机器人工程基于深度学习的林业病虫识别开题报告
开 题 报 告
课 题 名 称 基于深度学习的林业病虫识别
学 生 姓 名 学 号 专业班级
学 院 化化 指导教师 职 称
课题名称 基于深度学习的林业病虫识别
1. 课题设计的目的和意义
森林被誉为“地球之肺”,是自然界的宝贵资源,覆盖地球表面的三分之一,具有经
济、生态和社会三大效益[1]。近 40 年来,天然林面积逐步减少,为了应对此问题,我国大力
发展人工林,造林面积居世界首位。天然林发展时间长,物种丰富,抗虫害能力、稳定性更
强;而人工林却因树种单一、长期使用化学药剂等因素更容易发生病虫害。目前,我国林业
害虫约 2400 种,破坏性强且较为常见的有 10 余种,包括松才线虫、美国白蛾、黄脊竹蝗、
粗梢双条杉天牛和光肩星天牛、油茶尺蝮、杨扇舟蛾、榆蓝叶甲、日本松干驮、华山松大小蠹
等。这些害虫的侵袭或寄生,会使林木在形态、组织或生理生态上发生一系列不正常变化,
影响林木健康发展,致使林木产量和质量下降;且害虫本身繁殖能力强、传播速度快且危害
周期长,一旦蔓延,势头难以遏制,发病面积广,疫木治理困难,耗时耗力,会造成严重
的人力、物力与经济损失,更为严重者会致使树木枯死甚至导致整个林区生态环境恶化。据
2019 年统计报告,我国美国白蛾虫害发生面积为 12171.70万亩,受损区域1153.30万
亩,虫害范围涉及 13个省,近 600 个县,不仅造成了巨大经济损失,还严重影响当地生态
平衡[2]。由此可见,病虫害爆发有极端危害,为了降低林业害虫爆发的几率, 推进防控信息
化建设,建立虫情监测网络,进行准确及时的虫情监测,为科学防治提供理论依据十分必
要。
传统的林业害虫监测方法以人工识别与计数为主,测报员和专家使用肉眼、显微镜来
观察害虫,并运用经验来判断害虫类别并统计害虫数量[3]。此方法虽然可以完成害虫的识别
与统计,但无法应对季节性虫害,会因测报员与专家人手不足而造成检测识别效率低下,
或因人的主观因素造成识别误差。
随着计算机硬件、图像处理技术和机器学习的发展,害虫图像检测法得以应用于昆虫
识别与计数,此方法通常将图像采集技术与机器学习方法相结合,与传统方法相比,它虽
然借助了算法的计算分析,检测效率较高,但仍需要人工来设计图像中的害虫特征,随着计
算机硬件、图像处理技术和机器学习的发展,害虫图像检测法得以应用于昆虫识别与计
数,此方法通常将图像采集技术与机器学习方法相结合,与传统方法相比,它虽然借助了
算法
的计算分析,检测效率较高,但仍需要人工来设计图像中的害虫特征,因而模型鲁棒性差、
泛化能力弱[4]。近年来,深度学习飞速发展,在图像识别、目标检测、实例分割、疲劳驾驶等
领域展现出了目前最先进的性能,且已经在人脸识别、行人检测、自动驾驶、医学成像、工业
检测、机器人视觉、智能视频监控、遥感图像等任务上得到了广泛应用。现如今,图像采集技
术已相对成熟,图形处理器(Graphics ProcessingUnit, GPU)芯片算力也更加强大,利用深度
学习技术提高虫情监测水平已成为农林业工程领域的研究热点之一。基于深度学习的图像
检测方法大大提升了对图像中害虫目标进行分类和定位的速度与准确率,对于提高虫情监
测水平具有重要意义。因此,本文基于深度学习的基础理论与方法对林业害虫图像检测算
法进行系统性的研究,并通过训练一个深度学习模型,识别病虫的种类。
2.主要参考文献综述
2.1 国内外在昆虫检测方向上的机器视觉研究现状
早期的基于图像的昆虫检测识别方法主要依赖昆虫的翅膀、触角、足等外部形态学特征
[5]。早在1995 年至 2005 年间,国内外专家学者便开始针对昆虫形态图像识别开展了许多研
究工作[6-7] 。 国 外 也 率 先 将 研 究 成果与实 际 应 用 相 结 合 ,相 继 落 地 了
ABIS[8] 、DAISY [9]、DrawWing[10]"等昆虫识别软件。1990 年前后,国内沈佐锐教授也开始研
究昆虫形态技术并开发了名为 BUGVISU 的昆虫识别系统,该系统可以基于图像中六个特
征实现对昆虫目标的有效识别[11]。但以上研究及其相应的软件主要应用于昆虫形态研究,
无法应用于生产实践。
随着计算机视觉技术的发展,人工提取图像中害虫的形态学特征与机器学习相结合的
分类方法被逐渐应用于昆虫识别任务。机器学习中被常用于进行昆虫特征分类的分类器包
括支持向量机(Support Vector Machine,SVM)[12] 、KNN[13]、K-means[14]和神经网络[15]等。在利
用机器学习方法进行昆虫识别分类的研究中,Saeed 和 Mohammad 等[16]人利用SVM 分类
方法检测草莓植株上的害虫。PanChunhua 等[17]人先使用网络搜索算法提取蔬菜害虫图像的
目标区域,再使用 SVM 网络对目标区域中像的目标区域,再使用 SVM 网络对目标区域中
的害虫目标种类进行识别,识别准确率达到了93%。2006 年,廉飞宇[18]提出了基于支持向
量机的淘汰法,实现了对近百张害虫图像中目标的识别。2008 年,周曼等[19]人利用BP 神
经网络对害虫图像特征进行提取并在此基础上进行分类。Zhao Juan 等[20]人将Ada Boost 图
像特征选择算法与SVM 相结合,实现了对农业害虫天剑的检测识别。这些研究方法虽然可
以达到不错的检测识别精度,但是需要手工设计特征,且只能应用于害虫图像样本量少及
类别有限的情况。在环境复杂或者害虫类别繁多的情况下,这些方法无法提取图像中的深
层特征信息,模型鲁棒性相对较差、泛化
摘要:
展开>>
收起<<
开题报告课题名称基于深度学习的林业病虫识别学生姓名学号专业班级学院化化指导教师职称课题名称基于深度学习的林业病虫识别1.课题设计的目的和意义森林被誉为“地球之肺”,是自然界的宝贵资源,覆盖地球表面的三分之一,具有经济、生态和社会三大效益[1]。近40年来,天然林面积逐步减少,为了应对此问题,我国大力发展人工林,造林面积居世界首位。天然林发展时间长,物种丰富,抗虫害能力、稳定性更强;而人工林却因树种单一、长期使用化学药剂等因素更容易发生病虫害。目前,我国林业害虫约2400种,破坏性强且较为常见的有10余种,包括松才线虫、美国白蛾、黄脊竹蝗、粗梢双条杉天牛和光肩星天牛、油茶尺蝮、杨扇舟蛾、榆蓝叶甲...
相关推荐
-
2022-10-15 114
-
2023-02-25 144
-
2023-02-25 72
-
2023-02-25 77
-
2023-05-24 133
-
2023-05-24 295
-
2023-05-24 118
-
2023-05-24 103
-
2023-05-24 73
-
2024-03-02 33
作者:闻远设计
分类:课程设计课件资料
价格:15光币
属性:16 页
大小:1.95MB
格式:DOC
时间:2023-07-15