首页--农业科学论文--农学(农艺学)论文--农产品收获、加工及贮藏论文--贮藏论文--防潮、防霉处理,防虫、防鼠、防火论文

基于深度学习的粮仓害虫检测研究

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

论文共53页,点击 下载论文
上一篇:赛典赤研究述评(1900-2007)
下一篇:十六国少数民族史学研究