我國作為傳統(tǒng)農(nóng)業(yè)大國,每年生產(chǎn)大量農(nóng)作物,而每年由于昆蟲對(duì)農(nóng)作物的損耗也非常巨大,在生活中,昆蟲類生物隨處可見,不管是對(duì)于保護(hù)生物多樣性,維護(hù)生態(tài)平衡,還是保證農(nóng)作物的質(zhì)量及產(chǎn)量,對(duì)昆蟲進(jìn)行識(shí)別都具有重要意義。目前常用的昆蟲識(shí)別方法有人工識(shí)別法、電導(dǎo)系數(shù)測(cè)試法、圖像識(shí)別法以及近紅外法等。由于圖像識(shí)別法易于操作,識(shí)別率較高,因而它是目前昆蟲識(shí)別的主要手段。傳統(tǒng)的圖像識(shí)別需要人工對(duì)目標(biāo)圖像進(jìn)行復(fù)雜的特征提取,費(fèi)時(shí)費(fèi)力,且識(shí)別精確度并不高,泛化能力較差。隨著計(jì)算機(jī)硬件的不斷發(fā)展,計(jì)算機(jī)對(duì)于圖像數(shù)據(jù)處理能力不斷增強(qiáng),深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用愈加廣泛。本文使用深度學(xué)習(xí)技術(shù),利用卷積神經(jīng)網(wǎng)絡(luò)主要對(duì)蝴蝶類昆蟲進(jìn)行特征提取及識(shí)別分類,網(wǎng)絡(luò)模型在不斷地迭代訓(xùn)練下提高其學(xué)習(xí)能力,并對(duì)網(wǎng)絡(luò)模型進(jìn)行一定程度的改進(jìn),以此提高識(shí)別精確度。本文主要研究工作如下:（1）收集207種總計(jì)26111張自然背景下的蝴蝶類昆蟲圖片作為分類樣本數(shù)據(jù)集,并對(duì)其進(jìn)行數(shù)據(jù)增強(qiáng),擴(kuò)充為原來數(shù)據(jù)集的10倍。文章選取AlexNet、NIN、VGG16等網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn),作為擴(kuò)充,豐富網(wǎng)絡(luò)模型,本文設(shè)計(jì)了一個(gè)簡(jiǎn)單的九層卷積神經(jīng)網(wǎng)絡(luò),探究數(shù)... 

【文章來源】：西南大學(xué)重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積運(yùn)算圖

西南大學(xué)工程碩士學(xué)位論文11圖2.2不同激活函數(shù)的對(duì)比Sigmoid函數(shù)的優(yōu)勢(shì)點(diǎn)是它的輸出被壓縮在（0,1）范圍內(nèi)并且整個(gè)函數(shù)是一個(gè)單調(diào)連續(xù)函數(shù)，求導(dǎo)簡(jiǎn)單，但缺點(diǎn)也很明顯，當(dāng)其輸入非常大或者非常小時(shí)它便進(jìn)入了函數(shù)的飽和區(qū)，使得它的求導(dǎo)函數(shù)值接近于0從而引起梯度消失的問題。并且sigmoid函數(shù)的輸出均值并不為0，這形成的影響是假若后面神經(jīng)元的輸入皆為正，那么對(duì)于權(quán)重更新時(shí)其局部梯度會(huì)一直為正，造成更新權(quán)值時(shí)一直向同一個(gè)方向更新，即它可能向反方向更新權(quán)值參數(shù)導(dǎo)致網(wǎng)絡(luò)參數(shù)更新收斂過于緩慢。而tanh函數(shù)雖然不存在收斂緩慢的問題，但和sigmoid函數(shù)一樣，它在深層次網(wǎng)絡(luò)中很容易產(chǎn)生梯度消失的問題。ReLU是目前最常用也是最好用的激活函數(shù)之一，與sigmoid和tanh函數(shù)對(duì)比來看，ReLU收斂更快并且出現(xiàn)梯度消失的可能性較小，此外ReLU函數(shù)在輸入為負(fù)時(shí)輸出為0，給網(wǎng)絡(luò)提供了稀疏表達(dá)能力。然而ReLU的問題是伴隨著網(wǎng)絡(luò)訓(xùn)練逐漸加深，ReLU的輸入可能會(huì)出現(xiàn)在激活函數(shù)的硬飽和區(qū)從而影響權(quán)重參數(shù)的更新，因此后來又推出了LReLU、PReLU、RReLU、ELU等激活函數(shù)。池化層池化層一般位于卷積層后面，卷積層對(duì)輸入信息進(jìn)行卷積運(yùn)算后參數(shù)有所減少，然而由于網(wǎng)絡(luò)總體參數(shù)過大，削減后的參數(shù)量仍然巨大，導(dǎo)致網(wǎng)絡(luò)難以訓(xùn)練。池化層主要是對(duì)卷積后的數(shù)據(jù)進(jìn)行非線性下采樣操作以保證圖像特征的平移不變性和旋轉(zhuǎn)不變性，對(duì)每個(gè)區(qū)域數(shù)據(jù)進(jìn)行整合，達(dá)到對(duì)特征圖進(jìn)行降維的目的。目

