林區(qū)航拍圖像的蟲(chóng)害區(qū)域不規(guī)則,實(shí)現(xiàn)快速、高精度的分割存在挑戰(zhàn)。針對(duì)這一問(wèn)題,本文首先構(gòu)建了蟲(chóng)害區(qū)域分割數(shù)據(jù)集,研究了適用于地面端的高精度蟲(chóng)害圖像分割算法;然后提出了適用于無(wú)人機(jī)端的蟲(chóng)害區(qū)域?qū)崟r(shí)分割算法,該算法精度損失小、運(yùn)行速度快;最后,本文搭建了蟲(chóng)害區(qū)域分割的運(yùn)行平臺(tái),實(shí)現(xiàn)了算法的實(shí)用化。具體工作內(nèi)容如下:1.建立了無(wú)人機(jī)航拍圖像蟲(chóng)害區(qū)域分割的數(shù)據(jù)集。本文搭建了基于八旋翼無(wú)人機(jī)的蟲(chóng)害圖像采集平臺(tái);采集了 167張森林蟲(chóng)害圖像,無(wú)重疊裁剪得到800張1000×1000像素的圖像;并對(duì)所有圖像進(jìn)行了像素級(jí)標(biāo)注,為分割算法的研究提供了可靠的數(shù)據(jù)支持。2.提出了一種基于全卷積網(wǎng)絡(luò)的高精度蟲(chóng)害區(qū)域分割算法。針對(duì)航拍林區(qū)蟲(chóng)害圖像的蟲(chóng)害區(qū)域不規(guī)則和分水嶺等識(shí)別方法泛化能力差的問(wèn)題,通過(guò)遷移學(xué)習(xí)提升了模型泛化能力、借助跳躍結(jié)構(gòu)提升了模型精度,并提出了五種全卷積網(wǎng)絡(luò)。試驗(yàn)表明,針對(duì)林業(yè)蟲(chóng)害圖像,FCN-2s識(shí)別精度最高,其識(shí)別結(jié)果的像素準(zhǔn)確率為97.86%,平均交并比為79.49%,單幅分割時(shí)間為4.31s。該方法與K-means、脈沖耦合神經(jīng)網(wǎng)絡(luò)和復(fù)合梯度分水嶺算法相比,像素準(zhǔn)確率分別提高了 44.... 

