基于深度学习的目标检测算法在农田害虫检测识别中的应用
发布时间：2022-02-26 15:02
为了能够对农田中发生的病虫害进行实时高效的监测,有一个关键的技术需要突破,那就是要实现农田害虫图像的自动检测识别。关于农田害虫的检测方法有很多种,本课题的研究是在深度学习的基础上,使用一些目标检测技术对农田害虫进行检测识别,卷积神经网络在特征学习能力方面表现优异,能很好的提取关于农田害虫有关的图像信息,以此来提高检测模型的效果和性能。本文用来进行研究的样本主要是一些农田中常见的害虫,探讨了农田害虫数据集的制作,设计了农田害虫的检测模型,并且针对设计的模型做了一系列优化工作,本论文也是通过这三个内容研究的顺序来展开。首先通过理论方面的分析进行研究,同时结合了一些实验来进行验证。主要的工作和研究成果如下:（1）通过网络搜索整理了10种农田害虫图像,共2472个样本,并作了标注。采用对原始图像进行旋转平移等基本操作和添加噪声的方法对收集的样本集进行了扩充,图像数量达到了12474,完成农田害虫数据集制作。制作的数据集可被用于和农田害虫检测相关的研究领域中。（2）针对农田害虫检测识别这一具体任务的研究特性,从理论分析选择Faster R-CNN作为本文研究的目标检测算法,并且为了获得更好的检测...
【文章来源】：济南大学山东省
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 选题的背景和意义
1.2 国内外研究现状
1.2.1 农田害虫检测识别方法研究现状
1.2.2 农田害虫检测识别研究现状的总结分析
1.3 论文研究内容
1.4 论文组织结构
第二章 基于深度学习的图像检测识别技术与理论
2.1 深度学习
2.1.1 深度学习概述
2.1.2 深度学习框架
2.2 卷积神经网络
2.2.1 卷积神经网络的基本概念
2.2.2 经典的卷积神经网络结构
2.3 目标检测算法
2.3.1 传统目标检测算法
2.3.2 基于深度学习的目标检测方法
2.4 本章小结
第三章 农田害虫数据集生成与检测模型选取
3.1 农田害虫样本的采集
3.2 样本集扩充与数据集构建
3.2.1 农田害虫样本集划分
3.2.2 农田害虫样本集扩充
3.2.3 农田害虫数据集制作
3.3 检测模型的选取
3.3.1 目标检测算法的选取
3.3.2 卷积神经网络模型的选取
3.3.3 模型的训练
3.4 实验与分析
3.4.1 实验环境
3.4.2 样本集扩充效果对比实验
3.4.3 网络模型的对比实验
3.5 农田害虫检测模型的设计与实验
3.6 本章小结
第四章 农田害虫检测模型的优化与改进
4.1 农田害虫数据集优化
4.2 目标检测算法优化
4.2.1 Refine Det算法
4.2.2 改进的ARM模块
4.2.3 TCB模块
4.2.4 ODM模块
4.3 实验与分析
4.3.1 数据集扩充的对比实验
4.3.2 ARM基础网络优化的对比实验
4.3.3 网络锚点优化的对比实验
4.4 训练算法优化
4.4.1 随机梯度下降算法
4.4.2 基于SGD的损失值监控自适应学习率下降算法优化
4.4.3 基于优化训练算法的验证实验
4.5 优化后农田害虫检测模型的设计与实验
4.6 本章小结
第五章 结论与展望
参考文献
致谢
附录
【参考文献】：
期刊论文
[1]基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别（英文）[J]. 潘春华,肖德琴,林探宇,王春桃. 农业工程学报. 2018(08)
[2]基于机器视觉的茶小绿叶蝉识别方法研究[J]. 陈晶,朱启兵,黄敏,郑阳. 激光与光电子学进展. 2018(01)
[3]基于K-means聚类算法的叶螨图像分割与识别[J]. 刘国成,张杨,黄建华,汤文亮. 昆虫学报. 2015 (12)
[4]基于稀疏表示的多特征融合害虫图像识别[J]. 胡永强,宋良图,张洁,谢成军,李瑞. 模式识别与人工智能. 2014(11)
[5]农作物病虫害图像识别技术的研究综述[J]. 汪京京,张武,刘连忠,黄帅. 计算机工程与科学. 2014(07)
博士论文
[1]基于机器视觉的农田害虫快速检测与识别研究[D]. 韩瑞珍.浙江大学 2014
硕士论文
[1]基于深度学习的油菜典型害虫快速检测研究[D]. 曾鸿.浙江大学 2019
[2]基于深度学习的昆虫图像识别研究[D]. 秦放.西南交通大学 2018
