基于深度学习的水稻灯诱害虫检测方法的研究与优化
发布时间：2021-10-23 00:03
我国水稻每年因害虫造成损失严重,对水稻害虫进行实时准确的监测是减少经济损失的重要前提。利用测报灯监测田间水稻害虫简单易行,可诱集多种害虫,从而得到广泛应用。目前测报灯采集的图像仍旧需要人工识别与计数目标害虫,这种方法存在费时、费力和主观性强等问题。随着人工智能的发展,利用机器视觉技术实现测报灯自动识别与计数测报害虫已成为可能。本文针对测报灯采集到的灯诱昆虫图像存在昆虫粘连导致测报害虫误检和漏检严重的问题,提出一种改进YOLO-v3的水稻灯诱害虫检测模型（YOLO-pest）,对3种测报害虫（稻纵卷叶螟、二化螟和大螟）进行检测与识别。主要研究内容与结果包括:（1）基于深度学习的水稻灯诱害虫不同检测算法的研究。目标检测算法一般分为基于区域提名的two-stage目标检测算法（如Faster R-CNN、Cascade R-CNN等）和基于端到端的one-stage目标检测算法（如YOLO系列、SSD）两种。本文分别训练了基于Faster R-CNN和基于YOLO-v3两类害虫检测模型,对水稻灯诱害虫图像上的3种目标害虫进行检测,测试结果表明基于YOLO-v3的水稻灯诱害虫检测模型具有更高的...
【文章来源】：浙江理工大学浙江省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图２．１?Ｒ－ＣＮＩＮ算法结构图??
逝ｆｆ理工大学学术硕士学位论文?基于深度学习的水稻灯诱害虫检测方法的研宄与优化??择搜索算法仍然存在生成正负样本候选框的问题。其算法结构如图２．２所示。??—二??＼?Ｎ?ｃ?ｔ?Ｒ〇Ｉ?ＪｉｉＦＣ??＇．：☆?、、】?ｐ＾．?ｉ＞７，ｉ，ｎｇ?ｒｘ，丨七、｜??ＲＯｌ?ｆｅａｔｕｒｅ?ｖｅｃｔｏｒ??■■■■■■■■■■■■■■■■■■■Ｉ??Ｃｏｍ?ｌｅａｔｕｒｃ?ｍａｐ??图２．２?Ｆａｓｔ?Ｒ－ＣＮＮ算法结构图??Ｆａｓｔ?Ｒ－ＣＮＮ算法采用了?ｔｗｏ－ｓｔａｇｅ网络结构，为了解决Ｆａｓｔ?Ｒ－ＣＮＮ算法的不足，２０丨５??年，微软研宂院的提出了一种更快的Ｒ－ＣＮＮ算法，命名为ＦａｓｔｅｒＲ－ＣＮＮＷ。设计ＲＰＮ??（Ｒｅｇｉｏｎ?Ｐｒｏｐｏｓｉｔｉｏｎ?Ｎｅｔｗｏｒｋｓ）网络生成样本，并将算法结构分为两部分。ＲＰＮ网络首先确??定候选框是否为目标，然后分类定位的多任务损失确定目标类型。整个网络过程可以节省??由共享卷积神经网络提取的特征信息的计算量，并解决了?Ｆａｓｔ?Ｒ－ＣＮＮ算法正、负样本候??选框生成缓慢的问题，避免了过度的候选框提取，降低了算法的精度。然而，由于ＲＰＮ网??络可以在一个固定大小的卷积特征映射中生成多个尺寸的候选框，因此变化的目标尺寸和??固定的感受野是不一致的。Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构如图２．３所示。??Ａｋ?Ｃｌａｓｓｉｆｉｅｒ??Ｒ〇ｌ??ｐｒｏｐｏｓａｌｓ?Ａ??ｊ?ｐｊｊ?Ａ／?ｒＪ??Ｒｅｇｉｏｎ?ｌ＾ｏｐｏｓａｌ?ｉｋ??Ｆｅａｔｕｒｅ??ｃ°ｎ—?３｜ｒ??ｎ苓、．??图２．３?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构??Ｆａｓｔｅｒ?Ｒ－ＣＮ
逝ｆｆ理工大学学术硕士学位论文?基于深度学习的水稻灯诱害虫检测方法的研宄与优化??择搜索算法仍然存在生成正负样本候选框的问题。其算法结构如图２．２所示。??—二??＼?Ｎ?ｃ?ｔ?Ｒ〇Ｉ?ＪｉｉＦＣ??＇．：☆?、、】?ｐ＾．?ｉ＞７，ｉ，ｎｇ?ｒｘ，丨七、｜??ＲＯｌ?ｆｅａｔｕｒｅ?ｖｅｃｔｏｒ??■■■■■■■■■■■■■■■■■■■Ｉ??Ｃｏｍ?ｌｅａｔｕｒｃ?ｍａｐ??图２．２?Ｆａｓｔ?Ｒ－ＣＮＮ算法结构图??Ｆａｓｔ?Ｒ－ＣＮＮ算法采用了?ｔｗｏ－ｓｔａｇｅ网络结构，为了解决Ｆａｓｔ?Ｒ－ＣＮＮ算法的不足，２０丨５??年，微软研宂院的提出了一种更快的Ｒ－ＣＮＮ算法，命名为ＦａｓｔｅｒＲ－ＣＮＮＷ。设计ＲＰＮ??（Ｒｅｇｉｏｎ?Ｐｒｏｐｏｓｉｔｉｏｎ?Ｎｅｔｗｏｒｋｓ）网络生成样本，并将算法结构分为两部分。ＲＰＮ网络首先确??定候选框是否为目标，然后分类定位的多任务损失确定目标类型。