基于深度学习的粘虫板图像害虫识别与计数

声明

致谢

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与研究意义

1.2.1 害虫识别的研究现状

1.2.2 目标检测的研究进展和面临挑战

1.3.1 论文研究内容

1.3.2 论文结构安排

1.3.3 技术路线

2 实验数据集及目标检测相关理论基础

2.1 实验数据集的介绍

2.1.1 粘虫板图像害虫数据集

2.1.2PASCAL VOC数据集

2.2 卷积神经网络基本结构

2.2.1 卷积

2.2.2 池化

2.2.3 全连接

2.2.4 激活函数

2.2.5 softmax分类层

2.3 卷积神经网络基本模型

2.3.1 LeNet

2.3.2 AlexNet

2.3.3 VGGNet

2.3.4 GoogleNet

2.3.5 ResNet

2.4 基于卷积神经网络的主流目标检测方法

2.4.1 RCNN

2.4.2 Fast-RCNN

2.4.3 R-FCN

2.4.4 YOLO

2.5 本章小结

3 多层特征融合的 Faster-RCNN 粘虫板图像害虫识别

3.1 Faster-RCNN目标检测算法框架

3.2 Faster-RCNN 目标检测算法改进

3.2.1 多层特征融合

3.2.2 Soft-NMS

3.3.1 实验环境

3.3.2 评价指标

3.3.3PASACL VOC数据集下实验结果与分析

3.3.4 粘虫板害虫数据集下实验结果与分析

3.4 本章小结

4 基于改进SSD算法的粘虫板图像害虫识别与计数

4.1 SSD目标检测算法框架

4.2 SSD目标检测算法改进

4.3.1 实验环境

4.3.2 PASCAL VOC数据集下实验结果与分析

4.3.3 粘虫板害虫数据集下实验结果与分析

4.3.4 害虫计数

4.4 SSD算法与Faster-RCNN算法的比较

4.5 本章小结

5 结论与展望

5.1 结论

5.2 展望

参考文献

作者简历

学位论文原创性声明

学位论文数据集

相关知识

基于机器学习与农业物联网的智慧大棚虫害识别、预测、防控系统
基于深度学习的田间害虫自动识别技术综述
基于机器视觉的害虫监测技术田间应用现状分析
基于机器视觉的害虫种类及计数检测研究
基于深度学习的花卉图像分类识别模型研究
作物病虫害监测与治理团队在智能化害虫监测方面取得新进展
基于图像的植物病害识别与分类
中国科学院机构知识库网格系统: 基于深度学习的苹果花果信息感知与病虫害诊断技术研究
作物病虫害识别监测的方法有哪些
基于机器视觉的昆虫种类及计数检测研究

网址: 基于深度学习的粘虫板图像害虫识别与计数 https://www.huajiangbk.com/newsview488902.html