我國(guó)是一個(gè)林業(yè)大國(guó),森林在治理土地沙化、減少土壤流失方面起著至關(guān)重要的作用。在科技發(fā)達(dá)的今天,森林保護(hù)工作日趨繁復(fù),而減少人力資源使用,發(fā)展智能化森保系統(tǒng)已成為必然趨勢(shì)。早在1982年,江蘇省南京市中山陵林區(qū)就已經(jīng)發(fā)現(xiàn)松材線(xiàn)蟲(chóng)病疫情,此后疫情在全國(guó)范圍內(nèi)蔓延擴(kuò)散,造成大量松樹(shù)枯黃乃至死亡,且出現(xiàn)向國(guó)家級(jí)風(fēng)景區(qū)、自然保護(hù)區(qū)擴(kuò)散的趨勢(shì)。因此,依靠機(jī)器視覺(jué)和人工智能技術(shù)監(jiān)測(cè)松材線(xiàn)蟲(chóng)病疫情、從根本上制止疫情擴(kuò)散是目前我國(guó)北方松樹(shù)林區(qū)保護(hù)工作的首選方案。及時(shí)發(fā)現(xiàn)松材線(xiàn)蟲(chóng)病樹(shù)是防治疫情的首要工作,本文基于無(wú)人機(jī)航拍獲取的松材線(xiàn)蟲(chóng)病樹(shù)彩色圖像,構(gòu)建了基于深度學(xué)習(xí)和無(wú)人機(jī)遙感的松材線(xiàn)蟲(chóng)病樹(shù)監(jiān)測(cè)系統(tǒng)。監(jiān)測(cè)系統(tǒng)由深度學(xué)習(xí)目標(biāo)檢測(cè)模型和邊緣計(jì)算平臺(tái)實(shí)現(xiàn)對(duì)松材線(xiàn)蟲(chóng)病樹(shù)的低漏檢、高精度檢測(cè)。具體研究?jī)?nèi)容如下:（1）構(gòu)建了基于HOG-SVM的松材線(xiàn)蟲(chóng)病樹(shù)檢測(cè)方法傳統(tǒng)機(jī)器學(xué)習(xí)算法中HOG-SVM目標(biāo)檢測(cè)方法已得到廣泛應(yīng)用。然而,由于病樹(shù)圖像內(nèi)容復(fù)雜,HOG特征難以被準(zhǔn)確提取,檢測(cè)模型不能收斂,導(dǎo)致其無(wú)法有效完成病樹(shù)檢測(cè)任務(wù)。為此,本文提出應(yīng)用選擇搜索算法結(jié)合圖像掩膜操作優(yōu)化HOG-SVM病樹(shù)檢測(cè)方法。通過(guò)實(shí)施圖像過(guò)... 

【文章來(lái)源】：山東農(nóng)業(yè)大學(xué)山東省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線(xiàn)Fig.1Technicalroute（1）研究方法

山東農(nóng)業(yè)大學(xué)碩士專(zhuān)業(yè)學(xué)位論文132.2.2基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的迅猛發(fā)展，目標(biāo)檢測(cè)算法的特征提取模式從傳統(tǒng)算法逐漸演變?yōu)榛谏疃壬窠?jīng)網(wǎng)絡(luò)的檢測(cè)算法。早在2013年，R-CNN、OverFeat網(wǎng)絡(luò)被提出，2016年之后Fast/FasterR-CNN、SSD、YOLO系列等深度學(xué)習(xí)網(wǎng)絡(luò)相繼出現(xiàn)，再到最近的PeleeNet，在短短的幾年時(shí)間里，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型在網(wǎng)絡(luò)結(jié)構(gòu)、模型結(jié)構(gòu)方面越來(lái)越清晰，涌現(xiàn)出了許多性能出色的模型算法。進(jìn)入深度學(xué)習(xí)時(shí)代以來(lái)，基于深度學(xué)習(xí)框架的目標(biāo)檢測(cè)模型在發(fā)展過(guò)程中，主要集中在二階段算法如R-CNN系列，以及一階段算法如YOLO系列、SSD系列等。兩者的主要區(qū)別在于二階段算法需要先生成推薦框，進(jìn)而實(shí)行細(xì)粒度的物體檢測(cè)。而一階段算法會(huì)直接在網(wǎng)絡(luò)中提取特征來(lái)預(yù)測(cè)物體分類(lèi)和位置。（1）“two-stage”目標(biāo)檢測(cè)算法圖2FasterR-CNN工作流程Fig.2FasterR-CNNworkflowFasterR-CNN是“two-stage”算法中經(jīng)典的目標(biāo)檢測(cè)算法。其區(qū)域推薦網(wǎng)絡(luò)指的是用全卷積網(wǎng)絡(luò)生成多種大小比例的錨框，來(lái)實(shí)現(xiàn)為下一階段提供可能包含前景物體的邊界框的網(wǎng)絡(luò)。其算法結(jié)構(gòu)可以分為三層，一是主干卷積網(wǎng)絡(luò)層，二是區(qū)域推薦網(wǎng)絡(luò)層，三是感興趣區(qū)域池化層。在FasterR-CNN的工作過(guò)程中，圖像統(tǒng)一大小進(jìn)入卷積神經(jīng)網(wǎng)絡(luò)特征提取器，輸出特征圖，之后進(jìn)入?yún)^(qū)域推薦網(wǎng)絡(luò)，每個(gè)滑動(dòng)窗口的中點(diǎn)都會(huì)生成9個(gè)大小不同的錨框，判斷出哪些是有目標(biāo)的前景錨框，哪些是沒(méi)有目標(biāo)的背景錨框，前景錨框再做邊界框回歸，得到候選框，生成的候選框映射到特征圖上，經(jīng)重疊率和非極大值抑制計(jì)算之后，生成得分高的候選框，進(jìn)入感興趣區(qū)域池化層，通過(guò)最大池化算法將不同大小的輸入

