發(fā)布時間：2020-03-30 10:05

【摘要】：油菜是中國重要的油料作物,但其在生長過程中容易受到害蟲的侵害,產(chǎn)量和品質(zhì)都會因此出現(xiàn)不同程度的降低。準(zhǔn)確地檢測和診斷害蟲,對于提高施藥決策的針對性及精準(zhǔn)預(yù)測作物的產(chǎn)量至關(guān)重要。傳統(tǒng)的害蟲鑒定依賴于人工識別,費(fèi)時費(fèi)力,存在一定的主觀性和滯后性,無法滿足日益增長的害蟲檢測需求。因此,尋求一種可有效解決上述問題、客觀、高效、快速的害蟲檢測方法具有較高的實際應(yīng)用價值。為實現(xiàn)油菜典型害蟲的實時檢測,本文主要開展了以下的工作:(1)通過采集簡單背景和復(fù)雜背景下的油菜害蟲圖像,創(chuàng)建了一個包含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)計了一個害蟲圖像采集系統(tǒng)以采集實驗室環(huán)境下(簡單背景)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)用于其他害蟲識別和診斷。(2)為了解決現(xiàn)有的目標(biāo)檢測算法無法很好地平衡檢測速度和檢測精度之間的矛盾,同時針對RPDS的樣本數(shù)量少,目標(biāo)對象小,姿態(tài)變化多樣和易被遮擋等特點(diǎn),本文對SSD(Single Shot MultiBox Detector)目標(biāo)檢測算法進(jìn)行了改進(jìn),提出了一種新的目標(biāo)檢測方法F-SSD-IV3用于檢測油菜典型害蟲。(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)檢測通用性能評估指標(biāo)。(2)設(shè)計了一種特征融合方法,將輸出的不同尺度特征圖通過級聯(lián)模塊進(jìn)行特征融合,解決了SSD算法難以檢測到小尺寸目標(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)時的不足,經(jīng)過實驗對比,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)計的F-SSD-IV3目標(biāo)檢測方法mAP值為0.7481,檢測單幅圖像的速度為0.076秒,實現(xiàn)了對油菜典型害蟲的實時高精度檢測。(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,通過對圖像亮度、對比度、飽和度等七個維度的處理增加數(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,實驗結(jié)果表明當(dāng)最大類間比例為1:1.5時,模型取得最佳的檢測性能,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。實驗表明當(dāng)p為0.8時,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性能。(4)對基于深度學(xué)習(xí)的目標(biāo)檢測技術(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)檢測方法的設(shè)計提供了夯實的理論基礎(chǔ)。此外,將本文提出的F-SSD-IV3檢測方法與幾種經(jīng)典的目標(biāo)檢測方法:SSD300、Faster R-CNN和R-FCN(Region-based Fully Convolution Network)在RPDS上進(jìn)行檢測性能對比,分析各方法的優(yōu)勢與劣勢。實驗結(jié)果顯示:(1)SSD300的檢測速度最快,檢測單幅圖像速度為0.048秒,但檢測精度僅為0.6411。(2)Faster R-CNN和R-FCN的檢測精度均低于0.68,且檢測單幅圖像的速度約為0.15秒。(3)而FSSD-IV3具有最高的檢測精度,mAP值高達(dá)0.7481,單幅圖像可在0.076秒內(nèi)完成檢測,在檢測精度和檢測速度上實現(xiàn)了很好的平衡。(5)本文將訓(xùn)練好的F-SSD-IV3模型部署到移動設(shè)備的應(yīng)用系統(tǒng)上,建立了一個基于Android平臺的油菜典型害蟲實時檢測系統(tǒng)。該系統(tǒng)基本滿足了害蟲檢測所需的功能,包含圖像采集模塊、圖像預(yù)處理模塊、油菜害蟲檢測模塊及結(jié)果展示模塊四大模塊。采用該系統(tǒng)對303幅圖像進(jìn)行測試,實驗結(jié)果表明:檢測結(jié)果基本上可在1秒內(nèi)返回,檢測的準(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)具有一定的實用性,可在大田環(huán)境下實時準(zhǔn)確地檢測油菜害蟲。
【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)徹底改變了計算機(jī)視覺領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)的靈感來源于簡單細(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)，哺乳動物的視覺皮層中某些神經(jīng)細(xì)胞僅在特定刺激下才會發(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。在實際感知上，大腦的簡單細(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別物體的種類。隨后的 1998 年，LeCun 提出了一個名為 LeNet 的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，，這就是第一個卷積神經(jīng)網(wǎng)絡(luò)，可實現(xiàn)對手寫數(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)用于圖像識別、目標(biāo)檢測和圖像分割。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，每個卷積核在輸入的特積操作，可生成一個二維的特征映射，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)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;TP391.41;S565.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 布置;;沒有硬件檢測軟件也能檢測電腦[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”的應(yīng)用拓展[J];裝備機(jī)械;1989年01期

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

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

6 付會杰;;機(jī)動車檢測中問題的解決策略[J];汽車與駕駛維修(維修版);2018年07期

7 臧曉偉;官洪運(yùn);;出租汽車計價器反作弊檢測軟件的設(shè)計與應(yīng)用[J];上海計量測試;2014年02期

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

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

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

相關(guān)會議論文 前6條

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

2 梁曉光;;UNIX系統(tǒng)安全檢測軟件中數(shù)據(jù)庫的設(shè)計及其實現(xiàn)[A];中國工程物理研究院科技年報（2003）[C];2003年

3 劉建紅;孫琳琳;苗菁;喬珂;鐘穎;王會玲;;企業(yè)用檢測軟件測試方法的探討[A];2018中國汽車工程學(xué)會年會論文集[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)交流會論文集[C];2011年

5 劉薈萃;唐歌實;崔紅正;宋柏延;任天鵬;;多系統(tǒng)GNSS數(shù)據(jù)質(zhì)量檢測軟件BQC的算法與性能[A];第五屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會論文集-S6 北斗/GNSS測試評估技術(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)社會協(xié)調(diào)發(fā)展——中國科協(xié)第五屆青年學(xué)術(shù)年會論文集[C];2004年

相關(guān)重要報紙文章 前10條

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

2 內(nèi)蒙古 王f ;檢測軟件也出錯[N];電腦報;2004年

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

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

5 安徽 陳曉軍;內(nèi)存檢測軟件也惹事[N];電子報;2014年

6 齊繼戰(zhàn)　記者 王梅;杜絕機(jī)動車安檢中的“貓膩”[N];中國質(zhì)量報;2009年

7 本報記者 晏耀斌;汽車尾氣檢測軟件認(rèn)證弄虛作假凸顯監(jiān)管缺位[N];中國經(jīng)營報;2015年

8 本報記者 房雅楠;微信刪好友成牟利手段[N];中國商報;2016年

9 安徽 朱寶貴;選購筆記本電腦的必備檢測軟件[N];電子報;2005年

10 李素娟;硬件檢測新利器[N];中國計算機(jī)報;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誤的大規(guī)模分析與檢測方法的研究[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;基于二代測序技術(shù)對SNP檢測軟件的比較研究[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及應(yīng)用研究[D];中國計量大學(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研究[D];浙江大學(xué);2019年

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

6 閆彬;基于機(jī)器視覺的獼猴桃膨大果檢測方法及手機(jī)檢測軟件的開發(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方法研究與實現(xiàn)[D];中國人民公安大學(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系統(tǒng)設(shè)計與驗證[D];東南大學(xué);2018年

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

本文編號：2607401