基于深度学习的昆虫轻量级检测模型研究

发布时间：2020-05-14 10:49

【摘要】：准确及时的虫情监测是农林业虫灾预警的关键技术。目前,林业诱捕器监测领域仍大量依赖人工的识别计数,另一方面,已有的基于图像的昆虫检测方法对拍摄环境要求较高或需要手动的预处理操作,难以满足实际应用需求。基于此,本文提出基于深度学习目标检测技术的昆虫检测方法,探索利用深度学习技术实现不同场景下的昆虫自动检测的可行性,在模型的设计上,充分考虑应用需求,设计能在嵌入式设备或笔记本电脑上运行的轻量级检测模型,摆脱检测过程对大型工作站的依赖。一方面,本文设计联合识别模型,针对高分辨率图像将检测过程分为定位和分类两个阶段,以较低的运算和存储开销处理高分辨率昆虫图片。实验结果表明,在农作物害虫数据集上,联合识别模型的平均整体准确率为0.833,较标准检测模型提高了13.5%,在GPU服务器和笔记本电脑上,单张图的平均检测时间比高分辨率检测模型分别快 45.17%和 66.65%。另一方面,本文设计轻量级检测模型,通过特征提取器、特征金字塔和预测模块的优化对模型进行了运算量和体积的压缩以及检测能力的强化,实现了模型在嵌入式设备的运行,实验结果表明,在蠹虫数据集上,轻量级检测模型的红脂大小蠹平均准确率为0.746,在Jetson TX2和Raspberry Pi 3B上单张图的平均检测时间分别为0.448s和23.44s。通过实验,本文实现了不同场景下的昆虫自动化检测,有效验证了基于深度学习的目标检测技术在虫情监测领域的可行性,改进的轻量级检测模型可为林业虫情监测物联网的建立提供核心识别技术。
【图文】：

（ａ）逦（ｂ）逡逑图２．１深度可分离卷积和标准卷积对比图逡逑Ｆｉｇｕｒｅ邋２．１邋Ｃｏｍｐａｒｉｓｏｎ邋ｂｅｔｗｅｅｎ邋ｔｈｅ邋ｄｅｐｔｈｗｉｓｅ邋ｓｅｐａｒａｂｌｅ邋ｃｏｎｖｏｌｕｔｉｏｎ邋ａｎｄ邋ｔｈｅ邋ｓｔａｎｄａｒｄ邋ｃｏｎｖｏｌｕｔｉｏｎ逡逑卷积神经网络中最常用的卷积滹波器大小为３ｘ３，结合公式（２－１），邋３ｘ３卷积滤逡逑波器，即砧＝３时，标准卷积的计算量是深度可分离卷积的计算量的８至９倍，另一逡逑方面，卷积结构的改变对精度的影响相对有限。因此，通过深度可分离卷积结构，逡逑ＭｏｂｉｌｅＮｅｔ模型可在精度不变或略微下降的情况下，大规模缩小模型体积和运行时间。逡逑２．３目标检测模型及评价指标逡逑２．３．１邋Ｍａｓｋ邋Ｒ－ＣＮＮ逡逑．？逦＼邋■邋＇Ｍ邋．邋？￥＃？？？邋？邋逦逦？：逡逑＋逦Ｍ删口丨逡逑Ｉ邋~忓澹蓿祝恚疲蓿苠义鲜淙脲澹瑁ⅲ�邋；逦＿个｜邋特征同ｉ－邋——■邋ｒ－＾ＲｏＩ邋Ａｌｉｇｎ邋ｆ邋ｊ邋１４ｘｉ４邋特征图逦：逡逑／＇＇逦ｆ？ｓｏｆｔｒｏａｘ邋：逦＼逦！邋／Ａ逦ｓｏｆｔｍａｘｉ逦１邋：逡逑＼邋１逦．、全~|、，／￣Ｈ邋＾逦１：逡逑Ｄ灥Ｌ＾ｌ邋／］邋0／逦＾邋—邋－－Ｑ＇邋＂邋ｌ逦：逡逑：．？￡逦ｉ邋ｆｙ逡逑？邋｜『仩ｇ域刚．逦；Ｌｒ逦：逡逑r2积，Ｌ逦：逦巧彟逦逦逦；逡逑图２．２邋Ｍａｓｋ邋Ｒ－ＣＮＮ模型结构逡逑Ｆｉｇｕｒｅ邋２．２邋Ｔｌｉｅ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋Ｍａｓｋ邋Ｒ－Ｃ

逦２关键技术简介逦逡逑度的特征图，ＲｅｔｉｎａＮｅｔ选取ＲｅｓＮｅｔ５０作为特征提取器，并利用｛Ｃｏｏｔ３，Ｑｗｖ４，Ｑｗｖ５｝逡逑三个模块输出的三个特征层｛Ｃ３，Ｃ４，Ｃ５；［进行下一步的操作。相对输入图像，，三个特逡逑征图的分辨率分别压缩至？［１／８，１／１６，１／３２｝。逡逑
【学位授予单位】：北京林业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S433;TP18;TP391.41

