田间麦蜘蛛的深度学习检测研究

发布时间：2020-06-07 19:52

【摘要】：小麦是我国重要的粮食作物之一,提高小麦的产量有助于提高国民的经济水平和生活质量。近年来,随着小麦害虫发生的不断加重,快速而准确的获取害虫数量的动态变化成为迫切需求。麦蜘蛛是小麦害虫的一种,因虫体较小,目前仍使用人工田间目测计数方法。为提高监测田间麦蜘蛛种群数量动态的时效性和准确度,计算机视觉中大量的目标检测方法已经成功应用到农作物虫害的检测中,这些方法具有更加快速、精准、客观、方便等优点,同时大幅的促进了农业现代化。相较于实验条件下得到的害虫图像,实地拍摄的害虫图像因农田环境复杂、光照不稳定、姿态各异,检测将更加困难。传统机器学习目标检测算法基于滑动窗口的区域选择策略没有针对性,时间复杂度高,窗口冗余,且人为设计特征,对于多样性变化没有很好的鲁棒性。深度学习对几何、光照和形变都具有一定程度的不变性,能够自适应的构建特征描述,具有更好的灵活性和泛化能力等优点。本文利用深度学习目标检测算法对田间麦蜘蛛的检测进行初步研究。主要的研究内容及创新点如下:1、研究了近年来比较重要的基于卷积神经网络的目标检测模型。主要研究了两种模型:一是基于候选区域的网络模型,如Faster RCNN、R-FCN等;二是基于回归的网络模型,如YOLO和SSD等。通过麦蜘蛛图像的实验结果分析比较发现,基于区域的模型更适合田间麦蜘蛛的检测,通过改进网络的结构和重要参数,可以取得较高的识别效果。2、提出了基于Faster R-CNN算法的田间麦蜘蛛检测方法。本文在ZF Net的基础上,增加两个Inception模块进行不同尺度的特征提取,并重新设计锚框方案,最终通过实验验证改进后的Faster R-CNN算法使得田间麦蜘蛛的检测性能更高,识别精度达0.8961。3、提出了Faster R-CNN的改进算法,以处理Faster R-CNN算法对原始图像(分辨率为1440*1080)的识别效果较差的问题。对数据集和算法进行如下改进:在数据集上,将训练集转换成四种不同尺度的小图像进行训练,并进行镜像翻转和椒盐噪声处理;在算法上,利用聚类算法进行锚的科学设计,引入R-FCN算法中的位置敏感得分图(positive-sensitive score maps),并优化网络中重要的参数。通过实验验证,大大的增加了对原始图像的识别效果,并且提高了训练速度。通过对数据集进行多尺度处理,经过实验发现多尺度数据训练的模型识别精度提高了 1%左右,且增加了模型的鲁棒性,能够对原始图像具有更好的识别效果。
【图文】：

的激活输出值，其中／为激活函数，当卜１时，ａｔ（１）＝ｊｃ，，即第／个输入值；对于给逡逑定参数集合Ｆ力，本文的神经网络按照函数／ｖ．Ａｘ）来计算输出结果。激活函数／一逡逑般采用ｓｉｇｍｏｉｄ函数或者ｔａｎｈ函数作为激活函数夕？）．激活函数图像如图２－邋２所逡逑＇厂厂逡逑图２－２激活函数图像逡逑Ｆｉｇｕｒｅ邋２－邋２邋Ｔｈｅ邋ｉｍａｇｅ邋ｏｆ邋ａｃｔｉｖａｔｉｏｎ邋ｆｕｎｃｔｉｏｎ逡逑７逡逑

逦隐藏层逦输出层逡逑图２－１神经网络模型示意图逡逑Ｆｉｇｕｒｅ邋２－１邋Ｔｈｅ邋ｉｌｌｕｓｔｒａｔｉｏｎ邋ｏｆ邋Ｎｅｕｒａｌ邋Ｎｅｔｗｏｒｋ邋ｍｏｄｅｌ逡逑如图２－１神经网络模型所示，图中的神经网络模型包括输入层、隐藏层、输逡逑出层，并分别记为／！、／２、／３；邋ｎ，表示网络的总层数，图中ｎ／＝３；本文记第／层逡逑为那么心为输入层，为输出层；Ｚ；与中间的层皆为隐藏层；图中神经逡逑网络连接参数（权值，偏置项）有（＼＾）＝￣（１＞山（１＞（２）山（２＞），其中１＾）表示第／逡逑层第＿／个神经元与第／＋１层的第／个神经元的连接权值，表示第／＋１层的第逡逑个神经元的偏置项，妒ｕｅＲ３ｘ３，妒２）＾１１／＞＜３；本文使用表示第／层的第／个神经元逡逑的激活输出值，其中／为激活函数，当卜１时，ａｔ（１）＝ｊｃ，，即第／个输入值；对于给逡逑定参数集合Ｆ力
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;S435.122.3

