SSD（single shot multibox detector）翻译，含原论文原创性声明本人郑

文件名称: SSD（single shot multibox detector）翻译

所属分类: 讲义

开发工具:

文件大小: 22mb

下载次数: 0

上传时间: 2019-03-03

提供者: qq_39******

下载 (22mb)

不能下载？报告错误

详细说明：SSD（single shot multibox detector）翻译，含原论文原创性声明本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。位论文作着(笔)签名分2y年D月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定,同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权南京农业大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编学位论文保密口,在年解密后适用本授权书。本学位论文属于不保密Ⅳ (请在以上方框内打“√ 学位论文作者(需亲笔)签名: 01年1月J日导师(需亲笔)签名 2/3年/2月b日目录目录摘要 ABSTRACT III 第一章绪论 1.1引言 1.2机器视觉技术在农业害虫识别中的应用 1.2.1机器视觉技术的引出 1112 1.2.2机器视觉主要技术和识别算法 1.2.2.1采集图像光谱 2.2.2数字图像处理技术. 1.2.2.3模式识别技术 1.3基于机器视觉的害虫识别国内外研究现状 1.3.1直接用可见光的害虫识别研究现状 1.3.1.1国外研究现状 1.3.1.2国内研究现状 1.3.2近红外用于害虫识别的研究现状. 3.2.1国外研究现状 3.2.2国内研究现状 1.3.3其它光谱用于害虫识别的研究现状 5555778889 1.3.3.1国外研究现状 1.3.3.2国内研究现状 1.3.4支持向量机用于害虫识别的研究现状 10 1.3.4.1国外研究现状 10 1.3.4.2国内研究现状 1.3.5神经网络用于害虫识别的研究现状 3.5.1国外研究现状. 11 3.5.2国内研究现状 ,,,,,,,,,12 1.4研究目的和意义 1.4.1研究目的 1.4.2研究意义 1.5研究内容和技术路线 ,,,14 1.5.1研究内容番番 14 1.5.2技术路线. 15 参考文献 16 第二章稻飞虱图像现场采集系统的设计 22 2.1图像采集系统总体设计 22 2.2诱集幕布装置设计 23 2.3采集小车设计 2.3.1小车硬件设计 23 目录 2.3.1.1S3C2440芯片. 24 2.3.1.2L298电机驱动芯片省鲁。鲁鲁 24 2.3.1.3摄像头仰角控制模块.. ● 24 2.3.1.4电源模块 2.3.1.5 SunTime200A工业相机 ,,,25 2.3.1.6 SunTime t100工业镜头 26 2.3.2小车软件设计 27 2.4远程控制软件设计 28 2.5系统特点 29 2.6本章小结 30 参考文献。●·带· 31 第三章基于不变矩的稻飞虱图像特征值提取 3.1稻飞虱图像预处理 3.1.1图像灰度化 34 3.1.1.1RGB颜色系统 34 3.11.2RGB转换成灰度 35 3.1.2图像分割 36 3.1.3数学形态学去噪. 39 3.1.3.1数学形态学基本运算 ,,39 3.1.3.1.1二值图像腐蚀运算鲁非·自鲁·自· 39 3.1.3.1.2二值图像膨胀运算 3.L.3.1.3二值图像开运算鲁鲁 ,,,,,,,,40 3.1.3.1.4二值图像闭运算 40 3.1.3.2稻飞虱二值图像去噪 40 3.1.4平滑滤波 41 3.1.4.1高斯滤波 41 3.1.4.2中值滤波 ,,43 3.1.5多个稻飞虱图像分割 DDD 44 3.1.5.1分水岭算法 ●要··· 44 3.1.5.2改进分水岭算法分割稻飞虱图像 45 3.2稻飞虱图像特征值提取 47 3.2.1特征提取方法选择 47 3.2.2基于l矩的特征值提取. ,,..,.,48 3.2.2.1Hu矩概念 3.2.2.2Hu矩提取稻飞虱特征值 n,,,,,,,51 3.2.3基于改进hu矩的特征值提取 52 3.2.3.1改进Hu矩概念 52 3.2.3.2改进Hu矩提取稻飞虱特征值 53 3.24基于 Zernike矩的特征值提取 54 3.2.4.1 