YOLOv3的訓(xùn)練及檢測(cè)Fig.3YOLOv3trainingandtesting

【參考文獻(xiàn)】：
期刊論文
[1]松材線(xiàn)蟲(chóng)病防治技術(shù)研究[J]. 王高鋒.  花卉. 2020(06)
[2]基于Faster R-CNN算法的船舶識(shí)別檢測(cè)[J]. 崔巍,楊亮亮,夏榮,牟向偉,樊曉偉,楊海峰.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)
[3]基于SSD-MobileNet的火情檢測(cè)預(yù)警系統(tǒng)[J]. 任鍇,陳俊,葉宇煌,陳琪.  電氣開(kāi)關(guān). 2020(01)
[4]淺談農(nóng)用植保無(wú)人機(jī)的發(fā)展現(xiàn)狀及應(yīng)用推廣[J]. 李楠,于艷青,于深州,張陽(yáng),李蔚然,郝宇.  北方水稻. 2020(01)
[5]基于深度可分卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)人臉表情和性別分類(lèi)[J]. 劉尚旺,劉承偉,張愛(ài)麗.  計(jì)算機(jī)應(yīng)用. 2020(04)
[6]松褐天牛的發(fā)生規(guī)律及防治對(duì)策[J]. 邱偉.  安徽農(nóng)學(xué)通報(bào). 2019(19)
[7]松材線(xiàn)蟲(chóng)病在中國(guó)的流行現(xiàn)狀、防治技術(shù)與對(duì)策分析[J]. 葉建仁.  林業(yè)科學(xué). 2019(09)
[8]基于改進(jìn)YOLOv3-LITE輕量級(jí)神經(jīng)網(wǎng)絡(luò)的柑橘識(shí)別方法[J]. 呂石磊,盧思華,李震,洪添勝,薛月菊,吳奔雷.  農(nóng)業(yè)工程學(xué)報(bào). 2019(17)
[9]基于多特征CRF的無(wú)人機(jī)影像松材線(xiàn)蟲(chóng)病監(jiān)測(cè)方法[J]. 劉金滄,王成波,常原飛.  測(cè)繪通報(bào). 2019(07)
[10]基于高光譜圖像和深度學(xué)習(xí)的菠菜新鮮度檢測(cè)[J]. 謝忠紅,徐煥良,黃秋桂,王培.  農(nóng)業(yè)工程學(xué)報(bào). 2019(13)

碩士論文
[1]星機(jī)地協(xié)同的松材線(xiàn)蟲(chóng)病疫區(qū)枯死松樹(shù)監(jiān)測(cè)方法研究[D]. 鄧世晴.東華理工大學(xué) 2019
[2]基于機(jī)器學(xué)習(xí)的圖像識(shí)別研究與應(yīng)用[D]. 高浩宇.華中師范大學(xué) 2018
[3]基于機(jī)器學(xué)習(xí)的圖像識(shí)別研究[D]. 紀(jì)國(guó)強(qiáng).沈陽(yáng)理工大學(xué) 2018
[4]基于深度學(xué)習(xí)的圖像識(shí)別方法研究與應(yīng)用[D]. 文馗.華中師范大學(xué) 2017
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取算法與圖像分類(lèi)問(wèn)題研究[D]. 司寧博.蘭州大學(xué) 2017
[6]基于深度學(xué)習(xí)的人臉識(shí)別研究[D]. 林妙真.大連理工大學(xué) 2013



本文編號(hào)：3583109