基于深度学习的农林害虫识别方法研究

摘要

我国是一个农业大国,在农作物的培育过程中每年都会遇到不同种类害虫的侵害,使得作物在产量和质量上不同程度的有所下降,灾害严重时,甚至会导致农作物大面积绝收.准确有效地对昆虫进行分类鉴定和识别是能否及时展开虫害防治、避免造成巨大的农作物经济损失的一个重要前提.昆虫是自然环境中种类最多的动物,其形态多变、纹理丰富识别起来有很大的难度.传统的昆虫分类鉴定工作主要靠昆虫专家或昆虫分类人员根据专业知识和研究经验或参照文献资料来进行识别鉴定的,但即使有专业的知识和丰富的经验也很难避免种类混淆的情况发生.因此,开发一种针对害虫的快速有效的分类识别系将有助于作物害虫的防治,从而促进农业发展,减少经济损失.　　为了实现常见农林害虫的快速分类和识别,本文首先制作了一个害虫图像数据集,然后针对这些害虫图像颜色纹理特征的复杂性,提出了一种基于深度学习的害虫自动识别方法.本文的主要工作内容和研究成果如下:　　(1)本文收集了27种成虫和5种幼虫的RGB图像.为避免神经网络在划分训练批次时存在严重的标签分布不均匀问题,采用裁剪、扭曲、色彩调整、改变背景等图像处理方法对数据进行了增强.构建的图像数据集CPAF共有32000幅昆虫图像,其中22400幅作为训练集, 9600幅的样本量作为验证集.　　(2)基于所整理的CPAF数据集对VGGNet模型展开了优化研究.经过一系列的实验研究发现,ReLU激活函数的效果最好,改进后的模型RDⅢ在训练1万步之后,识别精度可以达到99.02%,优化器的选择以Adam方法为最佳,而Dropout概率设置为0.5时对过拟合问题的抑制最有效.　　(3)根据VGGNet模型优化的研究成果,在GoogLeNet网中网思想的启发下设计了一种有效的深度神经网络模型CPAFNet,该模型的在识别效果和训练速率两个方面都有更好的表现,在训练6千步之后,识别准确率就达到了99.06%.在相同的训练步数下,CPAFNet 训练所消耗的时间更少且识别精度还优于模型RDⅢ.　　(4)在对VGGNet、DRⅢ和CPAFNet三个模型的隐藏层特征提取可视化研究中,CPAFNet在颜色和纹理特征提取上的突出表现进一步证明了模型的可行性和有效性.本文关于模型优化研究的成果以及针对 CPAF 数据集所提出的CPAFNet深度模型对于农林害虫的智能化识别研究都有较好的现实意义.

目录

声明

1绪论

1.1研究背景和意义

1.2 图像识别技术概述

1.3 昆虫识别技术概述

1.4昆虫图像识别的国内外研究现状

1.4.1国外研究现状

1.4.2 国内研究现状

1.5 深度学习国内外研究现状

1.6论文的组织结构

2深度学习理论

2.1 传统神经网络

2.1.1神经元模型

2.1.2 BP神经网络模型

2.2 卷积神经网络

2.2.1 卷积神经网络结构

2.2.2 卷积神经网络算法

2.2.3 经典模型LeNet-5

2.3深度学习框架TensorFlow

2.4 本章小结

3 农林害虫图像数据集的制作

3.1 害虫图像的获取

3.2害虫图像的数据增强

3.3 构建害虫图像数据集CPAF

3.4 本章小结

4基于CPAF数据集的VGG模型优化研究

4.1 VGGNet分析

4.2实验环境及基本的参数配置

4.3 VGG模型的优化研究

4.3.1激活函数的分析

4.3.2卷积核数量的分析

4.3.3全连接层宽度的分析

4.3.4 Dropout优化方法和梯度下降算法的分析

4.4 本章小结

5 基于深度学习的农林害虫识别模型CPAFNet

5.1 GoogLeNet分析

5.2 CPAFNet模型结构的设计

5.3实验结果分析

5.3.1 CPAFNet的训练及验证实验

5.3.2不同模型分类效果分析

5.4 可视化分析

5.5 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

附录

致谢