基于深度学习的害虫识别系统
发布时间：2022-01-24 05:09
森林不单单具有生态效应,也具有巨大的经济效应,小蠹科害虫是森林中重要的蛀干害虫之一,对林木的危害性极强。近年来小蠹科害虫危害愈发严重,致使成片的松树死亡,传统的识别方式依靠人力,费时费力,精准的智能化识别小蠹科害虫十分紧要。本课题选取北京林业大学林学院标本,通过室内图片自动采集装置,制作小蠹科害虫数据集,分为训练集和测试集,基于TensorFlow框架,在Python环境下通过训练集数据训练深度学习目标检测Faster R-CNN模型,以达到识别小蠹科害虫的目的,并通过测试集验证其准确性。实验表明,小蠹科六种害虫在识别中的平均精确率较高,模型能够达到实际科研工作中的要求。在此模型基础上设计并开发基于深度学习的害虫识别系统,为林业害虫识别提供一种新依据。
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
图２－１系统架构??Ｆｉｇ．?２－１?Ｓｙｓｔｅｍ?ａｒｃｈｉｔｅｃｔｕｒｅ??在图２－１中，最下层左边是网络通信层，包括ｇＲＰＣ?（ｇｏｏｇｌｅ?Ｒｅｍｏｔｅ?Ｐｒｏｃｅｄｕｒｅ??Ｃａｌｌ?Ｐｒｏｔｏｃｏｌ）和远程直接数据存取（Ｒｅｍｏｔｅ?Ｄｉｒｅｃｔ?Ｍｅｍｏｒｙ?Ａｃｃｅｓｓ，ＲＤＭＡ）；右??，，、
对输入数据进行ｃｒｏｐ或ｗａｒｐ，这些预处理造成了数据的变形。ＳＰＰ－ＮＥＴ通过引入??了空间金字塔池化层解决特征长度不一的问题，不同大小尺度的区域提名在处理??后得到同一维度的特征（陈佳音等，２０１４）。ＳＰＰ－ＮＥＴ网络结构示意图如图３－１??所示：??ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒｓ?（ｆｃ６，?ｆ〇７）??，??ｉ?，??ｆｉｘｅｄ－ｌｅｎｇｔｈ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ??ｗｍｍｗｍｍ?ｗｍｍｍｗｍｍｗｍｍｗｍｍｍｍｍｍｍｍｍｍｍ??ｒ?Ａ?＾??■■■■■Ｂｎ?ｗｍｍｍｍｍｍｍｍｍｍｍ?ｍｍｍ??ｆ?１６＞＜２５６－ｄ?＾?４ｘ２５６－ｄ?＾?２５６－ｄ??＾???Ｙ???－■：??．??ｓｐａｔｉａｌ?ｐｙｒａｍｉｄ?ｐｏｏｌｉｎｇ?ｌａｙｅｒ??ｆｅａｔｕｒｅ?ｍａｐｓ?ｏｆ?ｃｏｎｖｓ??（ａｒｂｉｔｒａｒｙ?ｓｉｚｅ）??＾?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒｓ??ｉｎｐｕｔ?ｉｍａｇｅ??图３－１?ＳＰＰ－ＮＥＴ网络结构示意图??Ｆｉｇ．３－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＳＰＰ－ＮＥＴ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??在图３－１中，最后的卷积层和全连接层之间加入ＳＰＰ层，黑色图片代表卷积??之后的特征图，特征图的大小是任意的，经过池化层成为固定的大
预测出的建议框质量高、数量少，且在ＧＰＵ运行，同时和Ｆａｓｔｅｒ?Ｒ－ＣＮＮ存在共享??卷积特征，使得检测的速度和精度得到了快速的提升（Ｌｏｋａｎａｔｈｅｔａｌ，２０１７）。ＲＰＮ??的模型结构图，如图３－３所示。??２ｋ?ｓｃｏｒｅｓ?４ｋ?ｃｏｏｒｄｉｎａｔｅｓ?＿■■■?ｋ?ａｎｃｈｏｒ?ｂｏｘｅｓ??ｅｌｓ?ｌａｙｅｒ?＾?Ａ?ｒｅｇ?ｌａｙｅｒ?？??＼?ｔ?－?Ｌ＿Ｊ??２５６－ｄ??ｍ??ｔ?ｉｎｔｅｒｍｅｄｉａｔｅ?ｌａｙｅｒ??、、、一?－ＰＨ??＼?＼?＼?－…一一?一?ｒ＝ｎ??…——??＼?ｓｌｉａ＾ｉｇ?ｗｉｎｄｏｗ，?＼??????Ｖ．?＇＇．．．．．．．．．．．．．．．．．?…：??＼?＼?＼?ｃ〇ｎｖ?ｆｅａｔｕｒ６，ｍａｐ?？??图３－３?ＲＰＮ模型结构图??Ｆｉｇ．３－３?ＲＰＮ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??在图３－３中，Ｆａｓｔｅｒ?Ｒ－ＣＮＮ在ｆｅａｔｕｒｅｍａｐ上运用滑动窗口生成建议窗口，在??每个滑动窗口位置，同时进行预测多个地区的建议，其中为每个位置提供最大可??能的建议数字记为ｋ。ｒｅｇ层有四个参数ｘ，ｙ，ｗ，ｈ，即４ｋ，ｅｌｓ层有两个参数ｐａ??和ｐｄ，即２ｋ。对于一个区域中心，ｋ个提议被ｋ个参考框参数化，我们称之为ａｎｃｈｏｒ。??一个ａｎｃｈｏｒ?（错）位于滑动窗口的中心，默认情况下，使用３个尺度和３个纵横??比
