發(fā)布時(shí)間：2020-03-30 10:05

【摘要】：油菜是中國(guó)重要的油料作物,但其在生長(zhǎng)過程中容易受到害蟲的侵害,產(chǎn)量和品質(zhì)都會(huì)因此出現(xiàn)不同程度的降低。準(zhǔn)確地檢測(cè)和診斷害蟲,對(duì)于提高施藥決策的針對(duì)性及精準(zhǔn)預(yù)測(cè)作物的產(chǎn)量至關(guān)重要。傳統(tǒng)的害蟲鑒定依賴于人工識(shí)別,費(fèi)時(shí)費(fèi)力,存在一定的主觀性和滯后性,無法滿足日益增長(zhǎng)的害蟲檢測(cè)需求。因此,尋求一種可有效解決上述問題、客觀、高效、快速的害蟲檢測(cè)方法具有較高的實(shí)際應(yīng)用價(jià)值。為實(shí)現(xiàn)油菜典型害蟲的實(shí)時(shí)檢測(cè),本文主要開展了以下的工作:(1)通過采集簡(jiǎn)單背景和復(fù)雜背景下的油菜害蟲圖像,創(chuàng)建了一個(gè)包含12類共3,022張圖像的油菜典型害蟲數(shù)據(jù)集(Oilseed Rape Pests Dataset,RPDS)。本文設(shè)計(jì)了一個(gè)害蟲圖像采集系統(tǒng)以采集實(shí)驗(yàn)室環(huán)境下(簡(jiǎn)單背景)的害蟲圖像。復(fù)雜背景的圖像通過互聯(lián)網(wǎng)下載及大田現(xiàn)場(chǎng)拍攝獲取。為解決因數(shù)據(jù)集樣本量過小而出現(xiàn)的過擬合問題,采用數(shù)據(jù)擴(kuò)增的方式將訓(xùn)練圖像從2,115幅增加到10,575幅。目前農(nóng)業(yè)領(lǐng)域缺乏公開可用的害蟲數(shù)據(jù)集,RPDS數(shù)據(jù)集不僅可用于本文的研究,還具備一定的通用性,可應(yīng)用于其他害蟲識(shí)別和診斷。(2)為了解決現(xiàn)有的目標(biāo)檢測(cè)算法無法很好地平衡檢測(cè)速度和檢測(cè)精度之間的矛盾,同時(shí)針對(duì)RPDS的樣本數(shù)量少,目標(biāo)對(duì)象小,姿態(tài)變化多樣和易被遮擋等特點(diǎn),本文對(duì)SSD(Single Shot MultiBox Detector)目標(biāo)檢測(cè)算法進(jìn)行了改進(jìn),提出了一種新的目標(biāo)檢測(cè)方法F-SSD-IV3用于檢測(cè)油菜典型害蟲。(1)使用Inception V3代替SSD算法的VGG-16作為基礎(chǔ)網(wǎng)絡(luò),將SSD目標(biāo)檢測(cè)方法的平均精度均值(mean Average Precision,mAP)從0.6411提升至0.6812。其中,mAP是PASCAL VOC挑戰(zhàn)賽提出的目標(biāo)檢測(cè)通用性能評(píng)估指標(biāo)。(2)設(shè)計(jì)了一種特征融合方法,將輸出的不同尺度特征圖通過級(jí)聯(lián)模塊進(jìn)行特征融合,解決了SSD算法難以檢測(cè)到小尺寸目標(biāo)的短板,mAP值提高為0.7417。(3)本文采用了一種將Soft NMS和Softer NMS結(jié)合的策略,改善了原SSD算法的非極大抑制策略NMS在處理重疊目標(biāo)時(shí)的不足,經(jīng)過實(shí)驗(yàn)對(duì)比,漏檢率從9.44%降低至2.31%,并且進(jìn)一步微調(diào)輸出的矩形框坐標(biāo)。結(jié)果表明,本文設(shè)計(jì)的F-SSD-IV3目標(biāo)檢測(cè)方法mAP值為0.7481,檢測(cè)單幅圖像的速度為0.076秒,實(shí)現(xiàn)了對(duì)油菜典型害蟲的實(shí)時(shí)高精度檢測(cè)。(3)為克服訓(xùn)練數(shù)據(jù)不足和類間樣本數(shù)量不均衡所帶來的問題,在F-SSD-IV3的油菜害蟲檢測(cè)方法基礎(chǔ)上,使用數(shù)據(jù)擴(kuò)增和增加Dropout層的方式,減輕過擬合問題并提高模型的泛化能力。(1)數(shù)據(jù)擴(kuò)增方式,通過對(duì)圖像亮度、對(duì)比度、飽和度等七個(gè)維度的處理增加數(shù)據(jù)集RPDS的容量,解決了模型過擬合的問題,mAP值提高至0.8105。(2)優(yōu)化類間樣本數(shù)量的比例,實(shí)驗(yàn)結(jié)果表明當(dāng)最大類間比例為1:1.5時(shí),模型取得最佳的檢測(cè)性能,mAP值達(dá)0.8204。(3)增加Dropout層,設(shè)置不同的概率p來隨機(jī)抑制隱藏層中的部分神經(jīng)元。實(shí)驗(yàn)表明當(dāng)p為0.8時(shí),mAP值高達(dá)0.8417。即采用上述的優(yōu)化方法可進(jìn)一步提高模型的檢測(cè)性能。(4)對(duì)基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)及其相關(guān)方法進(jìn)行全面的總結(jié)和研究,為新目標(biāo)檢測(cè)方法的設(shè)計(jì)提供了夯實(shí)的理論基礎(chǔ)。此外,將本文提出的F-SSD-IV3檢測(cè)方法與幾種經(jīng)典的目標(biāo)檢測(cè)方法:SSD300、Faster R-CNN和R-FCN(Region-based Fully Convolution Network)在RPDS上進(jìn)行檢測(cè)性能對(duì)比,分析各方法的優(yōu)勢(shì)與劣勢(shì)。實(shí)驗(yàn)結(jié)果顯示:(1)SSD300的檢測(cè)速度最快,檢測(cè)單幅圖像速度為0.048秒,但檢測(cè)精度僅為0.6411。(2)Faster R-CNN和R-FCN的檢測(cè)精度均低于0.68,且檢測(cè)單幅圖像的速度約為0.15秒。(3)而FSSD-IV3具有最高的檢測(cè)精度,mAP值高達(dá)0.7481,單幅圖像可在0.076秒內(nèi)完成檢測(cè),在檢測(cè)精度和檢測(cè)速度上實(shí)現(xiàn)了很好的平衡。(5)本文將訓(xùn)練好的F-SSD-IV3模型部署到移動(dòng)設(shè)備的應(yīng)用系統(tǒng)上,建立了一個(gè)基于Android平臺(tái)的油菜典型害蟲實(shí)時(shí)檢測(cè)系統(tǒng)。該系統(tǒng)基本滿足了害蟲檢測(cè)所需的功能,包含圖像采集模塊、圖像預(yù)處理模塊、油菜害蟲檢測(cè)模塊及結(jié)果展示模塊四大模塊。采用該系統(tǒng)對(duì)303幅圖像進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果表明:檢測(cè)結(jié)果基本上可在1秒內(nèi)返回,檢測(cè)的準(zhǔn)確率高達(dá)89.77%,漏檢率和誤檢率分別為7.92%和2.31%。這說明了該系統(tǒng)具有一定的實(shí)用性,可在大田環(huán)境下實(shí)時(shí)準(zhǔn)確地檢測(cè)油菜害蟲。
【圖文】：

