近年來,隨著農業(yè)向數(shù)字化和精準化的方向不斷發(fā)展,基于傳統(tǒng)的昆蟲識別方法難以滿足現(xiàn)代農業(yè)的發(fā)展需求,深度學習在圖像特征提取和建模上有著明顯的優(yōu)勢,取得了較好的成績,因此,本文采用了深度學習的方法,以Faster R-CNN目標檢測算法為基礎,提出了一種基于深度學習的昆蟲自動識別方法。本文研究按照昆蟲圖像采集與處理、特征提取網(wǎng)絡模型的選取、Faster R-CNN模型優(yōu)化和改進的順序開展,通過將理論與實驗相結合的方式進行對比分析。主要的工作和研究內容如下:（1）首先介紹了本文的研究背景、意義以及農作物昆蟲識別技術的研究現(xiàn)狀,對深度學習理論進行了詳細的闡述,重點介紹了卷積神經網(wǎng)絡的各層及工作原理,對基于區(qū)域檢測的卷積神經網(wǎng)絡Faster R-CNN的發(fā)展、檢測流程及相關計算進行詳細說明。采集并標注了大螟、二化螟和金剛鉆三種昆蟲圖像,共1643張原始樣本數(shù)據(jù),通過圖像旋轉、鏡像變換、改變圖像飽和度、亮度以及圖像高斯加噪等方法對原始數(shù)據(jù)集進行了增強,將樣本數(shù)量擴充至2390張,并根據(jù)Faster R-CNN的數(shù)據(jù)格式要求,制作出了昆蟲VOC數(shù)據(jù)集;（2）詳細介紹了VGG16與ResNet101兩... 

【文章來源】：湖南農業(yè)大學湖南省

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景和意義
    1.2 農作物昆蟲識別技術研究現(xiàn)狀
        1.2.1 聲音檢測識別技術研究
        1.2.2 光譜檢測識別技術研究
        1.2.3 計算機視覺識別技術研究
        1.2.4 基于深度學習的識別技術研究
    1.3 研究內容
    1.4 論文組織結構
2 深度學習理論
    2.1 深度學習發(fā)展歷史
    2.2 人工神經網(wǎng)絡及誤差反向傳播算法
        2.2.1 人工神經網(wǎng)絡
        2.2.2 誤差反向傳播算法
    2.3 卷積神經網(wǎng)絡
        2.3.1 卷積層(Convolution Layer)
        2.3.2 池化層(Pooling layer)
        2.3.3 激活層(Activation layer)
        2.3.4 全連接層(FullyConnected Layers,FC)
        2.3.5 輸出層
    2.4 Faster R-CNN目標檢測算法
        2.4.1 Faster R-CNN識別檢測流程
        2.4.2 區(qū)域生成網(wǎng)絡RPN
        2.4.3 RPN loss計算
    2.5 本章小結
3 農作物昆蟲圖像數(shù)據(jù)采集與處理
    3.1 圖像數(shù)據(jù)采集
    3.2 數(shù)據(jù)增強
        3.2.1 圖像旋轉
        3.2.2 圖像鏡像變換
        3.2.3 改變圖像飽和度
        3.2.4 改變圖像亮度
        3.2.5 添加高斯噪聲
    3.3 制作昆蟲圖像數(shù)據(jù)集
    3.4 本章小結
4 基于Faster R-CNN的昆蟲圖像識別
    4.1 實驗環(huán)境與Tensorflow框架介紹
        4.1.1 實驗環(huán)境
        4.1.2 Tensorflow深度學習框架
    4.2 基于Faster R-CNN的網(wǎng)絡模型選取
        4.2.1 VGG16
        4.2.2 ResNet101
        4.2.3 實驗結果對比分析
    4.3 Faster R-CNN網(wǎng)絡改進
        4.3.1 常用優(yōu)化算法
        4.3.2 優(yōu)化算法實驗對比分析
        4.3.3 Momentum優(yōu)化算法的改進
        4.3.4 實驗對比分析
    4.4 本章小結
5 總結與展望
    5.1 全文總結
    5.2 研究展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于高光譜的設施黃瓜蚜蟲蟲害檢測及其預測模型[J]. 吳雅茹,趙家奇,胡祖慶.  陜西農業(yè)科學. 2018(08)
[2]基于卷積神經網(wǎng)絡的白背飛虱識別方法[J]. 劉德營,王家亮,林相澤,陳京,於海明.  農業(yè)機械學報. 2018(05)
[3]基于深度學習和稀疏表示的害蟲識別算法[J]. 張苗輝,李俊輝,李佩琛.  河南大學學報(自然科學版). 2018(02)
[4]基于高光譜的番茄葉片斑潛蠅蟲害檢測[J]. 李翠玲,姜凱,馬偉,王秀,孟志軍,趙學觀,宋健.  光譜學與光譜分析. 2018(01)
[5]基于深度卷積神經網(wǎng)絡的儲糧害蟲圖像識別[J]. 程曦,吳云志,張友華,樂毅.  中國農學通報. 2018(01)
[6]基于卷積神經網(wǎng)絡的水稻蟲害識別[J]. 梁萬杰,曹宏鑫.  江蘇農業(yè)科學. 2017(20)
[7]深度學習相關研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計算機應用研究. 2018(07)
[8]基于圖像顯著性分析與卷積神經網(wǎng)絡的茶園害蟲定位與識別[J]. 楊國國,鮑一丹,劉子毅.  農業(yè)工程學報. 2017(06)
[9]基于多時相HJ衛(wèi)星遙感影像的稻縱卷葉螟發(fā)生情況監(jiān)測[J]. 包云軒,李玉婷,王琳,高文婷,朱鳳.  中國農業(yè)氣象. 2016(04)
[10]基于顏色特征的油菜害蟲機器視覺診斷研究[J]. 朱莉,羅靖,徐勝勇,楊勇,趙海濤,李衛(wèi)豪.  農機化研究. 2016(06)

