基于深度学习的农作物害虫检测方法研究与应用

发布时间：2025-07-26 12:35

　　 基于深度学习的目标检测一般有两种方法,即候选区域和基于目标的检测方法。前者精度高但是检测速度低,后者检测能够实现实时的检测速率,但是检测速度低,考虑设计的模型需要在移动终端实现。基于此,本文选取Faster R-CNN和YOLO两种目标检测算法进行实验。为有效解决梯度消失的问题,采用参数量少、冗余度低的DenseNet网络模型,对两种目标算法进行对比实验。最后选择精度较高、速度较快的Faster R-CNN算法构建害虫实时监测系统的设计,验证结果的准确性,对于后期研究具有一定的参考价值。

【文章页数】：4 页

【部分图文】：

图１．１?ＬｅＮｅｔ－５用于处理手写体字符??众所周知，使用卷积神经网络作为特征提取器可以获得非常强的非线性特征??表示，这也促进了深度学习在目标检测领域的发展

块间的恒等映射，使得网络在??更深层仍能保持性能不退化。到今天，ＲｅｓＮｅｔ仍是非常稳定的ＣＮＮ骨千网络。??Ｃ３?Ｓ４??ａ?Ｓ２?６＠１０＊１０?１６＠５＊５??ｌｎｐＵｔ?６＠２８－２８?６＠１４＊１４?９ｍｍ?＾?Ｆ６?Ｏｕｐｕｔ??２?３２?｜＝Ｌ?ｔ?ｒ＾ｒ４＾??＾....

图１．２害虫检测任务常见的困难与挑战??杂物等影响，如图１．２ｂ和１．２ｃ所示，害虫目标与其周围环境往往变得难以区??分

ｍｍ??⑷?（ｂ）??小地老虎?棉铃虫?二点委夜蛾??（Ｃ）?（ｄ）??图１．２害虫检测任务常见的困难与挑战??杂物等影响，如图１．２ｂ和１．２ｃ所示，害虫目标与其周围环境往往变得难以区??分。因此，不同于通用目标检测中的小目标检测问题，害虫检测任务具有??其特殊性。??４．害虫....

图２．１卷积运算及其变型图例??印’刀＝Ｈ?尤（卜?ｍ，）一?ｎ）尺（ｍ，ｎ）

?第２章基础理论与相关工作???Ｌ：：科?＜?，．觀’－??（？＞标准卷积运算?（ｂ＞零填充为１的卷积运算??＇０?１?〇??（Ｉ?ｊ?０?＞？＊??（ｃ）扩张为２的膨胀卷积?（ｄ）可变形卷积??图２．１卷积运算及其变型图例??盈刀＝Ｈ?尤（卜?ｍ，）一?ｎ）尺（ｍ，ｎ）?（２．....

图２．２最大池化与均值池化的前向与反向传播??来减少参数量

?第２章基础理论与相关工作???〇??＾?Ｊ?０?〇??，?？?．／?，??最大池化?＇５?—：——？?Ｉ?０??Ｌ?（前向８?反向?，〇?、，??二二ｆ二?毀衫??２?二。ｒｌ、?－??Ｕ?（前向）－，５?３－７ｉ?？－２Ｖ??＜?？．２５??图２．２最大池化与均值池化的前向与....

本文编号：4058470