2.1.2 卷積神經(jīng)網(wǎng)絡(luò)理論卷積神經(jīng)網(wǎng)絡(luò)是過去幾年最為成功的神經(jīng)網(wǎng)絡(luò)之一，它的出現(xiàn)徹底改變了計(jì)算機(jī)視覺領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)的靈感來源于簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞概念，Hubel 和 Wiesel 在 1959 年[57]和 1962 年[58]的研究發(fā)現(xiàn)，哺乳動(dòng)物的視覺皮層中某些神經(jīng)細(xì)胞僅在特定刺激下才會(huì)發(fā)生響應(yīng)。神經(jīng)元以層的形式組織起來，這些層可以提取局部特征，組合在一起能產(chǎn)生視覺感知。在實(shí)際感知上，大腦的簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞以不同的方式發(fā)揮作用。受到簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞的影響，1982 年 Fukushima[59]提出神經(jīng)認(rèn)知機(jī) Neocognitron，該模型可以通過理解物體的形狀以識(shí)別物體的種類。隨后的 1998 年，LeCun 提出了一個(gè)名為 LeNet 的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，，這就是第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，可實(shí)現(xiàn)對(duì)手寫數(shù)字進(jìn)行分類。卷積神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練參數(shù)少、適應(yīng)性強(qiáng)等特點(diǎn)，現(xiàn)已成功應(yīng)用于圖像識(shí)別、目標(biāo)檢測(cè)和圖像分割。2.1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層、池化層和全連接層三個(gè)基本部分組成。

