森林不單單具有生態(tài)效應(yīng),也具有巨大的經(jīng)濟(jì)效應(yīng),小蠹科害蟲(chóng)是森林中重要的蛀干害蟲(chóng)之一,對(duì)林木的危害性極強(qiáng)。近年來(lái)小蠹科害蟲(chóng)危害愈發(fā)嚴(yán)重,致使成片的松樹(shù)死亡,傳統(tǒng)的識(shí)別方式依靠人力,費(fèi)時(shí)費(fèi)力,精準(zhǔn)的智能化識(shí)別小蠹科害蟲(chóng)十分緊要。本課題選取北京林業(yè)大學(xué)林學(xué)院標(biāo)本,通過(guò)室內(nèi)圖片自動(dòng)采集裝置,制作小蠹科害蟲(chóng)數(shù)據(jù)集,分為訓(xùn)練集和測(cè)試集,基于TensorFlow框架,在Python環(huán)境下通過(guò)訓(xùn)練集數(shù)據(jù)訓(xùn)練深度學(xué)習(xí)目標(biāo)檢測(cè)Faster R-CNN模型,以達(dá)到識(shí)別小蠹科害蟲(chóng)的目的,并通過(guò)測(cè)試集驗(yàn)證其準(zhǔn)確性。實(shí)驗(yàn)表明,小蠹科六種害蟲(chóng)在識(shí)別中的平均精確率較高,模型能夠達(dá)到實(shí)際科研工作中的要求。在此模型基礎(chǔ)上設(shè)計(jì)并開(kāi)發(fā)基于深度學(xué)習(xí)的害蟲(chóng)識(shí)別系統(tǒng),為林業(yè)害蟲(chóng)識(shí)別提供一種新依據(jù)。 

【文章來(lái)源】：北京林業(yè)大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１系統(tǒng)架構(gòu)??Ｆｉｇ．?２－１?Ｓｙｓｔｅｍ?ａｒｃｈｉｔｅｃｔｕｒｅ??在圖２－１中，最下層左邊是網(wǎng)絡(luò)通信層，包括ｇＲＰＣ?（ｇｏｏｇｌｅ?Ｒｅｍｏｔｅ?Ｐｒｏｃｅｄｕｒｅ??Ｃａｌｌ?Ｐｒｏｔｏｃｏｌ）和遠(yuǎn)程直接數(shù)據(jù)存�。ǎ遥澹恚铮簦�?Ｄｉｒｅｃｔ?Ｍｅｍｏｒｙ?Ａｃｃｅｓｓ，ＲＤＭＡ）；右??，，、

對(duì)輸入數(shù)據(jù)進(jìn)行ｃｒｏｐ或ｗａｒｐ，這些預(yù)處理造成了數(shù)據(jù)的變形。ＳＰＰ－ＮＥＴ通過(guò)引入??了空間金字塔池化層解決特征長(zhǎng)度不一的問(wèn)題，不同大小尺度的區(qū)域提名在處理??后得到同一維度的特征（陳佳音等，２０１４）。ＳＰＰ－ＮＥＴ網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖３－１??所示：??ｆｕｌｌｙ－ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒｓ?（ｆｃ６，?ｆ〇７）??，??ｉ?，??ｆｉｘｅｄ－ｌｅｎｇｔｈ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎ??ｗｍｍｗｍｍ?ｗｍｍｍｗｍｍｗｍｍｗｍｍｍｍｍｍｍｍｍｍｍ??ｒ?Ａ?＾??■■■■■Ｂｎ?ｗｍｍｍｍｍｍｍｍｍｍｍ?ｍｍｍ??ｆ?１６＞＜２５６－ｄ?＾?４ｘ２５６－ｄ?＾?２５６－ｄ??＾???Ｙ???－■：??．??ｓｐａｔｉａｌ?ｐｙｒａｍｉｄ?ｐｏｏｌｉｎｇ?ｌａｙｅｒ??ｆｅａｔｕｒｅ?ｍａｐｓ?ｏｆ?ｃｏｎｖｓ??（ａｒｂｉｔｒａｒｙ?ｓｉｚｅ）??＾?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｌａｙｅｒｓ??ｉｎｐｕｔ?ｉｍａｇｅ??圖３－１?ＳＰＰ－ＮＥＴ網(wǎng)絡(luò)結(jié)構(gòu)示意圖??Ｆｉｇ．３－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ＳＰＰ－ＮＥＴ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??在圖３－１中，最后的卷積層和全連接層之間加入ＳＰＰ層，黑色圖片代表卷積??之后的特征圖，特征圖的大小是任意的，經(jīng)過(guò)池化層成為固定的大

