摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
1 绪论 | 第10-17页 |
1.1 研究背景和意义 | 第10-11页 |
1.2 图像目标检测概述 | 第11页 |
1.3 国内外研究现状 | 第11-15页 |
1.3.1 粮仓害虫检测研究现状 | 第11-13页 |
1.3.2 深度学习算法研究现状 | 第13-15页 |
1.4 研究目标 | 第15页 |
1.5 主要研究内容 | 第15页 |
1.6 论文的组织结构 | 第15-17页 |
2 基于聚类特征的Faster R-CNN粮仓害虫检测研究理论 | 第17-27页 |
2.1 粮仓害虫检测研究框架 | 第17-18页 |
2.2 深度学习框架Tensor Flow | 第18-19页 |
2.3 Faster R-CNN模型 | 第19-24页 |
2.3.1 边框回归(Bounding Box Regression) | 第21-23页 |
2.3.2 区域提案网络(RPN) | 第23页 |
2.3.3 感兴趣区域池化(ROI Pooling) | 第23-24页 |
2.4 聚类特征算法 | 第24-26页 |
2.5 本章小结 | 第26-27页 |
3 粮仓害虫图像数据集的制作 | 第27-32页 |
3.1 害虫图像获取 | 第27-29页 |
3.2 害虫图像数据集增强 | 第29-30页 |
3.3 构建害虫图像数据集SGI-6 | 第30-31页 |
3.4 本章小结 | 第31-32页 |
4 面向不同尺度的粮仓害虫目标检测研究 | 第32-39页 |
4.1 粮仓害虫目标检测流程 | 第32页 |
4.2 实验环境及配置 | 第32-33页 |
4.3 模型的评估测试 | 第33页 |
4.4 多尺度的粮仓害虫目标检测 | 第33-37页 |
4.4.1 多尺度的粮仓害虫图像数据集 | 第33-34页 |
4.4.2 模型的参数设置 | 第34页 |
4.4.3 多尺度模型的实验结果与分析 | 第34-35页 |
4.4.4 多尺度模型在不同粮仓背景下的实验与分析 | 第35-37页 |
4.5 本章小结 | 第37-39页 |
5 基于聚类特征的Faster R-CNN粮仓害虫目标检测 | 第39-45页 |
5.1 基于聚类特征的Faster R-CNN模型 | 第39-42页 |
5.1.1 特征提取网络VGG16 | 第39页 |
5.1.2 基于聚类特征的区域提案网络 | 第39-42页 |
5.1.3 分类网络 | 第42页 |
5.1.4 非极大值抑制 | 第42页 |
5.2 基于聚类特征的Faster R-CNN模型实验结果与分析 | 第42-44页 |
5.3 本章小结 | 第44-45页 |
6 总结与展望 | 第45-47页 |
6.1 总结 | 第45页 |
6.2 结论 | 第45-46页 |
6.3 展望 | 第46-47页 |
参考文献 | 第47-52页 |
个人成果 | 第52-53页 |
致谢 | 第53页 |