基于深度学习的昆虫识别方法及其应用

发布时间：2021-05-21 20:17

　　近年来,随着农业向数字化和精准化的方向不断发展,基于传统的昆虫识别方法难以满足现代农业的发展需求,深度学习在图像特征提取和建模上有着明显的优势,取得了较好的成绩,因此,本文采用了深度学习的方法,以Faster R-CNN目标检测算法为基础,提出了一种基于深度学习的昆虫自动识别方法。本文研究按照昆虫图像采集与处理、特征提取网络模型的选取、Faster R-CNN模型优化和改进的顺序开展,通过将理论与实验相结合的方式进行对比分析。主要的工作和研究内容如下:（1）首先介绍了本文的研究背景、意义以及农作物昆虫识别技术的研究现状,对深度学习理论进行了详细的阐述,重点介绍了卷积神经网络的各层及工作原理,对基于区域检测的卷积神经网络Faster R-CNN的发展、检测流程及相关计算进行详细说明。采集并标注了大螟、二化螟和金刚钻三种昆虫图像,共1643张原始样本数据,通过图像旋转、镜像变换、改变图像饱和度、亮度以及图像高斯加噪等方法对原始数据集进行了增强,将样本数量扩充至2390张,并根据Faster R-CNN的数据格式要求,制作出了昆虫VOC数据集;（2）详细介绍了VGG16与ResNet101两... 

【文章来源】：湖南农业大学湖南省

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景和意义
    1.2 农作物昆虫识别技术研究现状
        1.2.1 声音检测识别技术研究
        1.2.2 光谱检测识别技术研究
        1.2.3 计算机视觉识别技术研究
        1.2.4 基于深度学习的识别技术研究
    1.3 研究内容
    1.4 论文组织结构
2 深度学习理论
    2.1 深度学习发展历史
    2.2 人工神经网络及误差反向传播算法
        2.2.1 人工神经网络
        2.2.2 误差反向传播算法
    2.3 卷积神经网络
        2.3.1 卷积层(Convolution Layer)
        2.3.2 池化层(Pooling layer)
        2.3.3 激活层(Activation layer)
        2.3.4 全连接层(FullyConnected Layers,FC)
        2.3.5 输出层
    2.4 Faster R-CNN目标检测算法
        2.4.1 Faster R-CNN识别检测流程
        2.4.2 区域生成网络RPN
        2.4.3 RPN loss计算
    2.5 本章小结
3 农作物昆虫图像数据采集与处理
    3.1 图像数据采集
    3.2 数据增强
        3.2.1 图像旋转
        3.2.2 图像镜像变换
        3.2.3 改变图像饱和度
        3.2.4 改变图像亮度
        3.2.5 添加高斯噪声
    3.3 制作昆虫图像数据集
    3.4 本章小结
4 基于Faster R-CNN的昆虫图像识别
    4.1 实验环境与Tensorflow框架介绍
        4.1.1 实验环境
        4.1.2 Tensorflow深度学习框架
    4.2 基于Faster R-CNN的网络模型选取
        4.2.1 VGG16
        4.2.2 ResNet101
        4.2.3 实验结果对比分析
    4.3 Faster R-CNN网络改进
        4.3.1 常用优化算法
        4.3.2 优化算法实验对比分析
        4.3.3 Momentum优化算法的改进
        4.3.4 实验对比分析
    4.4 本章小结
5 总结与展望
    5.1 全文总结
    5.2 研究展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于高光谱的设施黄瓜蚜虫虫害检测及其预测模型[J]. 吴雅茹,赵家奇,胡祖庆.  陕西农业科学. 2018(08)
[2]基于卷积神经网络的白背飞虱识别方法[J]. 刘德营,王家亮,林相泽,陈京,於海明.  农业机械学报. 2018(05)
[3]基于深度学习和稀疏表示的害虫识别算法[J]. 张苗辉,李俊辉,李佩琛.  河南大学学报(自然科学版). 2018(02)
[4]基于高光谱的番茄叶片斑潜蝇虫害检测[J]. 李翠玲,姜凯,马伟,王秀,孟志军,赵学观,宋健.  光谱学与光谱分析. 2018(01)
[5]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)
[6]基于卷积神经网络的水稻虫害识别[J]. 梁万杰,曹宏鑫.  江苏农业科学. 2017(20)
[7]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸.  计算机应用研究. 2018(07)
[8]基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 杨国国,鲍一丹,刘子毅.  农业工程学报. 2017(06)
[9]基于多时相HJ卫星遥感影像的稻纵卷叶螟发生情况监测[J]. 包云轩,李玉婷,王琳,高文婷,朱凤.  中国农业气象. 2016(04)
[10]基于颜色特征的油菜害虫机器视觉诊断研究[J]. 朱莉,罗靖,徐胜勇,杨勇,赵海涛,李卫豪.  农机化研究. 2016(06)

博士论文
[1]基于图谱特征分析的农业虫害检测方法研究[D]. 刘子毅.浙江大学 2017
[2]基于机器视觉的害虫识别方法研究[D]. 吴翔.浙江大学 2016
[3]基于机器视觉的果园性诱害虫在线识别与计数方法研究[D]. 李文勇.中国农业大学 2015
[4]多功能昆虫鸣声信号采集与分析系统及其在褐飞虱声通讯研究中的应用[D]. 姚青.中国农业科学院 2003

硕士论文
[1]基于机器视觉的豆荚内部害虫检测技术研究[D]. 张成龙.黑龙江八一农垦大学 2018
[2]基于卷积神经网络的自动昆虫声音识别系统[D]. 董雪.山东大学 2018
[3]基于深度学习的稻飞虱图像分类识别的研究[D]. 陈国特.浙江理工大学 2018
[4]基于卷积神经网络的若干模式识别问题研究[D]. 王朋友.河南大学 2017
[5]基于卷积神经网络的可见光图像农作物病虫害的检测[D]. 卫智熠.哈尔滨工业大学 2017
[6]基于机器视觉的中华稻蝗早期蝗蝻的识别和检测研究[D]. 杨国国.浙江大学 2017
[7]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶.重庆大学 2017
[8]基于机器视觉与可见光谱信息的甘蓝虫害检测方法研究[D]. 张震.内蒙古农业大学 2016
[9]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
[10]基于图像的水稻田间稻飞虱分类方法研究[D]. 王凯.浙江理工大学 2016



本文编号：3200316