【摘要】：準確及時的蟲情監(jiān)測是農(nóng)林業(yè)蟲災(zāi)預(yù)警的關(guān)鍵技術(shù)。目前,林業(yè)誘捕器監(jiān)測領(lǐng)域仍大量依賴人工的識別計數(shù),另一方面,已有的基于圖像的昆蟲檢測方法對拍攝環(huán)境要求較高或需要手動的預(yù)處理操作,難以滿足實際應(yīng)用需求。基于此,本文提出基于深度學(xué)習(xí)目標檢測技術(shù)的昆蟲檢測方法,探索利用深度學(xué)習(xí)技術(shù)實現(xiàn)不同場景下的昆蟲自動檢測的可行性,在模型的設(shè)計上,充分考慮應(yīng)用需求,設(shè)計能在嵌入式設(shè)備或筆記本電腦上運行的輕量級檢測模型,擺脫檢測過程對大型工作站的依賴。一方面,本文設(shè)計聯(lián)合識別模型,針對高分辨率圖像將檢測過程分為定位和分類兩個階段,以較低的運算和存儲開銷處理高分辨率昆蟲圖片。實驗結(jié)果表明,在農(nóng)作物害蟲數(shù)據(jù)集上,聯(lián)合識別模型的平均整體準確率為0.833,較標準檢測模型提高了13.5%,在GPU服務(wù)器和筆記本電腦上,單張圖的平均檢測時間比高分辨率檢測模型分別快 45.17%和 66.65%。另一方面,本文設(shè)計輕量級檢測模型,通過特征提取器、特征金字塔和預(yù)測模塊的優(yōu)化對模型進行了運算量和體積的壓縮以及檢測能力的強化,實現(xiàn)了模型在嵌入式設(shè)備的運行,實驗結(jié)果表明,在蠹蟲數(shù)據(jù)集上,輕量級檢測模型的紅脂大小蠹平均準確率為0.746,在Jetson TX2和Raspberry Pi 3B上單張圖的平均檢測時間分別為0.448s和23.44s。通過實驗,本文實現(xiàn)了不同場景下的昆蟲自動化檢測,有效驗證了基于深度學(xué)習(xí)的目標檢測技術(shù)在蟲情監(jiān)測領(lǐng)域的可行性,改進的輕量級檢測模型可為林業(yè)蟲情監(jiān)測物聯(lián)網(wǎng)的建立提供核心識別技術(shù)。
【圖文】：

（ａ）邐（ｂ）逡逑圖２．１深度可分離卷積和標準卷積對比圖逡逑Ｆｉｇｕｒｅ邋２．１邋Ｃｏｍｐａｒｉｓｏｎ邋ｂｅｔｗｅｅｎ邋ｔｈｅ邋ｄｅｐｔｈｗｉｓｅ邋ｓｅｐａｒａｂｌｅ邋ｃｏｎｖｏｌｕｔｉｏｎ邋ａｎｄ邋ｔｈｅ邋ｓｔａｎｄａｒｄ邋ｃｏｎｖｏｌｕｔｉｏｎ逡逑卷積神經(jīng)網(wǎng)絡(luò)中最常用的卷積滹波器大小為３ｘ３，結(jié)合公式（２－１），邋３ｘ３卷積濾逡逑波器，即砧＝３時，標準卷積的計算量是深度可分離卷積的計算量的８至９倍，另一逡逑方面，卷積結(jié)構(gòu)的改變對精度的影響相對有限。因此，通過深度可分離卷積結(jié)構(gòu)，逡逑ＭｏｂｉｌｅＮｅｔ模型可在精度不變或略微下降的情況下，大規(guī)�？s小模型體積和運行時間。逡逑２．３目標檢測模型及評價指標逡逑２．３．１邋Ｍａｓｋ邋Ｒ－ＣＮＮ逡逑．？邐＼邋■邋＇Ｍ邋．邋？￥＃？？？邋？邋邐邐？：逡逑＋邐Ｍ刪口丨逡逑Ｉ邋~忓澹蓿祝恚疲蓿苠義鮮淙脲澹瑁�，邋Ｕd危吒觶逄卣魍椋濉鰣澹潁蓿遙錚懾澹粒歟椋紓鑠澹駑澹赍澹保矗椋村逄卣魍煎危哄義希Ву危媯浚螅錚媯簦潁錚幔澹哄危苠�！邋／ｂ徫ｓｅP媯簦恚幔殄危卞澹哄義希苠澹卞危�、全~|、，／￣Ｈ邋＾邐１：逡逑Ｄ灥Ｌ＾ｌ邋／］邋0／邐＾邋—邋－－Ｑ＇邋＂邋ｌ邐：逡逑：．？￡邐ｉ邋ｆｙ逡逑？邋｜『仩ｇ域剛．邐；Ｌｒ邐：逡逑r2積，Ｌ邐：邐巧彟邐邐邐；逡逑圖２．２邋Ｍａｓｋ邋Ｒ－ＣＮＮ模型結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ邋２．２邋Ｔｌｉｅ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋Ｍａｓｋ邋Ｒ－Ｃ

