近年來,計(jì)算機(jī)技術(shù)高速發(fā)展,而計(jì)算機(jī)視覺技術(shù)由于與產(chǎn)業(yè)聯(lián)系密切,發(fā)展尤為迅速,其成果也大大的便利了人們的生活。目標(biāo)檢測(cè)工作是計(jì)算機(jī)視覺的重要研究領(lǐng)域,并且在很多應(yīng)用上都取得了很好的效果,比如人臉檢測(cè)、行人車輛檢測(cè)等。當(dāng)前隨著深度學(xué)習(xí)技術(shù)的興起,其強(qiáng)大的特征提取和擬合能力,已經(jīng)成為目標(biāo)檢測(cè)領(lǐng)域的主流。在農(nóng)業(yè)生產(chǎn)中,玉米是我國(guó)重要的農(nóng)作物,而其生長(zhǎng)會(huì)受到雜草的嚴(yán)重影響,而現(xiàn)有的機(jī)械除草、化學(xué)除草等方法又存在著各種各樣的缺點(diǎn),比如對(duì)環(huán)境造成污染、增加勞動(dòng)力成本等,所以高效的智能除草技術(shù)的研究很有現(xiàn)實(shí)意義。基于上述提出的問題,本文以實(shí)現(xiàn)快速準(zhǔn)確的辨識(shí)玉米苗與雜草為目標(biāo),運(yùn)用計(jì)算機(jī)視覺及深度學(xué)習(xí)領(lǐng)域的技術(shù)研究,分析和研究能夠自動(dòng)辨識(shí)玉米苗與雜草的方法。本文以農(nóng)業(yè)生產(chǎn)中的玉米苗與雜草辨識(shí)為背景,提出了能夠端到端訓(xùn)練的高效的圖片目標(biāo)檢測(cè)模型,并在自己制作的玉米苗和雜草數(shù)據(jù)集上進(jìn)行了大量的實(shí)驗(yàn),提出了一種解決玉米苗雜草辨識(shí)問題的有效方法。目前用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的方法解決目標(biāo)檢測(cè)的模型主要有兩種類型。一種是以Faster-RCNN為代表的基于候選區(qū)域網(wǎng)絡(luò)的兩階段模型,在檢測(cè)精度上有優(yōu)勢(shì);另一種是以S...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究目的和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀分析
        1.2.1 國(guó)外雜草辨識(shí)研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)雜草辨識(shí)研究現(xiàn)狀
        1.2.3 目標(biāo)檢測(cè)研究現(xiàn)狀
    1.3 存在的問題與挑戰(zhàn)
    1.4 本文主要研究?jī)?nèi)容
    1.5 本文組織結(jié)構(gòu)
第2章 深度學(xué)習(xí)目標(biāo)檢測(cè)相關(guān)理論基礎(chǔ)
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
    2.3 目標(biāo)檢測(cè)算法介紹
        2.3.1 傳統(tǒng)的目標(biāo)檢測(cè)算法
        2.3.2 基于候選區(qū)域的深度學(xué)習(xí)目標(biāo)檢測(cè)算法
        2.3.3 基于端到端模型的深度學(xué)習(xí)目標(biāo)檢測(cè)算法
    2.4 SSD目標(biāo)檢測(cè)算法
        2.4.1 SSD算法的網(wǎng)絡(luò)結(jié)構(gòu)
        2.4.2 SSD算法介紹
    2.5 目標(biāo)檢測(cè)的數(shù)據(jù)集和評(píng)價(jià)指標(biāo)
        2.5.1 目標(biāo)檢測(cè)的數(shù)據(jù)集
        2.5.2 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)mAP
    2.6 本章小結(jié)
第3章 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型WeedNet的構(gòu)建
    3.1 引言
    3.2 WeedNet目標(biāo)檢測(cè)模型的設(shè)計(jì)
    3.3 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第4章 基于深度學(xué)習(xí)方法的雜草辨識(shí)
    4.1 引言
    4.2 數(shù)據(jù)集的采集與標(biāo)注
        4.2.1 數(shù)據(jù)采集
        4.2.2 數(shù)據(jù)標(biāo)注
    4.3 基于傳統(tǒng)方法的雜草辨識(shí)
    4.4 基于Faster-RCNN模型的雜草辨識(shí)
    4.5 基于WeedNet模型的雜草辨識(shí)
        4.5.1 模型的結(jié)構(gòu)與參數(shù)調(diào)整
        4.5.2 遷移學(xué)習(xí)的應(yīng)用與fine-tune訓(xùn)練方法
        4.5.3 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝



本文編號(hào)：3769464