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】:

基于深度学习的害虫识别系统


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??,,、

示意图,网络结构,示意图,特征图


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

模型结构,滑动窗口


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

资料下载
论文发表

本文链接:https://www.wllwen.com/nykjlw/dzwbhlw/3605918.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户4e3e1***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com