基于深度学习的农林害虫识别方法研究

发布时间：2021-08-21 02:24

　　我国是一个农业大国,在农作物的培育过程中每年都会遇到不同种类害虫的侵害,使得作物在产量和质量上不同程度的有所下降,灾害严重时,甚至会导致农作物大面积绝收。准确有效地对昆虫进行分类鉴定和识别是能否及时展开虫害防治、避免造成巨大的农作物经济损失的一个重要前提。昆虫是自然环境中种类最多的动物,其形态多变、纹理丰富识别起来有很大的难度。传统的昆虫分类鉴定工作主要靠昆虫专家或昆虫分类人员根据专业知识和研究经验或参照文献资料来进行识别鉴定的,但即使有专业的知识和丰富的经验也很难避免种类混淆的情况发生。因此,开发一种针对害虫的快速有效的分类识别系将有助于作物害虫的防治,从而促进农业发展,减少经济损失。为了实现常见农林害虫的快速分类和识别,本文首先制作了一个害虫图像数据集,然后针对这些害虫图像颜色纹理特征的复杂性,提出了一种基于深度学习的害虫自动识别方法。本文的主要工作内容和研究成果如下:（1）本文收集了27种成虫和5种幼虫的RGB图像。为避免神经网络在划分训练批次时存在严重的标签分布不均匀问题,采用裁剪、扭曲、色彩调整、改变背景等图像处理方法对数据进行了增强。构建的图像数据集CPAF共有32000幅... 

【文章来源】：浙江农林大学浙江省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

神经元细胞结构与人

图 2.4 卷积层和最大池化层的运算示意图Figure 2.4 Operation diagram of convolution layer and pooling layer（2）反向传播算法反向传播是一个根据实际输出与期望输出的差距从输出层开始，利用梯度下降算法对神经网络中的权重和偏置进行更新的过程。在正向传播和反向传播的反复迭代训练之后，神经网络的实际输出就会与期望输出越来越接近。在进行反向传播之前，首先需要计算神经网络的实际输出与期望输出的差距负责这项工作的函数即损失函数（Loss Function）也叫目标函数（Cost Function）。当实际输出与期望输出的差距很大的时候，损失函数的值也会很大。式（2.8）为 softmax 损失函数：C( ) = ∑ ∑∑（2.9）代表全部的参数矩阵，它们的概率总和等于 1；s 当且仅当第 i 个样本属

2.2.3 经典模型 LeNet-5LeNet-5 是卷积神经网络中最经典的模型，由于它在手写数字的识别问题上有突出的表现，所以在当时被广泛应用于银行支票上的手写数字识别，大大减轻了银行员工的工作量。LeNet-5 在工业领域中的成功应用为机器学习的发展带来了新的希望和动力。除去输入层 LenNet-5 模型共有 7 层，其中包括 3 个卷积层、2 个池化层和 2 个全连接层，其结构如图 2.5 所示。


本文编号：3354698