發(fā)布時(shí)間：2020-12-10 08:59

　　隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展,圖像識(shí)別和目標(biāo)檢測(cè)受到廣泛關(guān)注。蝗蟲(chóng)檢測(cè)識(shí)別作為研究蝗蟲(chóng)爆發(fā)機(jī)理和建立預(yù)測(cè)模型的基礎(chǔ),是建立蝗蟲(chóng)災(zāi)害動(dòng)態(tài)監(jiān)測(cè)預(yù)警系統(tǒng)的重要手段。目前在蝗蟲(chóng)識(shí)別領(lǐng)域的研究較少且相對(duì)滯后,傳統(tǒng)的識(shí)別方法與新出現(xiàn)的目標(biāo)檢測(cè)方法在識(shí)別準(zhǔn)確度和速度上存在明顯差別。此外,研究的方法多適用于單一背景中蝗蟲(chóng)的檢測(cè),針對(duì)草地、農(nóng)作物等自然背景下的蝗蟲(chóng)識(shí)別準(zhǔn)確率較低�；�于此問(wèn)題需求,本文采用基于二值圖像的區(qū)域顯著性識(shí)別算法、多色度融合識(shí)別算法和基于候選區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò)(Faster RCNN)算法對(duì)蝗蟲(chóng)圖像進(jìn)行檢測(cè)與識(shí)別的研究,以提高復(fù)雜背景中的蝗蟲(chóng)識(shí)別準(zhǔn)確率,取得了較為理想的結(jié)果。本文提出基于二值圖像的區(qū)域顯著性識(shí)別算法,算法提取蝗蟲(chóng)和背景的局部特征,通過(guò)支持向量機(jī)實(shí)現(xiàn)二分類,實(shí)驗(yàn)證明該算法可實(shí)現(xiàn)對(duì)同一地區(qū)蝗蟲(chóng)的準(zhǔn)確識(shí)別。為對(duì)大面積粘連蝗蟲(chóng)實(shí)現(xiàn)分割,提出基于多色度融合的算法,該算法不在著眼于蝗蟲(chóng)的個(gè)體特征,而是基于每個(gè)像素點(diǎn)的顏色特征進(jìn)行分類�？紤]到蝗蟲(chóng)和背景在不同的顏色區(qū)間內(nèi),因此將圖像轉(zhuǎn)換成不同的顏色模型,充分拉大顏色差異,最后基于像素完成圖像分割。為了實(shí)現(xiàn)干旱時(shí)期乃至土壤、巖石... 

【文章來(lái)源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

G-a-L模型與2G-R-B模型的效果對(duì)比圖

內(nèi)蒙古大學(xué)碩士學(xué)位論文8膨脹運(yùn)算處理后的二值圖開(kāi)運(yùn)算處理后的二值圖閉運(yùn)算處理后的二值圖圖2.2蝗蟲(chóng)圖像形態(tài)學(xué)處理結(jié)果圖Figure2.2Morphologicalprocessingresultsoflocustimages在進(jìn)行形態(tài)學(xué)處理的時(shí)候，應(yīng)該根據(jù)實(shí)際情況合理選取合適的運(yùn)算。本文對(duì)圖像先進(jìn)性閉運(yùn)算再進(jìn)行開(kāi)運(yùn)算效果更好，如圖2.3所示。圖2.3閉開(kāi)運(yùn)算處理后的二值圖Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗蟲(chóng)區(qū)域圖像中連通區(qū)域既有蝗蟲(chóng)對(duì)象也有背景噪聲（如圖2.1），需要提取各區(qū)域的特征確定屬于蝗蟲(chóng)還是背景。由于二值圖像無(wú)法獲取連通區(qū)域的局部特征，因此將二值圖像中連通區(qū)域在原始彩色圖像中找到對(duì)應(yīng)區(qū)域，裁剪出各區(qū)域用于特征提齲具體步驟如下：①在二值圖像中把連通區(qū)域標(biāo)記出來(lái)，返回連通區(qū)域的個(gè)數(shù)Mi；②獲取這Mi個(gè)連通區(qū)域的長(zhǎng)、寬屬性；③得到包含每個(gè)連通區(qū)域的最小外接矩形的精確位置；④在原始圖像中定位相同位置的矩形；⑤裁剪出矩形標(biāo)定的目標(biāo)子圖像。裁剪后的子圖像用于后期提取局部特征。定位裁剪示意圖如圖2.4所示。

