一個層次模型，主要包括輸入層、卷??積層、池化層、全連接層以及輸出層。根據每層的功能，卷積神經網絡可以劃分??為２個部分：由輸入層、卷積層和池化層構成的特征提取器，以及由全連接層和??輸出層構成的分類器。總的來說，卷積神經網絡通過卷積操作對輸入圖像進行局??部特征的提取，經過池化操作進行特征選擇并使其具有空間不變性，然后全連接??操作對特征進行高度整合使其具有強大的表征能力，生成面向輸出層特定任務的??高維抽象特征。??ｈ？?特征提取器——?Ｈ?分類器－＞１??輸入層卷積層池化層卷積層池化層?全連接層輸出層??圖２－１卷枳神經網絡的基本結構??２．１．１卷積層??１０??

Ｂｅｔｔｅｒ?ｔｏ?ｐｕｔ?ｒｅｓｏｕｒｃｅｓ?ｅｌｓｅｗｈｅｒｅ１?ｗ?ｆ??圖２－２局部連接與全連接的區(qū)別??如圖２－２所示，假設輸入圖像的分辨率為１０００ｘ１０００，隱藏層有１０６個神經??元節(jié)點，對于全連接操作來說，隱藏層每個神經元節(jié)點與輸入圖像的每一個像素??連接，則有１０００ｘｌ０００ｘｌ０６＝１０１２個權值參數(shù)。如果使用局部連接的方式，假設局??部感受野區(qū)域是１０ｘ１０大小的空間分辨率，則隱藏層的每個神經元只需要和??１０ｘ１０像素大小的感受野區(qū)域相連，那么１０６個隱藏層神經元只有ｌ〇ｘｌ〇ｘｌ〇６＝ｌ〇８??個參數(shù)，比原來減少４個數(shù)量級的參數(shù)量，這樣會使神經網絡的計算負荷大大減??小。??ＬＯＣＡＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＣＯＮＶＯＬＵＴＩＯＮＡＬ?ＮＥＴ??ＳＴＡｎＯＮＡＭＴＹ？?Ｓｔｏｔｉｓｔ．ｅｓ?ｉｓ??Ａｊ４?ｓｉｍｉｌａｒ?ｏｔ?ｄｉｆｆｅｒｅｎｔ?ｌｏｃｏｔｉｏｎｓ?Ｌｅａｒｎ?ｍｕｌｔｉｐｌｅ?ｆｉｌｔｅｒｓ??：ｉ．?ｆｍ?－■－〇?ｉＭｈｄｄ＿ｔＳ?；??Ｗ?Ｆｉｌｔｅｒ?ａｉｔ?１０ｘ１０?Ｅ?ｇ?１０００ｘ１０００?．ｍｏｇｔ??＇ＷＬｒｊＬ＾Ｗ＾＾?１００Ｍ?ｐｏｒｏｍｅｔｅｒｓ?；?１００?Ｆｉｌｔｅｒｓ??Ｆｉｌｔｅｒ?ｓ

ＦＵＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＬＯＣＡＬｉＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ??Ｅｘｏｍｐｌｅ－?１０００ｘ１０００?ｉｍ〇９？?ｉｓＪｘＮ．??１Ｍ?ｈｉｄｄｅｎ?ｕｎｉｔｓ??—＾?Ｅｘａｍｐｌｅ?１０００ｘ１０００?ｉｍｏｇｅ??Ｓｐｏｔｉｏｌ?ｃｏｒｒｅｌａｔｉｏｎ?ｔｓ?ｌｏｃａｌ??Ｂｅｔｔｅｒ?ｔｏ?ｐｕｔ?ｒｅｓｏｕｒｃｅｓ?ｅｌｓｅｗｈｅｒｅ１?ｗ?ｆ??圖２－２局部連接與全連接的區(qū)別??如圖２－２所示，假設輸入圖像的分辨率為１０００ｘ１０００，隱藏層有１０６個神點，對于全連接操作來說，隱藏層每個神經元節(jié)點與輸入圖像的每一個像，則有１０００ｘｌ０００ｘｌ０６＝１０１２個權值參數(shù)。如果使用局部連接的方式，假設受野區(qū)域是１０ｘ１０大小的空間分辨率，則隱藏層的每個神經元只需要１０像素大小的感受野區(qū)域相連，那么１０６個隱藏層神經元只有ｌ〇ｘｌ〇ｘｌ〇６＝ｌ數(shù)，比原來減少４個數(shù)量級的參數(shù)量，這樣會使神經網絡的計算負荷大大ＬＯＣＡＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＣＯＮＶＯＬＵＴＩＯＮＡＬ?ＮＥＴ??
【相似文獻】