邐２關(guān)鍵技術(shù)簡介邐逡逑度的特征圖，ＲｅｔｉｎａＮｅｔ選取ＲｅｓＮｅｔ５０作為特征提取器，并利用｛Ｃｏｏｔ３，Ｑｗｖ４，Ｑｗｖ５｝逡逑三個模塊輸出的三個特征層｛Ｃ３，Ｃ４，Ｃ５；［進行下一步的操作。相對輸入圖像，，三個特逡逑征圖的分辨率分別壓縮至？［１／８，１／１６，１／３２｝。逡逑
【學(xué)位授予單位】：北京林業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：S433;TP18;TP391.41

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 賈蓓;李敬華;肖飛;;基于復(fù)雜電磁環(huán)境的信號檢測模型構(gòu)建分析[J];信息技術(shù)與信息化;2015年09期

2 蔡靜;;考慮檢測影響的貯存-檢測模型及其參數(shù)估計[J];湖北民族學(xué)院學(xué)報(自然科學(xué)版);2012年02期

3 董斯維;郭斌;余力;;個性化推薦攻擊檢測模型研究[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2006年12期

4 任涵;李勇;呂天雯;;基于自適應(yīng)遺傳算法的獼猴桃組培檢測模型[J];計算機與應(yīng)用化學(xué);2016年12期

5 李一男;劉永平;王汝琳;;一種礦用紅外瓦斯傳感器的檢測模型[J];工礦自動化;2010年01期

6 張強;;一種利用特征選擇改進的行人檢測模型[J];微型機與應(yīng)用;2016年02期

7 楊浩;謝昕;李卓群;章玲玲;;網(wǎng)絡(luò)中隱蔽信道數(shù)據(jù)安全檢測模型研究與仿真[J];計算機仿真;2016年10期

8 嚴侃;雷江濤;;基于時頻分析的水聲目標被動檢測模型研究[J];魚雷技術(shù);2015年01期

9 李世淙;云曉春;張永錚;;一種基于分層聚類方法的木馬通信行為檢測模型[J];計算機研究與發(fā)展;2012年S2期

10 孫飛帆;施勇;薛質(zhì);;基于權(quán)重分析的網(wǎng)頁木馬檢測模型[J];信息安全與通信保密;2012年12期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 劉俊榮;王文槿;劉寶旭;;一種基于網(wǎng)絡(luò)行為分析的木馬檢測模型[A];第十六屆全國核電子學(xué)與核探測技術(shù)學(xué)術(shù)年會論文集（下冊）[C];2012年

2 王建平;張自立;魏華;;戰(zhàn)術(shù)空域沖突檢測模型研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

3 李京鵬;楊林;劉世棟;;防火墻狀態(tài)檢測模型研究[A];第十八次全國計算機安全學(xué)術(shù)交流會論文集[C];2003年

4 孫璐;馬兆豐;黃勤龍;;基于權(quán)限分析的安卓應(yīng)用程序風(fēng)險檢測模型[A];第十屆中國通信學(xué)會學(xué)術(shù)年會論文集[C];2014年

5 范淵;凌霄;;Android程序安全檢測模型[A];第28次全國計算機安全學(xué)術(shù)交流會論文集[C];2013年

6 武照東;劉英凱;劉春;吳秀峰;;Overlay網(wǎng)絡(luò)的鏈路故障檢測模型[A];2008通信理論與技術(shù)新發(fā)展——第十三屆全國青年通信學(xué)術(shù)會議論文集（下）[C];2008年

