基于深度卷积神经网络的粮仓害虫监测系统实现

发布时间：2021-04-12 09:31

　　在粮食储藏过程中,害虫是粮食的最大威胁,我国粮仓每年因为害虫造成的粮食损失达数百万吨,给国家造成了巨大的经济损失。因此,粮仓害虫的监测非常必要。目前绝大多数粮仓每年都会固定进行多次的熏蒸以减少害虫带来的损失,为了减少不必要的熏蒸次数,就需要对粮仓害虫进行及时而准确的监测。监测的关键就是对粮仓害虫进行智能化地识别和计数。论文根据6类粮仓害虫图像,运用深度卷积神经网络（Convolutional Neural Network,CNN）技术设计并实现了粮仓害虫监测系统。论文主要完成的研究工作如下:（1）提出了L-SSD害虫检测网络,实现了对6类常见粮仓害虫在有粮食碎粒背景下的种类判别和定位。在SSD-V网络的基础上,通过降低部分卷积层尺度来提升训练速度,优化损失函数以增加难例样本的利用率,增加网络的锚点类别数和优化置信度阈值来提升害虫的检出率,测试结果表明:L-SSD网络相比于其他目标检测网络对粮仓害虫检测的mAP（Mean Average Precision）值提升了1.5%¹0.8%,相比较于不同类型的SSD网络提升了1.8%³%。（2）针对害... 

【文章来源】：江苏大学江苏省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

福岛邦彦提出的神经认知器模型

基于深度卷积神经网络的粮仓害虫监测系统实现8池化层（PoolingLayer）的作用。YannLeCun在1989年设计了应用于计算机视觉领域的CNN结构，即LeNet的初代版本。LeNet由2个卷积层和2个全连接层组成，结构上与如今的CNN非常接近。LeCun对权重进行随机初始化后采用了随机梯度下降[34]（StochasticGradientDescent，SGD）进行学习，这一策略为后来的深度学习所沿用。1998年，YannLeCun等[35]人通过不断完善LeNet模型，提出一种更优秀的CNN结构：LeNet-5，其结构如图2.2所示。科学条件下，该网络在识别手写数字时取得了高于99%的准确率，使其被大规模地应用于手写邮政编码的识别。图2.2LeNet-5网络的架构Figure2.2ThearchitectureofLeNet-5networkLeNet-5采用了LeNet的学习策略并在原有设计中加入了池化层，可以对输入特征进行筛眩LeNet-5及其后的变体定义了现代卷积神经网络的基本结构，其网络结构中的卷积层-池化层能够提取图像的平移不变特征。LeNet-5的成功使得各个领域纷纷开始研究CNN，微软利用CNN开发了字符识别系统。CNN也被逐渐应用于物体识别、人脸识别[36]等。在深度学习理论被提出后，CNN的表征学习能力得到了广泛关注，AlexNet、ZFNet、VGGNet、GoogLeNet和ResNet等复杂结构的卷积网络都是ImageNet视觉识别竞赛的佼佼者。CNN拥有多极化的层次结构，它主要的计算层有卷积层和池化层。CNN经过卷积、池化等运算后，会将输入数据中平移不变的信息提取出来。CNN计算出预测值与实际值之间的误差后，运用反向传播算法[37]将误差在反复迭代中不断修正。2.1.2CNN的结构层1、卷积层

江苏大学工程硕士学位论文9卷积层的主要任务是对输入数据进行卷积计算。卷积计算是CNN中应用最频繁的运算。卷积的过程实际就是输入数据与卷积核相乘和相加的过程，如图2.3所示，输入的是5×5的图像矩阵，卷积核是3×3的预设矩阵。图2.3卷积核与图像矩阵化Figure2.3Convolutionkernelandimagematrix图2.4卷积计算过程Figure2.4Theprocessofconvolutioncalculation卷积计算过程如图2.4所示，从图像最左上角的第一个像素依次进行卷积计算，图中卷积核的预设值和相应图像位置的像素相乘累加，最后获得33的卷积特征矩阵。2、池化层

【参考文献】：
期刊论文
[1]基于卷积神经网络的候选区域优化算法[J]. 王春哲,安军社,姜秀杰,邢笑雪.  中国光学. 2019(06)
[2]一种结合Dropblock和Dropout的正则化策略[J]. 胡辉,司凤洋,曾琛,舒文璐.  河南师范大学学报(自然科学版). 2019(06)
[3]储粮害虫在线监测技术研究进展[J]. 张京宣,李明哲,伦才智,刘鑫.  现代农业科技. 2019(10)
[4]基于Darknet框架下YOLO v2算法的车辆多目标检测方法[J]. 李珣,刘瑶,李鹏飞,张蕾,赵征凡.  交通运输工程学报. 2018(06)
[5]储粮害虫在线监测技术的研究进展[J]. 马彬,金志明,蒋旭初,万小进,肖雄雄,陈利香,鲁玉杰.  粮食储藏. 2018(02)
[6]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇.  计算机工程与设计. 2018(02)
[7]基于深度卷积神经网络的储粮害虫图像识别[J]. 程曦,吴云志,张友华,乐毅.  中国农学通报. 2018(01)
[8]基于卷积神经网的单幅图像超分辨率重建算法[J]. 刘晨羽,蒋云飞,李学明.  计算机辅助设计与图形学学报. 2017(09)
[9]基于选择性搜索和卷积神经网络的人脸检测[J]. 吴素雯,战荫伟.  计算机应用研究. 2017(09)
[10]基于卷积神经网络的连续语音识别[J]. 张晴晴,刘勇,潘接林,颜永红.  工程科学学报. 2015(09)

硕士论文
[1]储粮害虫图像识别研究平台的设计与实现[D]. 赵彬宇.北京邮电大学 2019
[2]基于生成对抗神经网络的核磁共振多加权成像方法[D]. 陈眺.江苏大学 2019
[3]基于深度学习的目标检测算法在储粮害虫检测识别中的应用[D]. 刘治财.北京邮电大学 2019
[4]基于虚拟现实技术的三维可重构储粮害虫监测系统的设计与实现[D]. 王森.北京邮电大学 2018
[5]基于深度学习的储粮害虫图像识别与分类方法研究[D]. 赵文君.河南工业大学 2018
[6]基于深度学习的储粮害虫检测算法的研究[D]. 沈驭风.北京邮电大学 2018
[7]基于深度学习的储粮害虫检测方法研究[D]. 程尚坤.河南工业大学 2017
[8]基于声音信号处理的农业虫害识别系统[D]. 贾琪.山东大学 2016
[9]基于深度学习的自然场景文字识别[D]. 黄攀.浙江大学 2016
[10]基于图像识别的储粮害虫检测专家系统的研究[D]. 梅雪.北京邮电大学 2009



本文编号：3133069