整个网络过程可以节省??由共享卷积神经网络提取的特征信息的计算量，并解决了?Ｆａｓｔ?Ｒ－ＣＮＮ算法正、负样本候??选框生成缓慢的问题，避免了过度的候选框提取，降低了算法的精度。然而，由于ＲＰＮ网??络可以在一个固定大小的卷积特征映射中生成多个尺寸的候选框，因此变化的目标尺寸和??固定的感受野是不一致的。Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构如图２．３所示。??Ａｋ?Ｃｌａｓｓｉｆｉｅｒ??Ｒ〇ｌ??ｐｒｏｐｏｓａｌｓ?Ａ??ｊ?ｐｊｊ?Ａ／?ｒＪ??Ｒｅｇｉｏｎ?ｌ＾ｏｐｏｓａｌ?ｉｋ??Ｆｅａｔｕｒｅ??ｃ°ｎ—?３｜ｒ??ｎ苓、．??图２．３?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构??Ｆａｓｔｅｒ?Ｒ－ＣＮ
【参考文献】：
期刊论文
[1]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)
[2]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)
[3]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)
[4]基于颜色特征的昆虫自动鉴定方法[J]. 刘芳,沈佐锐,张建伟,杨红珍. 昆虫知识. 2008(01)
[5]基于图像的昆虫远程自动识别系统的研究[J]. 杨红珍,张建伟,李湘涛,沈佐锐. 农业工程学报. 2008(01)
[6]基于机器视觉的大田害虫检测系统[J]. 邱道尹,张红涛,刘新宇,刘彦楠. 农业机械学报. 2007(01)
博士论文
[1]水稻主要病虫害胁迫遥感监测研究[D]. 刘占宇.浙江大学 2008
硕士论文
[1]基于深度学习的农业灯诱害虫自动识别与计数技术的研究[D]. 周爱明.浙江理工大学 2019
[2]基于深度学习的鳞翅目昆虫图像处理研究[D]. 马梦园.浙江工商大学 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
[5]基于支持向量机SVM的水稻害虫图像识别技术研究[D]. 李文斌.杭州电子科技大学 2015
[6]基于图像的水稻灯诱害虫识别技术的研究[D]. 冼鼎翔.浙江理工大学 2015
[7]基于图像的害虫自动计数与识别系统的研究[D]. 荆晓冉.浙江大学 2014
[8]支持向量机中Sigmoid核函数的研究[D]. 刘明.西安电子科技大学 2009
[9]基于神经网络的水稻三化螟识别系统的设计与实现[D]. 王剑.中国农业科学院 2006
本文编号：3452072
【文章来源】：浙江理工大学浙江省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
图２．１?Ｒ－ＣＮＩＮ算法结构图??
逝ｆｆ理工大学学术硕士学位论文?基于深度学习的水稻灯诱害虫检测方法的研宄与优化??择搜索算法仍然存在生成正负样本候选框的问题。其算法结构如图２．２所示。??—二??＼?Ｎ?ｃ?ｔ?Ｒ〇Ｉ?ＪｉｉＦＣ??＇．：☆?、、】?ｐ＾．?ｉ＞７，ｉ，ｎｇ?ｒｘ，丨七、｜??ＲＯｌ?ｆｅａｔｕｒｅ?ｖｅｃｔｏｒ??■■■■■■■■■■■■■■■■■■■Ｉ??Ｃｏｍ?ｌｅａｔｕｒｃ?ｍａｐ??图２．２?Ｆａｓｔ?Ｒ－ＣＮＮ算法结构图??Ｆａｓｔ?Ｒ－ＣＮＮ算法采用了?ｔｗｏ－ｓｔａｇｅ网络结构，为了解决Ｆａｓｔ?Ｒ－ＣＮＮ算法的不足，２０丨５??年，微软研宂院的提出了一种更快的Ｒ－ＣＮＮ算法，命名为ＦａｓｔｅｒＲ－ＣＮＮＷ。设计ＲＰＮ??（Ｒｅｇｉｏｎ?Ｐｒｏｐｏｓｉｔｉｏｎ?Ｎｅｔｗｏｒｋｓ）网络生成样本，并将算法结构分为两部分。ＲＰＮ网络首先确??定候选框是否为目标，然后分类定位的多任务损失确定目标类型。整个网络过程可以节省??由共享卷积神经网络提取的特征信息的计算量，并解决了?Ｆａｓｔ?Ｒ－ＣＮＮ算法正、负样本候??选框生成缓慢的问题，避免了过度的候选框提取，降低了算法的精度。然而，由于ＲＰＮ网??络可以在一个固定大小的卷积特征映射中生成多个尺寸的候选框，因此变化的目标尺寸和??固定的感受野是不一致的。Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构如图２．３所示。??Ａｋ?Ｃｌａｓｓｉｆｉｅｒ??Ｒ〇ｌ??ｐｒｏｐｏｓａｌｓ?Ａ??ｊ?ｐｊｊ?Ａ／?ｒＪ??Ｒｅｇｉｏｎ?ｌ＾ｏｐｏｓａｌ?ｉｋ??Ｆｅａｔｕｒｅ??ｃ°ｎ—?３｜ｒ??ｎ苓、．??图２．３?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构??Ｆａｓｔｅｒ?Ｒ－ＣＮ