【相似文献】

相关期刊论文 前10条

1 舒朗;郭春生;;基于回归与深度强化学习的目标检测算法[J];软件导刊;2018年12期

2 王钤;张穗华;雷丝雨;邓博文;;一种基于数据聚类的目标检测算法[J];机电产品开发与创新;2016年06期

3 孙林;鲍金河;刘一超;;高光谱图像目标检测算法分析[J];测绘科学;2012年01期

4 张桂林，，熊艳，曹伟，李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报;1994年05期

5 许云;李彬;;基于背景遗传模型的运动目标检测算法[J];自动化技术与应用;2017年03期

6 杜佳;宋春林;;一种改进的毫米波雷达多目标检测算法[J];通信技术;2015年07期

7 诸葛霞;向健勇;;基于分形特征的目标检测算法概述及仿真[J];红外技术;2006年10期

8 方路平;何杭江;周国民;;目标检测算法研究综述[J];计算机工程与应用;2018年13期

9 尚海林;;复杂场景下弱小目标检测算法的FPGA实现[J];航空兵器;2007年04期

10 詹炜;Inomjon Ramatov;崔万新;喻晶精;;基于候选区域的深度学习目标检测算法综述[J];长江大学学报(自然科学版);2019年05期

相关会议论文 前10条

1 何元磊;李红军;周陆军;李旭渊;顾立林;尼涛;;基于端元丰度量化的高光谱图像目标检测算法[A];国家安全地球物理丛书（十一）——地球物理应用前沿[C];2015年

2 孙瑾秋;张艳宁;姜磊;王敏;;基于变换域特征的星空背景弱小目标检测算法[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年

3 高飞;蒋建国;安红新;齐美彬;;一种快速运动目标检测算法[A];全国第22届计算机技术与应用学术会议(CACIS·2011)暨全国第3届安全关键技术与应用（SCA·2011）学术会议论文摘要集[C];2011年

4 许俊平;张启衡;张耀;王华闯;;基于人眼视觉特性的小目标检测算法[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

5 王艺婷;黄世奇;刘代志;王红霞;;高光谱图像目标检测算法性能研究[A];国家安全地球物理丛书（十）——地球物理环境与国家安全[C];2014年

6 张国华;;一种基于导引头稳定平台结构的目标检测算法[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

7 郑伟成;李学伟;刘宏哲;;基于深度学习的目标检测算法综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年

8 刘昊;赵龙;;基于改进混合高斯模型的运动目标检测算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

9 刘峰;奚晓梁;沈同圣;;基于最大值投影的空间小目标检测算法[A];第二届空间目标与碎片监测、清理技术及应用学术研讨会论文集[C];2015年

10 邓宇;陈孝威;;综合利用时空信息的运动目标检测算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

相关博士学位论文 前10条

1 张丽丽;基于空谱联合特性的高光谱图像异常目标检测算法研究[D];哈尔滨工程大学;2018年

2 赵红燕;被动多基站雷达目标检测算法研究[D];西安电子科技大学;2017年

3 郭小路;多通道雷达干扰抑制与目标检测算法研究[D];西安电子科技大学;2017年

4 李健;星载宽幅SAR及目标检测算法研究[D];西安电子科技大学;2018年

5 潘雪莉;机载环视SAR海面特性和舰船目标检测算法研究[D];西安电子科技大学;2018年

6 陈宇环;联合时空特征的视觉显著目标检测算法研究[D];深圳大学;2018年

7 曾冬冬;视频监控中的前景目标检测算法研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

8 王志虎;基于显著性的运动目标检测算法研究[D];国防科学技术大学;2015年

9 郭明玮;基于视觉记忆的目标检测算法：一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

10 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 吕致萍;基于深度学习的道路场景目标检测方法研究[D];吉林大学;2019年

2 洪文亮;基于改进的Faster R-CNN的目标检测系统的研究[D];吉林大学;2019年

3 李奇;基于深度学习的一阶目标检测算法应用研究[D];吉林大学;2019年

4 沈军宇;基于深度学习的鱼群检测方法研究[D];苏州科技大学;2019年

5 张静;基于视频的煤矿井下人形目标检测[D];西安科技大学;2019年

6 张江勇;基于深度学习的动车关键部位故障图像检测[D];电子科技大学;2019年

7 魏墨非;基于深度学习目标检测的优化研究与实现[D];电子科技大学;2019年

8 侯小春;基于卷积神经网络的目标检测算法研究[D];电子科技大学;2019年

9 王悦;用于建筑工地安全生产监控的目标检测算法研究[D];深圳大学;2018年

10 鲍金玉;基于视频分析的车辆智能监测技术研究[D];北方工业大学;2019年

本文编号：2701917