【相似文献】

中国期刊全文数据库 前10条

1 贾蓓;李敬华;肖飞;;基于复杂电磁环境的信号检测模型构建分析[J];信息技术与信息化;2015年09期

2 蔡静;;考虑检测影响的贮存-检测模型及其参数估计[J];湖北民族学院学报(自然科学版);2012年02期

3 董斯维;郭斌;余力;;个性化推荐攻击检测模型研究[J];农业网络信息;2006年12期

4 任涵;李勇;吕天雯;;基于自适应遗传算法的猕猴桃组培检测模型[J];计算机与应用化学;2016年12期

5 李一男;刘永平;王汝琳;;一种矿用红外瓦斯传感器的检测模型[J];工矿自动化;2010年01期

6 张强;;一种利用特征选择改进的行人检测模型[J];微型机与应用;2016年02期

7 杨浩;谢昕;李卓群;章玲玲;;网络中隐蔽信道数据安全检测模型研究与仿真[J];计算机仿真;2016年10期

8 严侃;雷江涛;;基于时频分析的水声目标被动检测模型研究[J];鱼雷技术;2015年01期

9 李世淙;云晓春;张永铮;;一种基于分层聚类方法的木马通信行为检测模型[J];计算机研究与发展;2012年S2期

10 孙飞帆;施勇;薛质;;基于权重分析的网页木马检测模型[J];信息安全与通信保密;2012年12期

中国重要会议论文全文数据库 前10条

1 刘俊荣;王文槿;刘宝旭;;一种基于网络行为分析的木马检测模型[A];第十六届全国核电子学与核探测技术学术年会论文集（下册）[C];2012年

2 王建平;张自立;魏华;;战术空域冲突检测模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

3 李京鹏;杨林;刘世栋;;防火墙状态检测模型研究[A];第十八次全国计算机安全学术交流会论文集[C];2003年

4 孙璐;马兆丰;黄勤龙;;基于权限分析的安卓应用程序风险检测模型[A];第十届中国通信学会学术年会论文集[C];2014年

5 范渊;凌霄;;Android程序安全检测模型[A];第28次全国计算机安全学术交流会论文集[C];2013年

6 武照东;刘英凯;刘春;吴秀峰;;Overlay网络的链路故障检测模型[A];2008通信理论与技术新发展——第十三届全国青年通信学术会议论文集（下）[C];2008年

7 刘赛娥;;基于ARP欺骗的以太网检测模型的设计与实现[A];《教师教学能力发展研究》科研成果集（第六卷）[C];2017年

8 周双娥;熊国平;;基于Petri网的故障检测模型的设计与分析[A];第六届中国测试学术会议论文集[C];2010年

9 廖鹏;;基于异常特征的DDoS检测模型[A];经济发展方式转变与自主创新——第十二届中国科学技术协会年会（第四卷）[C];2010年

10 王心觉;;应用LabVIEW的建筑结构健康检测模型和预警系统实验[A];2015年上海-西安声学学会第四届声学学术交流会论文集[C];2015年

中国重要报纸全文数据库 前3条

1 赛迪出版传媒首席记者 郭涛;预见性安全“又快又好”[N];中国计算机报;2018年

2 中联绿盟、李群;IDS的关键：解决好误报和漏报[N];中国计算机报;2002年

3 ;文化力是决定成败的关键因素[N];常州日报;2009年

中国博士学位论文全文数据库 前10条

1 李威;复杂场景目标检测理论与方法研究[D];电子科技大学;2019年

2 白清松;基于QCM的液体检测技术研究[D];电子科技大学;2019年

3 周晓飞;基于机器学习的视觉显著性检测研究[D];上海大学;2018年

4 王燕;基于用户感知与业务特征的电信网络性能监控与检测模型研究[D];西安电子科技大学;2018年

5 邓涛;基于视觉注意的驾驶场景显著性检测模型研究[D];电子科技大学;2018年

6 赵静;网络协议异常检测模型的研究与应用[D];北京交通大学;2010年

7 唐赫;基于生物启发和统计分析相结合的图像显著性检测模型研究[D];华中科技大学;2017年

8 蒋鹏;图像内容显著性检测的理论和方法研究[D];山东大学;2016年

9 李涛;基于上下文的目标检测研究[D];电子科技大学;2016年

10 陈林洁;褪黑激素受体MT1活化的信号转导机制研究及内含肽介导的新型GPCR活化检测模型构建[D];浙江大学;2013年

中国硕士学位论文全文数据库 前10条

1 张陈毅;基于统计方法与深度学习的Webshell检测模型研究与实现[D];江西师范大学;2019年

2 姚振飞;基于卷积神经网络的图像显著性目标检测方法研究[D];燕山大学;2019年

3 李文成;基于多层网络结构的目标草图检测模型[D];上海交通大学;2016年

4 陈钰;基于ELDA集成的多实例目标检测模型[D];上海交通大学;2016年

5 徐凡;基于多监督特征集成显著性物体检测[D];北京工业大学;2019年

6 崔宵洋;高速列车接触网定位器坡度值检测关键技术研究[D];西南交通大学;2019年

7 刘璇昕;基于深度学习的昆虫轻量级检测模型研究[D];北京林业大学;2019年

8 邹四旺;基于深度学习的风暴检测算法分析与研究[D];华南理工大学;2019年

9 黄亚东;蒙古马奶常规营养成分检测与NIR快速检测模型建立[D];内蒙古农业大学;2019年

10 蒋威;基于生成对抗网络的感兴趣区域目标检测方法[D];杭州电子科技大学;2019年

本文编号：2663234