博士論文
[1]基于圖譜特征分析的農業(yè)蟲害檢測方法研究[D]. 劉子毅.浙江大學 2017
[2]基于機器視覺的害蟲識別方法研究[D]. 吳翔.浙江大學 2016
[3]基于機器視覺的果園性誘害蟲在線識別與計數(shù)方法研究[D]. 李文勇.中國農業(yè)大學 2015
[4]多功能昆蟲鳴聲信號采集與分析系統(tǒng)及其在褐飛虱聲通訊研究中的應用[D]. 姚青.中國農業(yè)科學院 2003

碩士論文
[1]基于機器視覺的豆莢內部害蟲檢測技術研究[D]. 張成龍.黑龍江八一農墾大學 2018
[2]基于卷積神經網(wǎng)絡的自動昆蟲聲音識別系統(tǒng)[D]. 董雪.山東大學 2018
[3]基于深度學習的稻飛虱圖像分類識別的研究[D]. 陳國特.浙江理工大學 2018
[4]基于卷積神經網(wǎng)絡的若干模式識別問題研究[D]. 王朋友.河南大學 2017
[5]基于卷積神經網(wǎng)絡的可見光圖像農作物病蟲害的檢測[D]. 衛(wèi)智熠.哈爾濱工業(yè)大學 2017
[6]基于機器視覺的中華稻蝗早期蝗蝻的識別和檢測研究[D]. 楊國國.浙江大學 2017
[7]基于機器視覺與黃板誘導的有翅昆蟲統(tǒng)計識別系統(tǒng)的研究與實現(xiàn)[D]. 周瑤.重慶大學 2017
[8]基于機器視覺與可見光譜信息的甘藍蟲害檢測方法研究[D]. 張震.內蒙古農業(yè)大學 2016
[9]基于聲音信號處理的農業(yè)蟲害識別系統(tǒng)[D]. 賈琪.山東大學 2016
[10]基于圖像的水稻田間稻飛虱分類方法研究[D]. 王凱.浙江理工大學 2016



本文編號：3200316