【参考文献】：
期刊论文
[1]基于图像灰度频率与人工神经网络的病虫害防治[J]. 叶聪,沈金龙. 电子器件. 2018(01)
[2]人工智能、机器学习和深度学习的区别与联系[J]. 医学信息学杂志. 2017(11)
[3]基于卷积神经网络的图像清晰度识别方法[J]. 李福卫,李玉惠. 软件. 2017(07)
[4]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[5]Python语言的探讨[J]. 史梦楚. 中国新通信. 2017(07)
[6]基于优化卷积神经网络结构的交通标志识别[J]. 王晓斌,黄金杰,刘文举. 计算机应用. 2017(02)
[7]华山松大小蠹危害及防治效果试验[J]. 杨雄. 中国林副特产. 2016(06)
[8]深度学习 提升智能IPC准确率的一线曙光[J]. 周宇杰. 中国公共安全. 2016(17)
[9]危险性有害生物云杉四眼小蠹风险分析[J]. 康晓明. 山西林业. 2016(03)
[10]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
博士论文
[1]基于数字图像的蝴蝶种类自动识别研究[D]. 李凡.北京林业大学 2015
[2]华山松大小蠹成虫消化道与生殖系统结构研究[D]. 卜书海.西北农林科技大学 2011
硕士论文
[1]基于显著性与卷积神经网络的交通标志检测与识别研究[D]. 王姣姣.长安大学 2017
[2]超宽带昆虫雷达与水稻害虫图像识别的信号处理与仿真[D]. 焦忠建.江西农业大学 2015
[3]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
[4]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3605918
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
图２－１系统架构??Ｆｉｇ．?２－１?Ｓｙｓｔｅｍ?ａｒｃｈｉｔｅｃｔｕｒｅ??在图２－１中，最下层左边是网络通信层，包括ｇＲＰＣ?（ｇｏｏｇｌｅ?Ｒｅｍｏｔｅ?Ｐｒｏｃｅｄｕｒｅ??Ｃａｌｌ?Ｐｒｏｔｏｃｏｌ）和远程直接数据存取（Ｒｅｍｏｔｅ?Ｄｉｒｅｃｔ?Ｍｅｍｏｒｙ?Ａｃｃｅｓｓ，ＲＤＭＡ）；右??，，、
对输入数据进行ｃｒｏｐ或ｗａｒｐ，这些预处理造成了数据的变形。ＳＰＰ－ＮＥＴ通过引入??了空间金字塔池化层解决特征长度不一的问题，不同大小尺度的区域提名在处理??后得到同一维度的特征（陈佳音等，２０１４）。ＳＰＰ－ＮＥＴ网络结构示意图如图３－１??所示：??ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒｓ?（ｆｃ６，?ｆ〇７）??，??ｉ?，??ｆｉｘｅｄ－ｌｅｎｇｔｈ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ??ｗｍｍｗｍｍ?ｗｍｍｍｗｍｍｗｍｍｗｍｍｍｍｍｍｍｍｍｍｍ??ｒ?Ａ?＾??■■■■■Ｂｎ?ｗｍｍｍｍｍｍｍｍｍｍｍ?ｍｍｍ??ｆ?１６＞＜２５６－ｄ?＾?４ｘ２５６－ｄ?＾?２５６－ｄ??＾???Ｙ???－■：??．??ｓｐａｔｉａｌ?ｐｙｒａｍｉｄ?ｐｏｏｌｉｎｇ?ｌａｙｅｒ??ｆｅａｔｕｒｅ?ｍａｐｓ?ｏｆ?ｃｏｎｖｓ??（ａｒｂｉｔｒａｒｙ?ｓｉｚｅ）??＾?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒｓ??ｉｎｐｕｔ?ｉｍａｇｅ??图３－１?ＳＰＰ－ＮＥＴ网络结构示意图??Ｆｉｇ．３－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＳＰＰ－ＮＥＴ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??在图３－１中，最后的卷积层和全连接层之间加入ＳＰＰ层，黑色图片代表卷积??之后的特征图，特征图的大小是任意的，经过池化层成为固定的大