【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)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1. 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 林業(yè)蟲(chóng)害監(jiān)測(cè)研究現(xiàn)狀
        1.2.2 蟲(chóng)害圖像分割研究現(xiàn)狀
        1.2.3 模型輕量化研究現(xiàn)狀
        1.2.4 模型優(yōu)化方法研究現(xiàn)狀
    1.3 本文的主要研究?jī)?nèi)容
    1.4 本文的組織結(jié)構(gòu)
2. 蟲(chóng)害數(shù)據(jù)集構(gòu)建
    2.1 無(wú)人機(jī)蟲(chóng)害圖像采集平臺(tái)搭建
    2.2 森林蟲(chóng)害圖像采集
    2.3 森林蟲(chóng)害圖像標(biāo)注
    2.4 本章小結(jié)
3. 基于全卷積網(wǎng)絡(luò)的地面端蟲(chóng)害區(qū)域分割方法
    3.1 卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)成
        3.1.1 卷積層
        3.1.2 池化層
        3.1.3 激活函數(shù)
    3.2 基于FCN的蟲(chóng)害區(qū)域分割方法構(gòu)建與優(yōu)化
        3.2.1 蟲(chóng)害分割算法構(gòu)建
        3.2.2 蟲(chóng)害分割算法遷移
        3.2.3 蟲(chóng)害分割算法優(yōu)化
    3.3 蟲(chóng)害區(qū)域分割試驗(yàn)
        3.3.1 分割試驗(yàn)的軟硬件環(huán)境
        3.3.2 蟲(chóng)害圖像數(shù)據(jù)擴(kuò)充
        3.3.3 模型超參數(shù)選擇
        3.3.4 模型訓(xùn)練過(guò)程
        3.3.5 蟲(chóng)害圖像分割結(jié)果
    3.4 蟲(chóng)害區(qū)域分割結(jié)果評(píng)價(jià)
        3.4.1 分割精度評(píng)價(jià)
        3.4.2 分割速度評(píng)價(jià)
    3.5 本章小結(jié)
4. 基于Mobile-BiSeNet的無(wú)人機(jī)端蟲(chóng)害區(qū)域分割方法
    4.1 輕量化蟲(chóng)害區(qū)域分割算法設(shè)計(jì)
        4.1.1 輕量化蟲(chóng)害分割算法構(gòu)建
        4.1.2 輕量化蟲(chóng)害分割算法優(yōu)化
    4.2 輕量化模型分割試驗(yàn)
        4.2.1 分割試驗(yàn)
        4.2.2 蟲(chóng)害圖像分割結(jié)果
        4.2.3 蟲(chóng)害分割模型評(píng)價(jià)
    4.3 運(yùn)行平臺(tái)搭建與算法移植
        4.3.1 蟲(chóng)害圖像實(shí)時(shí)分割運(yùn)行平臺(tái)搭建
        4.3.2 蟲(chóng)害圖像實(shí)時(shí)分割算法移植
    4.4 本章小結(jié)
5. 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)介
導(dǎo)師簡(jiǎn)介
獲得成果目錄
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的森林蟲(chóng)害無(wú)人機(jī)實(shí)時(shí)監(jiān)測(cè)方法[J]. 孫鈺,周焱,袁明帥,劉文萍,駱有慶,宗世祥.  農(nóng)業(yè)工程學(xué)報(bào). 2018(21)
[2]基于數(shù)據(jù)增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別研究[J]. 高友文,周本君,胡曉飛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(08)
[3]神經(jīng)網(wǎng)絡(luò)模型壓縮方法綜述[J]. 曹文龍,芮建武,李敏.  計(jì)算機(jī)應(yīng)用研究. 2019(03)
[4]彩色圖像分割方法綜述[J]. 楊紅亞,趙景秀,徐冠華,劉爽.  軟件導(dǎo)刊. 2018(04)
[5]基于無(wú)人機(jī)多光譜圖像的云南松蟲(chóng)害區(qū)域識(shí)別方法[J]. 張軍國(guó),韓歡慶,胡春鶴,駱有慶.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(05)
[6]基于深度學(xué)習(xí)的大棚及地膜農(nóng)田無(wú)人機(jī)航拍監(jiān)測(cè)方法[J]. 孫鈺,韓京冶,陳志泊,史明昌,付紅萍,楊猛.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(02)
[7]國(guó)內(nèi)外林業(yè)遙感應(yīng)用研究概況與展望[J]. 吳楠,李增元,廖聲熙,龐勇,徐斌.  世界林業(yè)研究. 2017(06)
[8]4種引誘劑林間誘捕松墨天牛效果比較[J]. 溫小遂,喻愛(ài)林,唐艷龍,廖三臘,施明清.  林業(yè)科學(xué)研究. 2017(05)
[9]無(wú)人機(jī)航拍林業(yè)蟲(chóng)害圖像分割復(fù)合梯度分水嶺算法[J]. 張軍國(guó),馮文釗,胡春鶴,駱有慶.  農(nóng)業(yè)工程學(xué)報(bào). 2017(14)
[10]基于遙感影像的紅樹(shù)林蟲(chóng)害監(jiān)測(cè)模型[J]. 曹慶先.  廣西科學(xué). 2017(02)

碩士論文
[1]基于TVDI的石林縣云南松切梢小蠹遙感監(jiān)測(cè)研究[D]. 鄧槿.北京林業(yè)大學(xué) 2016



本文編號(hào)：3640217