內(nèi)蒙古大學(xué)碩士學(xué)位論文8膨脹運(yùn)算處理后的二值圖開(kāi)運(yùn)算處理后的二值圖閉運(yùn)算處理后的二值圖圖2.2蝗蟲(chóng)圖像形態(tài)學(xué)處理結(jié)果圖Figure2.2Morphologicalprocessingresultsoflocustimages在進(jìn)行形態(tài)學(xué)處理的時(shí)候，應(yīng)該根據(jù)實(shí)際情況合理選取合適的運(yùn)算。本文對(duì)圖像先進(jìn)性閉運(yùn)算再進(jìn)行開(kāi)運(yùn)算效果更好，如圖2.3所示。圖2.3閉開(kāi)運(yùn)算處理后的二值圖Figure2.3Binaryimageofcloseopeningoperations2.1.4定位提取蝗蟲(chóng)區(qū)域圖像中連通區(qū)域既有蝗蟲(chóng)對(duì)象也有背景噪聲（如圖2.1），需要提取各區(qū)域的特征確定屬于蝗蟲(chóng)還是背景。由于二值圖像無(wú)法獲取連通區(qū)域的局部特征，因此將二值圖像中連通區(qū)域在原始彩色圖像中找到對(duì)應(yīng)區(qū)域，裁剪出各區(qū)域用于特征提齲具體步驟如下：①在二值圖像中把連通區(qū)域標(biāo)記出來(lái)，返回連通區(qū)域的個(gè)數(shù)Mi；②獲取這Mi個(gè)連通區(qū)域的長(zhǎng)、寬屬性；③得到包含每個(gè)連通區(qū)域的最小外接矩形的精確位置；④在原始圖像中定位相同位置的矩形；⑤裁剪出矩形標(biāo)定的目標(biāo)子圖像。裁剪后的子圖像用于后期提取局部特征。定位裁剪示意圖如圖2.4所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于Hu不變矩特征的鐵路軌道識(shí)別檢測(cè)算法[J]. 董昱,郭碧.  鐵道學(xué)報(bào). 2018(10)
[2]全國(guó)草地資源空間分布規(guī)律研究[J]. 付義勛,趙志芳,陳百煉.  科技資訊. 2018(08)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲(chóng)害識(shí)別[J]. 梁萬(wàn)杰,曹宏鑫.  江蘇農(nóng)業(yè)科學(xué). 2017(20)
[4]內(nèi)蒙古草原地區(qū)生態(tài)環(huán)境可持續(xù)發(fā)展的路徑探析[J]. 杜玉明,王維,趙麗媛.  環(huán)境研究與監(jiān)測(cè). 2015(01)
[5]基于HOG與改進(jìn)的SVM的手掌靜脈識(shí)別算法[J]. 徐笑宇,姚鵬.  計(jì)算機(jī)工程與應(yīng)用. 2016(11)
[6]甘藍(lán)菜青蟲(chóng)害自動(dòng)識(shí)別系統(tǒng)的開(kāi)發(fā)與試驗(yàn)研究——基于機(jī)器視覺(jué)[J]. 高雄,王海超.  農(nóng)機(jī)化研究. 2015(01)
[7]基于機(jī)器視覺(jué)的作物多姿態(tài)害蟲(chóng)特征提取與分類方法[J]. 李文勇,李明,陳梅香,錢(qián)建平,孫傳恒,杜尚豐.  農(nóng)業(yè)工程學(xué)報(bào). 2014(14)
[8]草地退化的危害與生態(tài)恢復(fù)措施的研究[J]. 姚小偉,祖麗菲亞.  草業(yè)與畜牧. 2014(02)
[9]基于機(jī)器視覺(jué)的自然環(huán)境中獼猴桃識(shí)別與特征提取[J]. 崔永杰,蘇帥,王霞霞,田玉鳳,李平平,張發(fā)年.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2013(05)
[10]基于計(jì)算機(jī)視覺(jué)的大田害蟲(chóng)遠(yuǎn)程自動(dòng)識(shí)別系統(tǒng)[J]. 韓瑞珍,何勇.  農(nóng)業(yè)工程學(xué)報(bào). 2013(03)

博士論文
[1]基于機(jī)器視覺(jué)的害蟲(chóng)識(shí)別方法研究[D]. 吳翔.浙江大學(xué) 2016

碩士論文
[1]基于支持向量機(jī)的車(chē)標(biāo)圖像識(shí)別技術(shù)研究[D]. 王小康.北京交通大學(xué) 2018



本文編號(hào)：2908433