逝ｆｆ理工大学学术硕士学位论文?基于深度学习的水稻灯诱害虫检测方法的研宄与优化??择搜索算法仍然存在生成正负样本候选框的问题。其算法结构如图２．２所示。??—二??＼?Ｎ?ｃ?ｔ?Ｒ〇Ｉ?ＪｉｉＦＣ??＇．：☆?、、】?ｐ＾．?ｉ＞７，ｉ，ｎｇ?ｒｘ，丨七、｜??ＲＯｌ?ｆｅａｔｕｒｅ?ｖｅｃｔｏｒ??■■■■■■■■■■■■■■■■■■■Ｉ??Ｃｏｍ?ｌｅａｔｕｒｃ?ｍａｐ??图２．２?Ｆａｓｔ?Ｒ－ＣＮＮ算法结构图??Ｆａｓｔ?Ｒ－ＣＮＮ算法采用了?ｔｗｏ－ｓｔａｇｅ网络结构，为了解决Ｆａｓｔ?Ｒ－ＣＮＮ算法的不足，２０丨５??年，微软研宂院的提出了一种更快的Ｒ－ＣＮＮ算法，命名为ＦａｓｔｅｒＲ－ＣＮＮＷ。设计ＲＰＮ??（Ｒｅｇｉｏｎ?Ｐｒｏｐｏｓｉｔｉｏｎ?Ｎｅｔｗｏｒｋｓ）网络生成样本，并将算法结构分为两部分。ＲＰＮ网络首先确??定候选框是否为目标，然后分类定位的多任务损失确定目标类型。整个网络过程可以节省??由共享卷积神经网络提取的特征信息的计算量，并解决了?Ｆａｓｔ?Ｒ－ＣＮＮ算法正、负样本候??选框生成缓慢的问题，避免了过度的候选框提取，降低了算法的精度。然而，由于ＲＰＮ网??络可以在一个固定大小的卷积特征映射中生成多个尺寸的候选框，因此变化的目标尺寸和??固定的感受野是不一致的。Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构如图２．３所示。??Ａｋ?Ｃｌａｓｓｉｆｉｅｒ??Ｒ〇ｌ??ｐｒｏｐｏｓａｌｓ?Ａ??ｊ?ｐｊｊ?Ａ／?ｒＪ??Ｒｅｇｉｏｎ?ｌ＾ｏｐｏｓａｌ?ｉｋ??Ｆｅａｔｕｒｅ??ｃ°ｎ—?３｜ｒ??ｎ苓、．??图２．３?Ｆａｓｔｅｒ?Ｒ－ＣＮＮ网络结构??Ｆａｓｔｅｒ?Ｒ－ＣＮ
【参考文献】：
期刊论文
[1]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)
[2]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)
[3]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)
[4]基于颜色特征的昆虫自动鉴定方法[J]. 刘芳,沈佐锐,张建伟,杨红珍. 昆虫知识. 2008(01)
[5]基于图像的昆虫远程自动识别系统的研究[J]. 杨红珍,张建伟,李湘涛,沈佐锐. 农业工程学报. 2008(01)
[6]基于机器视觉的大田害虫检测系统[J]. 邱道尹,张红涛,刘新宇,刘彦楠. 农业机械学报. 2007(01)
博士论文
[1]水稻主要病虫害胁迫遥感监测研究[D]. 刘占宇.浙江大学 2008
硕士论文
[1]基于深度学习的农业灯诱害虫自动识别与计数技术的研究[D]. 周爱明.浙江理工大学 2019
[2]基于深度学习的鳞翅目昆虫图像处理研究[D]. 马梦园.浙江工商大学 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
[5]基于支持向量机SVM的水稻害虫图像识别技术研究[D]. 李文斌.杭州电子科技大学 2015
[6]基于图像的水稻灯诱害虫识别技术的研究[D]. 冼鼎翔.浙江理工大学 2015
[7]基于图像的害虫自动计数与识别系统的研究[D]. 荆晓冉.浙江大学 2014
[8]支持向量机中Sigmoid核函数的研究[D]. 刘明.西安电子科技大学 2009
[9]基于神经网络的水稻三化螟识别系统的设计与实现[D]. 王剑.中国农业科学院 2006
本文编号：3452072
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3452072.html
最近更新
教材专著