預(yù)測(cè)出的建議框質(zhì)量高、數(shù)量少，且在ＧＰＵ運(yùn)行，同時(shí)和Ｆａｓｔｅｒ?Ｒ－ＣＮＮ存在共享??卷積特征，使得檢測(cè)的速度和精度得到了快速的提升（Ｌｏｋａｎａｔｈｅｔａｌ，２０１７）。ＲＰＮ??的模型結(jié)構(gòu)圖，如圖３－３所示。??２ｋ?ｓｃｏｒｅｓ?４ｋ?ｃｏｏｒｄｉｎａｔｅｓ?＿■■■?ｋ?ａｎｃｈｏｒ?ｂｏｘｅｓ??ｅｌｓ?ｌａｙｅｒ?＾?Ａ?ｒｅｇ?ｌａｙｅｒ?？??＼?ｔ?－?Ｌ＿Ｊ??２５６－ｄ??ｍ??ｔ?ｉｎｔｅｒｍｅｄｉａｔｅ?ｌａｙｅｒ??、、、一?－ＰＨ??＼?＼?＼?－…一一?一?ｒ＝ｎ??…——??＼?ｓｌｉａ＾ｉｇ?ｗｉｎｄｏｗ，?＼??????Ｖ．?＇＇．．．．．．．．．．．．．．．．．?…：??＼?＼?＼?ｃ〇ｎｖ?ｆｅａｔｕｒ６，ｍａｐ?？??圖３－３?ＲＰＮ模型結(jié)構(gòu)圖??Ｆｉｇ．３－３?ＲＰＮ?ｍｏｄｅｌ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??在圖３－３中，Ｆａｓｔｅｒ?Ｒ－ＣＮＮ在ｆｅａｔｕｒｅｍａｐ上運(yùn)用滑動(dòng)窗口生成建議窗口，在??每個(gè)滑動(dòng)窗口位置，同時(shí)進(jìn)行預(yù)測(cè)多個(gè)地區(qū)的建議，其中為每個(gè)位置提供最大可??能的建議數(shù)字記為ｋ。ｒｅｇ層有四個(gè)參數(shù)ｘ，ｙ，ｗ，ｈ，即４ｋ，ｅｌｓ層有兩個(gè)參數(shù)ｐａ??和ｐｄ，即２ｋ。對(duì)于一個(gè)區(qū)域中心，ｋ個(gè)提議被ｋ個(gè)參考框參數(shù)化，我們稱之為ａｎｃｈｏｒ。??一個(gè)ａｎｃｈｏｒ?（錯(cuò)）位于滑動(dòng)窗口的中心，默認(rèn)情況下，使用３個(gè)尺度和３個(gè)縱橫??比

【參考文獻(xiàn)】：
期刊論文
[1]基于圖像灰度頻率與人工神經(jīng)網(wǎng)絡(luò)的病蟲(chóng)害防治[J]. 葉聰,沈金龍.  電子器件. 2018(01)
[2]人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別與聯(lián)系[J].   醫(yī)學(xué)信息學(xué)雜志. 2017(11)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像清晰度識(shí)別方法[J]. 李福衛(wèi),李玉惠.  軟件. 2017(07)
[4]深度學(xué)習(xí)發(fā)展綜述[J]. 侯宇青陽(yáng),全吉成,王宏偉.  艦船電子工程. 2017(04)
[5]Python語(yǔ)言的探討[J]. 史夢(mèng)楚.  中國(guó)新通信. 2017(07)
[6]基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的交通標(biāo)志識(shí)別[J]. 王曉斌,黃金杰,劉文舉.  計(jì)算機(jī)應(yīng)用. 2017(02)
[7]華山松大小蠹危害及防治效果試驗(yàn)[J]. 楊雄.  中國(guó)林副特產(chǎn). 2016(06)
[8]深度學(xué)習(xí) 提升智能IPC準(zhǔn)確率的一線曙光[J]. 周宇杰.  中國(guó)公共安全. 2016(17)
[9]危險(xiǎn)性有害生物云杉四眼小蠹風(fēng)險(xiǎn)分析[J]. 康曉明.  山西林業(yè). 2016(03)
[10]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)

博士論文
[1]基于數(shù)字圖像的蝴蝶種類自動(dòng)識(shí)別研究[D]. 李凡.北京林業(yè)大學(xué) 2015
[2]華山松大小蠹成蟲(chóng)消化道與生殖系統(tǒng)結(jié)構(gòu)研究[D]. 卜書(shū)海.西北農(nóng)林科技大學(xué) 2011

碩士論文
[1]基于顯著性與卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)與識(shí)別研究[D]. 王姣姣.長(zhǎng)安大學(xué) 2017
[2]超寬帶昆蟲(chóng)雷達(dá)與水稻害蟲(chóng)圖像識(shí)別的信號(hào)處理與仿真[D]. 焦忠建.江西農(nóng)業(yè)大學(xué) 2015
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D]. 陳先昌.浙江工商大學(xué) 2014
[4]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012



本文編號(hào)：3605918