學(xué)碩士學(xué)位論文 第二章 基于深度學(xué)習(xí)的目標(biāo)檢圖 2-1 所示，輸入的圖像經(jīng)過一系列的卷積和池化操作，卷積層生成特征映縮了空間尺寸。然后，全連接層根據(jù)提取的特征進(jìn)行分類，確定每類出現(xiàn)在。積層積層是卷積神經(jīng)網(wǎng)絡(luò)的核心部分，將卷積運(yùn)算應(yīng)用于輸入（原始數(shù)據(jù)/上一層射）與權(quán)重，輸出的結(jié)果具有相同或減小的空間維度和增加的深度維度。卷一組卷積核組成，卷積核的深度和輸入的深度一致，每個(gè)卷積核在輸入的特積操作，可生成一個(gè)二維的特征映射，沿著深度堆疊這些特征映射可生成輸出
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP18;TP391.41;S565.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 布置;;沒有硬件檢測(cè)軟件也能檢測(cè)電腦[J];網(wǎng)絡(luò)與信息;2008年05期

2 張立瑩;;你的電腦硬件可好? 檢測(cè)軟件大閱兵[J];新電腦;2006年03期

3 張旭東;林益耀;;“循環(huán)中檢測(cè)”的應(yīng)用拓展[J];裝備機(jī)械;1989年01期

4 ;B/S結(jié)構(gòu)入侵檢測(cè)軟件[J];計(jì)算機(jī)安全;2006年08期

5 方宏,賈民平;分布式機(jī)動(dòng)車輛檢測(cè)軟件的研制[J];機(jī)械制造與自動(dòng)化;2005年02期

6 付會(huì)杰;;機(jī)動(dòng)車檢測(cè)中問題的解決策略[J];汽車與駕駛維修(維修版);2018年07期

7 臧曉偉;官洪運(yùn);;出租汽車計(jì)價(jià)器反作弊檢測(cè)軟件的設(shè)計(jì)與應(yīng)用[J];上海計(jì)量測(cè)試;2014年02期

8 張曉華;;入侵檢測(cè)軟件應(yīng)用解析[J];硅谷;2010年14期

9 方宏;;車輛檢測(cè)線工位檢測(cè)軟件的研制[J];機(jī)械制造與自動(dòng)化;2007年02期

10 徐遙;Rhythm檢測(cè)軟件包[J];航空制造技術(shù);2005年10期

相關(guān)會(huì)議論文 前6條

1 劉建紅;崔玉娥;孫琳琳;苗菁;喬珂;鐘穎;王會(huì)玲;;檢測(cè)軟件測(cè)試方法的探討[A];第十八屆中國(guó)科協(xié)年會(huì)——分3 計(jì)量測(cè)試技術(shù)及儀器學(xué)術(shù)研討會(huì)論文集[C];2016年

2 梁曉光;;UNIX系統(tǒng)安全檢測(cè)軟件中數(shù)據(jù)庫(kù)的設(shè)計(jì)及其實(shí)現(xiàn)[A];中國(guó)工程物理研究院科技年報(bào)（2003）[C];2003年

3 劉建紅;孫琳琳;苗菁;喬珂;鐘穎;王會(huì)玲;;企業(yè)用檢測(cè)軟件測(cè)試方法的探討[A];2018中國(guó)汽車工程學(xué)會(huì)年會(huì)論文集[C];2018年

4 楊黨綱;史亦韋;王錚;李碩寧;王東升;;四通道水浸式超聲C掃描檢測(cè)軟件研制[A];第三屆空間材料及其應(yīng)用技術(shù)學(xué)術(shù)交流會(huì)論文集[C];2011年