相關期刊論文 前10條

1 王欠欠;邵小龍;周國磊;曹陽;張濤;;儲糧害蟲飛行行為研究方法及進展[J];糧食科技與經濟;2018年03期

2 韋文生;;習性防治儲糧害蟲試驗[J];糧油倉儲科技通訊;2014年04期

3 王潔靜;呂建華;;多殺菌素在儲糧害蟲防治中的研究及應用進展[J];糧食與飼料工業(yè);2012年04期

4 程小麗;武傳欣;劉俊明;遲瑩;魏慶偉;;儲糧害蟲防治的研究進展[J];糧食加工;2011年05期

5 程小麗;武傳欣;劉俊明;遲瑩;魏慶偉;;儲糧害蟲防治研究進展[J];糧油倉儲科技通訊;2010年06期

6 劉曉宇;;淺談儲糧害蟲防治工作存在的問題及對策[J];現(xiàn)代農村科技;2009年09期

7 袁良月;呂建華;吳樹會;;農村常見儲糧害蟲的防治[J];農村實用科技信息;2008年01期

8 鄧樹華;王平;朱邦雄;陳祖華;陳渠玲;徐明亮;周劍宇;蘇金平;黃智;;紫外高壓誘殺燈防治倉外儲糧害蟲研究[J];糧食儲藏;2006年03期

9 鄧樹華;王平;朱邦雄;陳祖華;陳渠玲;徐明亮;周劍宇;蘇金平;黃智;;紫外高壓誘殺燈防治倉外儲糧害蟲研究[J];糧食儲藏;2006年03期

10 楊長舉,唐國文,薜東;21世紀的儲糧害蟲防治[J];湖北植保;2004年05期

相關博士學位論文 前8條

1 耿森林;儲糧害蟲活動聲特征檢測、分析及其數(shù)據庫建立[D];陜西師范大學;2005年

2 鄧永學;環(huán)境因子對四種儲糧害蟲影響的研究[D];西南農業(yè)大學;2001年

3 廖敏;互葉白千層精油對儲糧害蟲的殺蟲活性及作用機制[D];安徽農業(yè)大學;2016年

4 牛永浩;固相微萃取與氣質聯(lián)用檢測儲糧及儲糧害蟲揮發(fā)性化合物的研究[D];西北農林科技大學;2015年

5 張超;辣根素熏蒸對玉米象線粒體作用機理研究[D];西北農林科技大學;2016年

6 張濤;我國赤擬谷盜地理分布、擴散路徑與捕食螨生物防治技術研究[D];中國農業(yè)大學;2017年

7 黃衍章;石菖蒲根莖提取物有效殺蟲成分分析[D];華中農業(yè)大學;2007年

8 姚英娟;水菖蒲提取物殺蟲活性及活性成分分析[D];華中農業(yè)大學;2008年

相關碩士學位論文 前10條

1 趙彬宇;儲糧害蟲圖像識別研究平臺的設計與實現(xiàn)[D];北京郵電大學;2019年

2 苗海委;儲糧害蟲圖像定位識別算法的研究與實現(xiàn)[D];北京郵電大學;2019年

3 周亦哲;基于視頻檢測的儲糧害蟲死活評估算法研究[D];北京郵電大學;2019年

4 劉治財;基于深度學習的目標檢測算法在儲糧害蟲檢測識別中的應用[D];北京郵電大學;2019年

5 王森;基于虛擬現(xiàn)實技術的三維可重構儲糧害蟲監(jiān)測系統(tǒng)的設計與實現(xiàn)[D];北京郵電大學;2018年

6 王利利;3種防護劑和磷化氫聯(lián)用對6種儲糧害蟲的防治[D];河南工業(yè)大學;2018年

7 劉漢生;陷阱式儲糧害蟲信息采集終端及其系統(tǒng)的研究與實現(xiàn)[D];北京郵電大學;2018年

8 沈馭風;基于深度學習的儲糧害蟲檢測算法的研究[D];北京郵電大學;2018年

9 王德發(fā);基于圖像識別的儲糧害蟲檢測[D];北京郵電大學;2017年

10 馬六十;華南地區(qū)儲糧害蟲防治科學用藥探討[D];河南工業(yè)大學;2014年

本文編號：2882005