[3]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
[4]基于图像识别的储粮害虫检测[D]. 王德发.北京邮电大学 2017
[5]基于数字图像处理的棉花害虫识别体系研究[D]. 杨文翰.四川农业大学 2015
[6]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
[7]基于图像识别的作物病害诊断研究[D]. 耿英.中国科学技术大学 2009
本文编号：3644670
【文章来源】：济南大学山东省
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 选题的背景和意义
1.2 国内外研究现状
1.2.1 农田害虫检测识别方法研究现状
1.2.2 农田害虫检测识别研究现状的总结分析
1.3 论文研究内容
1.4 论文组织结构
第二章 基于深度学习的图像检测识别技术与理论
2.1 深度学习
2.1.1 深度学习概述
2.1.2 深度学习框架
2.2 卷积神经网络
2.2.1 卷积神经网络的基本概念
2.2.2 经典的卷积神经网络结构
2.3 目标检测算法
2.3.1 传统目标检测算法
2.3.2 基于深度学习的目标检测方法
2.4 本章小结
第三章 农田害虫数据集生成与检测模型选取
3.1 农田害虫样本的采集
3.2 样本集扩充与数据集构建
3.2.1 农田害虫样本集划分
3.2.2 农田害虫样本集扩充
3.2.3 农田害虫数据集制作
3.3 检测模型的选取
3.3.1 目标检测算法的选取
3.3.2 卷积神经网络模型的选取
3.3.3 模型的训练
3.4 实验与分析
3.4.1 实验环境
3.4.2 样本集扩充效果对比实验
3.4.3 网络模型的对比实验
3.5 农田害虫检测模型的设计与实验
3.6 本章小结
第四章 农田害虫检测模型的优化与改进
4.1 农田害虫数据集优化
4.2 目标检测算法优化
4.2.1 Refine Det算法
4.2.2 改进的ARM模块
4.2.3 TCB模块
4.2.4 ODM模块
4.3 实验与分析
4.3.1 数据集扩充的对比实验
4.3.2 ARM基础网络优化的对比实验
4.3.3 网络锚点优化的对比实验
4.4 训练算法优化
4.4.1 随机梯度下降算法
4.4.2 基于SGD的损失值监控自适应学习率下降算法优化
4.4.3 基于优化训练算法的验证实验
4.5 优化后农田害虫检测模型的设计与实验
4.6 本章小结
第五章 结论与展望
参考文献
致谢
附录
【参考文献】：
期刊论文
[1]基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别（英文）[J]. 潘春华,肖德琴,林探宇,王春桃. 农业工程学报. 2018(08)
[2]基于机器视觉的茶小绿叶蝉识别方法研究[J]. 陈晶,朱启兵,黄敏,郑阳. 激光与光电子学进展. 2018(01)
[3]基于K-means聚类算法的叶螨图像分割与识别[J]. 刘国成,张杨,黄建华,汤文亮. 昆虫学报. 2015 (12)
[4]基于稀疏表示的多特征融合害虫图像识别[J]. 胡永强,宋良图,张洁,谢成军,李瑞. 模式识别与人工智能. 2014(11)
[5]农作物病虫害图像识别技术的研究综述[J]. 汪京京,张武,刘连忠,黄帅. 计算机工程与科学. 2014(07)
博士论文
[1]基于机器视觉的农田害虫快速检测与识别研究[D]. 韩瑞珍.浙江大学 2014
硕士论文
[1]基于深度学习的油菜典型害虫快速检测研究[D]. 曾鸿.浙江大学 2019
[2]基于深度学习的昆虫图像识别研究[D]. 秦放.西南交通大学 2018
[3]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
[4]基于图像识别的储粮害虫检测[D]. 王德发.北京邮电大学 2017
[5]基于数字图像处理的棉花害虫识别体系研究[D]. 杨文翰.四川农业大学 2015
[6]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
[7]基于图像识别的作物病害诊断研究[D]. 耿英.中国科学技术大学 2009
本文编号：3644670
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3644670.html