西南大學(xué)工程碩士學(xué)位論文12前較常用的池化方法主要有最大值池化（MaxPooling）和均值池化（AveragePooling）兩種，如圖2.3所示，最大值池化是取對(duì)應(yīng)區(qū)域內(nèi)的最大值作為池化后的取值，而均值池化則是取對(duì)應(yīng)區(qū)域內(nèi)的平均值作為池化后的取值。圖2.3最大值池化與均值池化池化層對(duì)保持圖像不變性具有重要意義，當(dāng)圖片經(jīng)過平移后，經(jīng)過非線性下采樣處理過后，平移后的圖像特征和未平移的圖像特征相同，在目標(biāo)檢測(cè)中，圖像平移不變能使網(wǎng)絡(luò)模型具備更好的魯棒性，即使檢測(cè)目標(biāo)平移后也能被檢測(cè)出。全連接層顧名思義，全連接層是將本層的神經(jīng)元和上一層每個(gè)神經(jīng)元節(jié)點(diǎn)都進(jìn)行連接，一般位于網(wǎng)絡(luò)末尾處，全連接層對(duì)前面幾層網(wǎng)絡(luò)提取和變換的特征表示進(jìn)行全局抽象，提高提取特征的表達(dá)能力，其在網(wǎng)絡(luò)中起到一個(gè)分類器的效果，將提取特征的數(shù)據(jù)映射到樣本空間來進(jìn)行分類。分類器層分類器層是卷積神經(jīng)網(wǎng)絡(luò)的最后的輸出層，其計(jì)算卷積神經(jīng)網(wǎng)絡(luò)的分類結(jié)果與正確值之間的誤差并將誤差回傳給網(wǎng)絡(luò)，網(wǎng)絡(luò)根據(jù)誤差值調(diào)整網(wǎng)絡(luò)參數(shù)的大小使其誤差值減小，在卷積神經(jīng)網(wǎng)絡(luò)中用得最多的分類器是SoftMax分類器。SoftMax分類器是由Logistic回歸演變而來，是Logistic在多分類圖像模型中的推廣。假如要對(duì)一個(gè)數(shù)據(jù)集進(jìn)行分類，假設(shè)其類別數(shù)為，訓(xùn)練樣本總數(shù)為，用一個(gè)維向量來表示一個(gè)樣本，則樣本集可以表示為：

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的蔬菜鱗翅目害蟲自動(dòng)識(shí)別與檢測(cè)計(jì)數(shù)[J]. 董偉,錢蓉,張潔,張立平,陳紅波,張萌,朱靜波,卜英喬.  中國農(nóng)業(yè)科技導(dǎo)報(bào). 2019(12)
[2]基于改進(jìn)Faster-RCNN模型的粘蟲板圖像昆蟲識(shí)別與計(jì)數(shù)[J]. 張銀松,趙銀娣,袁慕策.  中國農(nóng)業(yè)大學(xué)學(xué)報(bào). 2019(05)
[3]昆蟲自動(dòng)識(shí)別研究進(jìn)展[J]. 吳基楠,何大東,龔子慧,陳功.  華中昆蟲研究. 2018(00)
[4]蝴蝶種類自動(dòng)識(shí)別研究[J]. 謝娟英,侯琦,史穎歡,呂鵬,景麗萍,莊福振,張軍平,譚曉陽,許升全.  計(jì)算機(jī)研究與發(fā)展. 2018(08)
[5]2017中國土地礦產(chǎn)海洋資源統(tǒng)計(jì)公報(bào)發(fā)布[J]. 焦思穎.  資源導(dǎo)刊. 2018(06)
[6]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[7]基于深度學(xué)習(xí)AlexNet的遙感影像地表覆蓋分類評(píng)價(jià)研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學(xué)學(xué)報(bào). 2017(11)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識(shí)別[J]. 梁萬杰,曹宏鑫.  江蘇農(nóng)業(yè)科學(xué). 2017(20)
[9]深度學(xué)習(xí)發(fā)展綜述[J]. 侯宇青陽,全吉成,王宏偉.  艦船電子工程. 2017(04)
[10]《中國生物多樣性紅色名錄》的制定及其對(duì)生物多樣性保護(hù)的意義[J]. 臧春鑫,蔡蕾,李佳琦,吳曉莆,李曉光,李俊生.  生物多樣性. 2016(05)

博士論文
[1]基于圖譜特征分析的農(nóng)業(yè)蟲害檢測(cè)方法研究[D]. 劉子毅.浙江大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺關(guān)鍵技術(shù)研究[D]. 李彥冬.電子科技大學(xué) 2017
[3]基于數(shù)字圖像的蝴蝶種類自動(dòng)識(shí)別研究[D]. 李凡.北京林業(yè)大學(xué) 2015
[4]基于特征級(jí)圖像融合的目標(biāo)識(shí)別技術(shù)研究[D]. 王大偉.中國科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所） 2010
[5]基于圖像的昆蟲識(shí)別關(guān)鍵技術(shù)研究[D]. 黃世國.西北大學(xué) 2008

碩士論文
[1]基于深度學(xué)習(xí)的蝴蝶種類識(shí)別研究[D]. 曹嘉文.陜西師范大學(xué) 2019
[2]圖像分類中的卷積神經(jīng)網(wǎng)絡(luò)方法研究[D]. 李明威.南京郵電大學(xué) 2016
[3]深度學(xué)習(xí)在圖像識(shí)別中的研究及應(yīng)用[D]. 李衛(wèi).武漢理工大學(xué) 2014
[4]基于顏色和紋理特征的遙感圖像檢索[D]. 劉米娜.西安工業(yè)大學(xué) 2013



本文編號(hào)：3492169