基于深度学习的目标检测算法在储粮害虫检测识别中的应用

发布时间：2020-11-13 08:50

　　 粮食作为人类社会发展的重要物资,对国家稳定乃至世界和平起着重要的作用。然而在粮食仓储过程中,储粮害虫对粮食的损坏是很严重的。储粮害虫检测方法有很多种,本文使用基于深度学习的目标检测技术对储粮害虫进行检测识别,分别研究了白板背景下和实际背景下的储粮害虫检测,使用不同的算法进行大量的实验,通过改进模型不断提升储粮害虫检测识别效果。本文的主要研究工作如下:1、对比传统图像识别方法和基于深度学习的目标检测方法,深入地研究了深度卷积神经网络的结构、网络设计以及基于深度卷积神经网络的目标检测算法框架、原理和不同架构的优劣,为基于深度学习的储粮害虫检测识别奠定了研究基础。2、在白板背景下的八类储粮害虫目标检测数据集上进行了大量的开源模型实验,分析了以Faster R-CNN和R-FCN为代表的两阶段检测模型和以YOLO为代表的单阶段检测模型的优劣,并探索了提升储粮害虫检测效果的方法,在此基础上对两阶段检测模型R-FCN进行改进,并通过数据增强、多尺度训练和Soft-NMS等方法提升了储粮害虫目标检测效果。3、将VGG-16不同网络深度的卷积特征进行可视化,探究了深度卷积神经网络不同深度的卷积层特征提取的特点,研究了几种不同的卷积特征利用方式,以及针对目标检测任务更高效的特征利用方式。4、在实际背景下的储粮害虫目标检测数据集图片背景复杂、遮挡问题严重,通过对卷积特征利用方式的分析,引入了基于TOP-DOWN结构的特征融合模型,应用FPN算法进行实际背景下的粮虫检测,并通过数据增强、多尺度训练和Soft-NMS等方法提升了实际背景下的储粮害虫检测效果。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183;S379.5
【部分图文】：

并激活该神经元的特定区域。局部连接、权值共享以及空间或时间上的下釆样是??卷积神经网络的３个主要特性，这些特性使其具有一定程度上的平移、缩放和扭??曲不变性。如图２－１所示，卷积神经网络是一个层次模型，主要包括输入层、卷??积层、池化层、全连接层以及输出层。根据每层的功能，卷积神经网络可以划分??为２个部分：由输入层、卷积层和池化层构成的特征提取器，以及由全连接层和??输出层构成的分类器。总的来说，卷积神经网络通过卷积操作对输入图像进行局??部特征的提取，经过池化操作进行特征选择并使其具有空间不变性，然后全连接??操作对特征进行高度整合使其具有强大的表征能力，生成面向输出层特定任务的??高维抽象特征。??ｈ？?特征提取器——?Ｈ?分类器－＞１??输入层卷积层池化层卷积层池化层?全连接层输出层??图２－１卷枳神经网络的基本结构??２．１．１卷积层??１０??

Ｂｅｔｔｅｒ?ｔｏ?ｐｕｔ?ｒｅｓｏｕｒｃｅｓ?ｅｌｓｅｗｈｅｒｅ１?ｗ?ｆ??图２－２局部连接与全连接的区别??如图２－２所示，假设输入图像的分辨率为１０００ｘ１０００，隐藏层有１０６个神经??元节点，对于全连接操作来说，隐藏层每个神经元节点与输入图像的每一个像素??连接，则有１０００ｘｌ０００ｘｌ０６＝１０１２个权值参数。如果使用局部连接的方式，假设局??部感受野区域是１０ｘ１０大小的空间分辨率，则隐藏层的每个神经元只需要和??１０ｘ１０像素大小的感受野区域相连，那么１０６个隐藏层神经元只有ｌ〇ｘｌ〇ｘｌ〇６＝ｌ〇８??个参数，比原来减少４个数量级的参数量，这样会使神经网络的计算负荷大大减??小。??ＬＯＣＡＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＣＯＮＶＯＬＵＴＩＯＮＡＬ?ＮＥＴ??ＳＴＡｎＯＮＡＭＴＹ？?Ｓｔｏｔｉｓｔ．ｅｓ?ｉｓ??Ａｊ４?ｓｉｍｉｌａｒ?ｏｔ?ｄｉｆｆｅｒｅｎｔ?ｌｏｃｏｔｉｏｎｓ?Ｌｅａｒｎ?ｍｕｌｔｉｐｌｅ?ｆｉｌｔｅｒｓ??：ｉ．?ｆｍ?－■－〇?ｉＭｈｄｄ＿ｔＳ?；??Ｗ?Ｆｉｌｔｅｒ?ａｉｔ?１０ｘ１０?Ｅ?ｇ?１０００ｘ１０００?．ｍｏｇｔ??＇ＷＬｒｊＬ＾Ｗ＾＾?１００Ｍ?ｐｏｒｏｍｅｔｅｒｓ?；?１００?Ｆｉｌｔｅｒｓ??Ｆｉｌｔｅｒ?ｓ

ＦＵＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＬＯＣＡＬｉＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ??Ｅｘｏｍｐｌｅ－?１０００ｘ１０００?ｉｍ〇９？?ｉｓＪｘＮ．??１Ｍ?ｈｉｄｄｅｎ?ｕｎｉｔｓ??—＾?Ｅｘａｍｐｌｅ?１０００ｘ１０００?ｉｍｏｇｅ??Ｓｐｏｔｉｏｌ?ｃｏｒｒｅｌａｔｉｏｎ?ｔｓ?ｌｏｃａｌ??Ｂｅｔｔｅｒ?ｔｏ?ｐｕｔ?ｒｅｓｏｕｒｃｅｓ?ｅｌｓｅｗｈｅｒｅ１?ｗ?ｆ??图２－２局部连接与全连接的区别??如图２－２所示，假设输入图像的分辨率为１０００ｘ１０００，隐藏层有１０６个神点，对于全连接操作来说，隐藏层每个神经元节点与输入图像的每一个像，则有１０００ｘｌ０００ｘｌ０６＝１０１２个权值参数。如果使用局部连接的方式，假设受野区域是１０ｘ１０大小的空间分辨率，则隐藏层的每个神经元只需要１０像素大小的感受野区域相连，那么１０６个隐藏层神经元只有ｌ〇ｘｌ〇ｘｌ〇６＝ｌ数，比原来减少４个数量级的参数量，这样会使神经网络的计算负荷大大ＬＯＣＡＬＬＹ?ＣＯＮＮＥＣＴＥＤ?ＮＥＵＲＡＬ?ＮＥＴ?ＣＯＮＶＯＬＵＴＩＯＮＡＬ?ＮＥＴ??
【相似文献】

相关期刊论文 前10条

1 王欠欠;邵小龙;周国磊;曹阳;张涛;;储粮害虫飞行行为研究方法及进展[J];粮食科技与经济;2018年03期

2 韦文生;;习性防治储粮害虫试验[J];粮油仓储科技通讯;2014年04期

3 王洁静;吕建华;;多杀菌素在储粮害虫防治中的研究及应用进展[J];粮食与饲料工业;2012年04期

4 程小丽;武传欣;刘俊明;迟莹;魏庆伟;;储粮害虫防治的研究进展[J];粮食加工;2011年05期

5 程小丽;武传欣;刘俊明;迟莹;魏庆伟;;储粮害虫防治研究进展[J];粮油仓储科技通讯;2010年06期

6 刘晓宇;;浅谈储粮害虫防治工作存在的问题及对策[J];现代农村科技;2009年09期

7 袁良月;吕建华;吴树会;;农村常见储粮害虫的防治[J];农村实用科技信息;2008年01期

8 邓树华;王平;朱邦雄;陈祖华;陈渠玲;徐明亮;周剑宇;苏金平;黄智;;紫外高压诱杀灯防治仓外储粮害虫研究[J];粮食储藏;2006年03期

9 邓树华;王平;朱邦雄;陈祖华;陈渠玲;徐明亮;周剑宇;苏金平;黄智;;紫外高压诱杀灯防治仓外储粮害虫研究[J];粮食储藏;2006年03期

10 杨长举,唐国文,薜东;21世纪的储粮害虫防治[J];湖北植保;2004年05期

相关博士学位论文 前8条

1 耿森林;储粮害虫活动声特征检测、分析及其数据库建立[D];陕西师范大学;2005年

2 邓永学;环境因子对四种储粮害虫影响的研究[D];西南农业大学;2001年

3 廖敏;互叶白千层精油对储粮害虫的杀虫活性及作用机制[D];安徽农业大学;2016年

4 牛永浩;固相微萃取与气质联用检测储粮及储粮害虫挥发性化合物的研究[D];西北农林科技大学;2015年

5 张超;辣根素熏蒸对玉米象线粒体作用机理研究[D];西北农林科技大学;2016年

6 张涛;我国赤拟谷盗地理分布、扩散路径与捕食螨生物防治技术研究[D];中国农业大学;2017年

7 黄衍章;石菖蒲根茎提取物有效杀虫成分分析[D];华中农业大学;2007年

8 姚英娟;水菖蒲提取物杀虫活性及活性成分分析[D];华中农业大学;2008年

相关硕士学位论文 前10条

1 赵彬宇;储粮害虫图像识别研究平台的设计与实现[D];北京邮电大学;2019年

2 苗海委;储粮害虫图像定位识别算法的研究与实现[D];北京邮电大学;2019年

3 周亦哲;基于视频检测的储粮害虫死活评估算法研究[D];北京邮电大学;2019年

4 刘治财;基于深度学习的目标检测算法在储粮害虫检测识别中的应用[D];北京邮电大学;2019年

5 王森;基于虚拟现实技术的三维可重构储粮害虫监测系统的设计与实现[D];北京邮电大学;2018年

6 王利利;3种防护剂和磷化氢联用对6种储粮害虫的防治[D];河南工业大学;2018年

7 刘汉生;陷阱式储粮害虫信息采集终端及其系统的研究与实现[D];北京邮电大学;2018年

8 沈驭风;基于深度学习的储粮害虫检测算法的研究[D];北京邮电大学;2018年

9 王德发;基于图像识别的储粮害虫检测[D];北京邮电大学;2017年

10 马六十;华南地区储粮害虫防治科学用药探讨[D];河南工业大学;2014年

本文编号：2882005