预测出的建议框质量高、数量少，且在ＧＰＵ运行，同时和Ｆａｓｔｅｒ?Ｒ－ＣＮＮ存在共享??卷积特征，使得检测的速度和精度得到了快速的提升（Ｌｏｋａｎａｔｈｅｔａｌ，２０１７）。ＲＰＮ??的模型结构图，如图３－３所示。??２ｋ?ｓｃｏｒｅｓ?４ｋ?ｃｏｏｒｄｉｎａｔｅｓ?＿■■■?ｋ?ａｎｃｈｏｒ?ｂｏｘｅｓ??ｅｌｓ?ｌａｙｅｒ?＾?Ａ?ｒｅｇ?ｌａｙｅｒ?？??＼?ｔ?－?Ｌ＿Ｊ??２５６－ｄ??ｍ??ｔ?ｉｎｔｅｒｍｅｄｉａｔｅ?ｌａｙｅｒ??、、、一?－ＰＨ??＼?＼?＼?－…一一?一?ｒ＝ｎ??…——??＼?ｓｌｉａ＾ｉｇ?ｗｉｎｄｏｗ，?＼??????Ｖ．?＇＇．．．．．．．．．．．．．．．．．?…：??＼?＼?＼?ｃ〇ｎｖ?ｆｅａｔｕｒ６，ｍａｐ?？??图３－３?ＲＰＮ模型结构图??Ｆｉｇ．３－３?ＲＰＮ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??在图３－３中，Ｆａｓｔｅｒ?Ｒ－ＣＮＮ在ｆｅａｔｕｒｅｍａｐ上运用滑动窗口生成建议窗口，在??每个滑动窗口位置，同时进行预测多个地区的建议，其中为每个位置提供最大可??能的建议数字记为ｋ。ｒｅｇ层有四个参数ｘ，ｙ，ｗ，ｈ，即４ｋ，ｅｌｓ层有两个参数ｐａ??和ｐｄ，即２ｋ。对于一个区域中心，ｋ个提议被ｋ个参考框参数化，我们称之为ａｎｃｈｏｒ。??一个ａｎｃｈｏｒ?（错）位于滑动窗口的中心，默认情况下，使用３个尺度和３个纵横??比
【参考文献】：
期刊论文
[1]基于图像灰度频率与人工神经网络的病虫害防治[J]. 叶聪,沈金龙. 电子器件. 2018(01)
[2]人工智能、机器学习和深度学习的区别与联系[J]. 医学信息学杂志. 2017(11)
[3]基于卷积神经网络的图像清晰度识别方法[J]. 李福卫,李玉惠. 软件. 2017(07)
[4]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[5]Python语言的探讨[J]. 史梦楚. 中国新通信. 2017(07)
[6]基于优化卷积神经网络结构的交通标志识别[J]. 王晓斌,黄金杰,刘文举. 计算机应用. 2017(02)
[7]华山松大小蠹危害及防治效果试验[J]. 杨雄. 中国林副特产. 2016(06)
[8]深度学习 提升智能IPC准确率的一线曙光[J]. 周宇杰. 中国公共安全. 2016(17)
[9]危险性有害生物云杉四眼小蠹风险分析[J]. 康晓明. 山西林业. 2016(03)
[10]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
博士论文
[1]基于数字图像的蝴蝶种类自动识别研究[D]. 李凡.北京林业大学 2015
[2]华山松大小蠹成虫消化道与生殖系统结构研究[D]. 卜书海.西北农林科技大学 2011
硕士论文
[1]基于显著性与卷积神经网络的交通标志检测与识别研究[D]. 王姣姣.长安大学 2017
[2]超宽带昆虫雷达与水稻害虫图像识别的信号处理与仿真[D]. 焦忠建.江西农业大学 2015
[3]基于卷积神经网络的深度学习算法与应用研究[D]. 陈先昌.浙江工商大学 2014
[4]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3605918
本文链接：https://www.wllwen.com/nykjlw/dzwbhlw/3605918.html
最近更新
教材专著
