基于深度学习和无人机遥感的松材线虫病树监测系统研究
发布时间：2022-01-11 16:39
我国是一个林业大国,森林在治理土地沙化、减少土壤流失方面起着至关重要的作用。在科技发达的今天,森林保护工作日趋繁复,而减少人力资源使用,发展智能化森保系统已成为必然趋势。早在1982年,江苏省南京市中山陵林区就已经发现松材线虫病疫情,此后疫情在全国范围内蔓延扩散,造成大量松树枯黄乃至死亡,且出现向国家级风景区、自然保护区扩散的趋势。因此,依靠机器视觉和人工智能技术监测松材线虫病疫情、从根本上制止疫情扩散是目前我国北方松树林区保护工作的首选方案。及时发现松材线虫病树是防治疫情的首要工作,本文基于无人机航拍获取的松材线虫病树彩色图像,构建了基于深度学习和无人机遥感的松材线虫病树监测系统。监测系统由深度学习目标检测模型和边缘计算平台实现对松材线虫病树的低漏检、高精度检测。具体研究内容如下:（1）构建了基于HOG-SVM的松材线虫病树检测方法传统机器学习算法中HOG-SVM目标检测方法已得到广泛应用。然而,由于病树图像内容复杂,HOG特征难以被准确提取,检测模型不能收敛,导致其无法有效完成病树检测任务。为此,本文提出应用选择搜索算法结合图像掩膜操作优化HOG-SVM病树检测方法。通过实施图像过...
【文章来源】：山东农业大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
技术路线Fig.1Technicalroute（1）研究方法
山东农业大学硕士专业学位论文132.2.2基于深度学习的目标检测模型近年来，随着深度学习技术的迅猛发展，目标检测算法的特征提取模式从传统算法逐渐演变为基于深度神经网络的检测算法。早在2013年，R-CNN、OverFeat网络被提出，2016年之后Fast/FasterR-CNN、SSD、YOLO系列等深度学习网络相继出现，再到最近的PeleeNet，在短短的几年时间里，基于深度学习的目标检测模型在网络结构、模型结构方面越来越清晰，涌现出了许多性能出色的模型算法。进入深度学习时代以来，基于深度学习框架的目标检测模型在发展过程中，主要集中在二阶段算法如R-CNN系列，以及一阶段算法如YOLO系列、SSD系列等。两者的主要区别在于二阶段算法需要先生成推荐框，进而实行细粒度的物体检测。而一阶段算法会直接在网络中提取特征来预测物体分类和位置。（1）“two-stage”目标检测算法图2FasterR-CNN工作流程Fig.2FasterR-CNNworkflowFasterR-CNN是“two-stage”算法中经典的目标检测算法。其区域推荐网络指的是用全卷积网络生成多种大小比例的锚框，来实现为下一阶段提供可能包含前景物体的边界框的网络。其算法结构可以分为三层，一是主干卷积网络层，二是区域推荐网络层，三是感兴趣区域池化层。在FasterR-CNN的工作过程中，图像统一大小进入卷积神经网络特征提取器，输出特征图，之后进入区域推荐网络，每个滑动窗口的中点都会生成9个大小不同的锚框，判断出哪些是有目标的前景锚框，哪些是没有目标的背景锚框，前景锚框再做边界框回归，得到候选框，生成的候选框映射到特征图上，经重叠率和非极大值抑制计算之后，生成得分高的候选框，进入感兴趣区域池化层，通过最大池化算法将不同大小的输入
YOLOv3的训练及检测Fig.3YOLOv3trainingandtesting
【参考文献】：
期刊论文
[1]松材线虫病防治技术研究[J]. 王高锋. 花卉. 2020(06)
[2]基于Faster R-CNN算法的船舶识别检测[J]. 崔巍,杨亮亮,夏荣,牟向伟,樊晓伟,杨海峰. 合肥工业大学学报(自然科学版). 2020(02)
[3]基于SSD-MobileNet的火情检测预警系统[J]. 任锴,陈俊,叶宇煌,陈琪. 电气开关. 2020(01)
[4]浅谈农用植保无人机的发展现状及应用推广[J]. 李楠,于艳青,于深州,张阳,李蔚然,郝宇. 北方水稻. 2020(01)
[5]基于深度可分卷积神经网络的实时人脸表情和性别分类[J]. 刘尚旺,刘承伟,张爱丽. 计算机应用. 2020(04)
[6]松褐天牛的发生规律及防治对策[J]. 邱伟. 安徽农学通报. 2019(19)
[7]松材线虫病在中国的流行现状、防治技术与对策分析[J]. 叶建仁. 林业科学. 2019(09)
[8]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷. 农业工程学报. 2019(17)
[9]基于多特征CRF的无人机影像松材线虫病监测方法[J]. 刘金沧,王成波,常原飞. 测绘通报. 2019(07)
[10]基于高光谱图像和深度学习的菠菜新鲜度检测[J]. 谢忠红,徐焕良,黄秋桂,王培. 农业工程学报. 2019(13)
硕士论文
[1]星机地协同的松材线虫病疫区枯死松树监测方法研究[D]. 邓世晴.东华理工大学 2019