5 劉薈萃;唐歌實(shí);崔紅正;宋柏延;任天鵬;;多系統(tǒng)GNSS數(shù)據(jù)質(zhì)量檢測(cè)軟件BQC的算法與性能[A];第五屆中國(guó)衛(wèi)星導(dǎo)航學(xué)術(shù)年會(huì)論文集-S6 北斗/GNSS測(cè)試評(píng)估技術(shù)[C];2014年

6 楊憲斌;;以硫代寡核苷酸分子為材料的生物芯片和蛋白質(zhì)組學(xué)研究[A];科技、工程與經(jīng)濟(jì)社會(huì)協(xié)調(diào)發(fā)展——中國(guó)科協(xié)第五屆青年學(xué)術(shù)年會(huì)論文集[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 陶東風(fēng);測(cè)謊儀引發(fā)的連鎖反應(yīng)[N];中國(guó)青年報(bào);2011年

2 內(nèi)蒙古 王f ;檢測(cè)軟件也出錯(cuò)[N];電腦報(bào);2004年

3 本報(bào)實(shí)習(xí)記者 鄭梅云;畢業(yè)季催熱論文檢測(cè)軟件 功能變味難遏抄襲風(fēng)[N];通信信息報(bào);2014年

4 ;安全軟件市場(chǎng)增長(zhǎng)迅猛[N];網(wǎng)絡(luò)世界;2001年

5 安徽 陳曉軍;內(nèi)存檢測(cè)軟件也惹事[N];電子報(bào);2014年

6 齊繼戰(zhàn)　記者 王梅;杜絕機(jī)動(dòng)車安檢中的“貓膩”[N];中國(guó)質(zhì)量報(bào);2009年

7 本報(bào)記者 晏耀斌;汽車尾氣檢測(cè)軟件認(rèn)證弄虛作假凸顯監(jiān)管缺位[N];中國(guó)經(jīng)營(yíng)報(bào);2015年

8 本報(bào)記者 房雅楠;微信刪好友成牟利手段[N];中國(guó)商報(bào);2016年

9 安徽 朱寶貴;選購(gòu)筆記本電腦的必備檢測(cè)軟件[N];電子報(bào);2005年

10 李素娟;硬件檢測(cè)新利器[N];中國(guó)計(jì)算機(jī)報(bào);2004年

相關(guān)博士學(xué)位論文 前3條

1 范玲玲;面向安卓框架特有錯(cuò)誤的大規(guī)模分析與檢測(cè)方法的研究[D];華東師范大學(xué);2019年

2 蘇靜;基于分類決策的側(cè)信道硬件木馬檢測(cè)方法研究[D];天津大學(xué);2017年

3 徐鋒;信息系統(tǒng)惡意代碼檢測(cè)關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 何熠;基于二代測(cè)序技術(shù)對(duì)SNP檢測(cè)軟件的比較研究[D];石河子大學(xué);2019年

2 李孟蝶;基于工序及特征的在機(jī)檢測(cè)規(guī)劃方法研究與系統(tǒng)開發(fā)[D];電子科技大學(xué);2019年

3 吳禎;模擬人類視覺的顯著性檢測(cè)及應(yīng)用研究[D];中國(guó)計(jì)量大學(xué);2018年

4 曾鴻;基于深度學(xué)習(xí)的油菜典型害蟲快速檢測(cè)研究[D];浙江大學(xué);2019年

5 孔慶曉;脈沖交流電磁場(chǎng)深層缺陷量化檢測(cè)技術(shù)研究[D];中國(guó)石油大學(xué)(華東);2017年

6 閆彬;基于機(jī)器視覺的獼猴桃膨大果檢測(cè)方法及手機(jī)檢測(cè)軟件的開發(fā)[D];西北農(nóng)林科技大學(xué);2019年

7 張曉峰;基于視頻的人群異常事件檢測(cè)方法研究與實(shí)現(xiàn)[D];中國(guó)人民公安大學(xué);2019年

8 胡敏;基于視覺的駕駛員注意力檢測(cè)與判別研究[D];湖南大學(xué);2018年

9 梅靈;基于AES算法硬件木馬的檢測(cè)系統(tǒng)設(shè)計(jì)與驗(yàn)證[D];東南大學(xué);2018年

10 任磊;基于智能手機(jī)的跌倒檢測(cè)方法研究及實(shí)現(xiàn)[D];浙江大學(xué);2019年

本文編號(hào)：2607401