| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 目标检测技术概述 | 第11页 |
| 1.3 机器视觉技术在害虫检测上的应用 | 第11-14页 |
| 1.3.1 国外研究现状 | 第12-13页 |
| 1.3.2 国内研究现状 | 第13-14页 |
| 1.3.3 存在问题 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 数据集 | 第16-22页 |
| 2.1 香榧害虫图像数据集 | 第16-19页 |
| 2.1.1 香榧害虫图像拍摄 | 第16-18页 |
| 2.1.2 香榧害虫图像标注 | 第18页 |
| 2.1.3 数据增强 | 第18-19页 |
| 2.2 森林害虫等4类林业业务图像数据集的制作 | 第19-20页 |
| 2.3 ImageNet数据集 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 3 基于迁移学习的森林害虫等4类林业业务图像分类 | 第22-35页 |
| 3.1 卷积神经网络模型 | 第22-26页 |
| 3.1.1 4种卷积神经网络模型 | 第22-24页 |
| 3.1.2 优化算法 | 第24页 |
| 3.1.3 激活函数 | 第24-26页 |
| 3.2 迁移学习策略 | 第26-27页 |
| 3.3 基于迁移学习的Inception-v3模型 | 第27-28页 |
| 3.4 数据增强 | 第28-29页 |
| 3.5 实验结果和分析 | 第29-34页 |
| 3.5.1 测试准确率曲线分析 | 第29-30页 |
| 3.5.2 不同卷积神经网络的效果分析 | 第30-31页 |
| 3.5.3 数据增强效果分析 | 第31-32页 |
| 3.5.4 误分图像的分析 | 第32页 |
| 3.5.5 Inception-v3混淆矩阵的分析 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 基于深度学习的香榧害虫检测 | 第35-47页 |
| 4.1 RetinaNet目标检测模型 | 第35-36页 |
| 4.2 目标检测模型的训练设置和评价指标 | 第36-37页 |
| 4.2.1 预处理 | 第36页 |
| 4.2.2 优化算法 | 第36-37页 |
| 4.2.3 性能评价指标 | 第37页 |
| 4.3 迁移学习方案设计 | 第37-39页 |
| 4.4 特征提取器优化 | 第39-41页 |
| 4.4.1 不同特征提取器对比 | 第39-40页 |
| 4.4.2 特征提取器结构优化的影响 | 第40-41页 |
| 4.5 特征金字塔网络的优化 | 第41-43页 |
| 4.5.1 消防模块的应用 | 第41-42页 |
| 4.5.2 转置卷积的应用 | 第42-43页 |
| 4.6 锚框生成方案对比 | 第43-44页 |
| 4.7 香榧害虫检测模型效果与分析 | 第44-46页 |
| 4.8 本章小结 | 第46-47页 |
| 5 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 附录 | 第54-55页 |
| 致谢 | 第55页 |