7 劉賽娥;;基于ARP欺騙的以太網(wǎng)檢測模型的設(shè)計與實現(xiàn)[A];《教師教學(xué)能力發(fā)展研究》科研成果集（第六卷）[C];2017年

8 周雙娥;熊國平;;基于Petri網(wǎng)的故障檢測模型的設(shè)計與分析[A];第六屆中國測試學(xué)術(shù)會議論文集[C];2010年

9 廖鵬;;基于異常特征的DDoS檢測模型[A];經(jīng)濟發(fā)展方式轉(zhuǎn)變與自主創(chuàng)新——第十二屆中國科學(xué)技術(shù)協(xié)會年會（第四卷）[C];2010年

10 王心覺;;應(yīng)用LabVIEW的建筑結(jié)構(gòu)健康檢測模型和預(yù)警系統(tǒng)實驗[A];2015年上海-西安聲學(xué)學(xué)會第四屆聲學(xué)學(xué)術(shù)交流會論文集[C];2015年

中國重要報紙全文數(shù)據(jù)庫 前3條

1 賽迪出版?zhèn)髅绞紫浾?郭濤;預(yù)見性安全“又快又好”[N];中國計算機報;2018年

2 中聯(lián)綠盟、李群;IDS的關(guān)鍵：解決好誤報和漏報[N];中國計算機報;2002年

3 ;文化力是決定成敗的關(guān)鍵因素[N];常州日報;2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 李威;復(fù)雜場景目標檢測理論與方法研究[D];電子科技大學(xué);2019年

2 白清松;基于QCM的液體檢測技術(shù)研究[D];電子科技大學(xué);2019年

3 周曉飛;基于機器學(xué)習(xí)的視覺顯著性檢測研究[D];上海大學(xué);2018年

4 王燕;基于用戶感知與業(yè)務(wù)特征的電信網(wǎng)絡(luò)性能監(jiān)控與檢測模型研究[D];西安電子科技大學(xué);2018年

5 鄧濤;基于視覺注意的駕駛場景顯著性檢測模型研究[D];電子科技大學(xué);2018年

6 趙靜;網(wǎng)絡(luò)協(xié)議異常檢測模型的研究與應(yīng)用[D];北京交通大學(xué);2010年

7 唐赫;基于生物啟發(fā)和統(tǒng)計分析相結(jié)合的圖像顯著性檢測模型研究[D];華中科技大學(xué);2017年

8 蔣鵬;圖像內(nèi)容顯著性檢測的理論和方法研究[D];山東大學(xué);2016年

9 李濤;基于上下文的目標檢測研究[D];電子科技大學(xué);2016年

10 陳林潔;褪黑激素受體MT1活化的信號轉(zhuǎn)導(dǎo)機制研究及內(nèi)含肽介導(dǎo)的新型GPCR活化檢測模型構(gòu)建[D];浙江大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張陳毅;基于統(tǒng)計方法與深度學(xué)習(xí)的Webshell檢測模型研究與實現(xiàn)[D];江西師范大學(xué);2019年

2 姚振飛;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像顯著性目標檢測方法研究[D];燕山大學(xué);2019年

3 李文成;基于多層網(wǎng)絡(luò)結(jié)構(gòu)的目標草圖檢測模型[D];上海交通大學(xué);2016年

4 陳鈺;基于ELDA集成的多實例目標檢測模型[D];上海交通大學(xué);2016年

5 徐凡;基于多監(jiān)督特征集成顯著性物體檢測[D];北京工業(yè)大學(xué);2019年

6 崔宵洋;高速列車接觸網(wǎng)定位器坡度值檢測關(guān)鍵技術(shù)研究[D];西南交通大學(xué);2019年

7 劉璇昕;基于深度學(xué)習(xí)的昆蟲輕量級檢測模型研究[D];北京林業(yè)大學(xué);2019年

8 鄒四旺;基于深度學(xué)習(xí)的風(fēng)暴檢測算法分析與研究[D];華南理工大學(xué);2019年

9 黃亞東;蒙古馬奶常規(guī)營養(yǎng)成分檢測與NIR快速檢測模型建立[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2019年

10 蔣威;基于生成對抗網(wǎng)絡(luò)的感興趣區(qū)域目標檢測方法[D];杭州電子科技大學(xué);2019年

本文編號：2663234