[2]基于机器学习的图像识别研究与应用[D]. 高浩宇.华中师范大学 2018
[3]基于机器学习的图像识别研究[D]. 纪国强.沈阳理工大学 2018
[4]基于深度学习的图像识别方法研究与应用[D]. 文馗.华中师范大学 2017
[5]基于卷积神经网络的图像特征提取算法与图像分类问题研究[D]. 司宁博.兰州大学 2017
[6]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
本文编号：3583109
【文章来源】：山东农业大学山东省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
技术路线Fig.1Technicalroute（1）研究方法
山东农业大学硕士专业学位论文132.2.2基于深度学习的目标检测模型近年来，随着深度学习技术的迅猛发展，目标检测算法的特征提取模式从传统算法逐渐演变为基于深度神经网络的检测算法。早在2013年，R-CNN、OverFeat网络被提出，2016年之后Fast/FasterR-CNN、SSD、YOLO系列等深度学习网络相继出现，再到最近的PeleeNet，在短短的几年时间里，基于深度学习的目标检测模型在网络结构、模型结构方面越来越清晰，涌现出了许多性能出色的模型算法。进入深度学习时代以来，基于深度学习框架的目标检测模型在发展过程中，主要集中在二阶段算法如R-CNN系列，以及一阶段算法如YOLO系列、SSD系列等。两者的主要区别在于二阶段算法需要先生成推荐框，进而实行细粒度的物体检测。而一阶段算法会直接在网络中提取特征来预测物体分类和位置。（1）“two-stage”目标检测算法图2FasterR-CNN工作流程Fig.2FasterR-CNNworkflowFasterR-CNN是“two-stage”算法中经典的目标检测算法。其区域推荐网络指的是用全卷积网络生成多种大小比例的锚框，来实现为下一阶段提供可能包含前景物体的边界框的网络。其算法结构可以分为三层，一是主干卷积网络层，二是区域推荐网络层，三是感兴趣区域池化层。在FasterR-CNN的工作过程中，图像统一大小进入卷积神经网络特征提取器，输出特征图，之后进入区域推荐网络，每个滑动窗口的中点都会生成9个大小不同的锚框，判断出哪些是有目标的前景锚框，哪些是没有目标的背景锚框，前景锚框再做边界框回归，得到候选框，生成的候选框映射到特征图上，经重叠率和非极大值抑制计算之后，生成得分高的候选框，进入感兴趣区域池化层，通过最大池化算法将不同大小的输入
YOLOv3的训练及检测Fig.3YOLOv3trainingandtesting
【参考文献】：
期刊论文
[1]松材线虫病防治技术研究[J]. 王高锋. 花卉. 2020(06)
[2]基于Faster R-CNN算法的船舶识别检测[J]. 崔巍,杨亮亮,夏荣,牟向伟,樊晓伟,杨海峰. 合肥工业大学学报(自然科学版). 2020(02)
[3]基于SSD-MobileNet的火情检测预警系统[J]. 任锴,陈俊,叶宇煌,陈琪. 电气开关. 2020(01)
[4]浅谈农用植保无人机的发展现状及应用推广[J]. 李楠,于艳青,于深州,张阳,李蔚然,郝宇. 北方水稻. 2020(01)
[5]基于深度可分卷积神经网络的实时人脸表情和性别分类[J]. 刘尚旺,刘承伟,张爱丽. 计算机应用. 2020(04)
[6]松褐天牛的发生规律及防治对策[J]. 邱伟. 安徽农学通报. 2019(19)
[7]松材线虫病在中国的流行现状、防治技术与对策分析[J]. 叶建仁. 林业科学. 2019(09)
[8]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷. 农业工程学报. 2019(17)
[9]基于多特征CRF的无人机影像松材线虫病监测方法[J]. 刘金沧,王成波,常原飞. 测绘通报. 2019(07)
[10]基于高光谱图像和深度学习的菠菜新鲜度检测[J]. 谢忠红,徐焕良,黄秋桂,王培. 农业工程学报. 2019(13)
硕士论文
[1]星机地协同的松材线虫病疫区枯死松树监测方法研究[D]. 邓世晴.东华理工大学 2019
[2]基于机器学习的图像识别研究与应用[D]. 高浩宇.华中师范大学 2018
[3]基于机器学习的图像识别研究[D]. 纪国强.沈阳理工大学 2018
[4]基于深度学习的图像识别方法研究与应用[D]. 文馗.华中师范大学 2017
[5]基于卷积神经网络的图像特征提取算法与图像分类问题研究[D]. 司宁博.兰州大学 2017
[6]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
本文编号：3583109
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3583109.html