Zernike矩概念 54 3.2.4.2 Zernike矩提取稻飞虱特征值 ...55 3.2.5基于 Krawtchouk矩的特征值提取目录 3.2.5.1 Krawtchouk矩概念 .......,,,,,,57 3.2.5.2 Krawtchouk矩提取稻飞虱特征值 3.3本章小结 ∴....59 参考文献 59 第四章最佳不变矩的选择和纹理特征的提取 ,,63 4.1BP神经网络选择最佳不变矩 4.1.1神经网络基本概念 3 4.1.2BP神经网络基本概念 63 4.1.3BP神经网络测试4种不变矩稻飞虱分类识别 4.1.3.1确定识别稻飞虱的BP神经网络结构 64 4.1.3.2BP神经网络参数的选择. 41.3.3BP神经网络对Hu矩特征值训练测试 66 4.1.3.4BP神经网络对改进hu矩特征值训练测试 67 4.1.3.5BP神经网络对 Zernike矩特征值训练测试 68 4.1.3.6BP神经网络对 Krawtchouk矩特征值训练测试 4.1.3.7四种不变矩特征值测试结果对比...69 4.2三种稻飞虱纹理特征提取 70 4.2.1改进灰度共生矩阵 ..70 4.2.2灰度共生矩阵生成特征值 4.2.3基于灰度共生矩阵的稻飞虱纹理特征值提取 ,,,,,,72 4.2.3.1提取灰度图像 ....73 4.2.3.2压缩灰度级 74 4.2.3.3选择步矩 ..,,,,,75 4.2.3.4选择方向 75 4.2.3.5运算结果 75 424BP神经网络对纹理特征值训练测试 76 4.3本章小结兽鲁鲁 ,,77 参考文献第五章遗传算法和粒子群算法优化神经网络识别稻飞虱 80 5.1遗传算法优化BP神经网络识别稻飞虱 80 5.1.1遗传算法基本概念 80 5.1.2遗传算法基本原理 81 5.1.3遗传算法优化BP神经网络 2 5.14遗传神经网络识别稻飞虱 5.2粒子群算法优化BP神经网络识别稻飞虱.. 888 5.2.1粒子群算法的基本概念 86 5.2.2用参数选择法改进粒子群算法 5.2.3IPS0优化BP神经网络 88 5.2.4IPS0优化BP神经网络识别稻飞虱 5.3遗传算法改进粒子群算法优化BP神经网络识别稻飞虱 5.3.1 GAIPS0优化B神经网络 92 5.3.2 GAIPS0优化BP神经网络识别稻飞虱 92 目录 5.4本章小结 95 参考文献 ,,,,95 第六章稻飞虱识别软件的设计与现场实验 6.1稻飞虱识别软件的总体结构 ,,,,,,98 6.2稻飞虱识别软件的设计 .99 6.2.1打开图像 6.2.2图像灰度化 100 6.2.3高斯滤波和二值化 100 6.2.4形态学去噪和平滑滤波 101 6.2.5图像分割 101 6.2.6提取特征值. 102 6.2.7数据导出. 103 6.2.8识别结果. ,,,103 6.2.9“ About”信息显示 ·。D 104 6.3现场实验 104 6.3.1实验目的 104 6.3.2实验准备 105 6.3.3实验过程 ,,,106 6.34实验结果 111 6.4本章小结鲁 111 第七章结论与建议. 112 7.1结论 112 7.2创新点鲁鲁鲁● 113 7.3后续工作附录致谢 131 攻读博士学位期间发表的论文 ::133 摘要基于机器视觉的稻飞虱现场识别技术研究摘要针对稻田合理喷药需要知道害虫密度的问题,研究了稻飞虱现场实时识别技术, 包括稻田现场拍摄稻飞虱图像的方法,对拍摄的图像用不变矩提取形状特征值,用灰度共生矩阵提取纹理特征值,以及用仿生算法改进BP神经网络对稻飞虱进行识别并计数。具体研究是采用自行设计的拍摄装置采集稻飞虱图像,灰度化后用大津法二值化,再用数学形态学滤波;对二值图像采用u矩、改进u矩、 Zernike矩和 Krawtchouk 矩四种不变矩分别提取特征值,再用BP神经网络进行训练和测试,以此检测四种矩的提取效果,具体操作是用 Matlab2008运行算法,对白背飞虱、灰飞虱和褐飞虱共 300个样本进行了训练和测试,结果表明 Krawtchouk矩提取稻飞虱图像形状的6个特征值的识别率最高,其中对褐飞虱的识别率达到了100%,但是对白背飞虱和灰飞虱的误识别率较大。针对这一情况,进一步采用改进灰度共生矩阵提取背部纹理的4个特征值来识别三种稻飞虱,训练结果是白背飞虱和灰飞虱的识别率要高于 Krawtchouk 矩提取的特征值,而褐飞虱的识别率低于 Krawtchouk矩提取的特征值,于是将这两种提取特征值的方法结合起来,这样最终确定了10个特征值。在此基础之上,采用遗传算法和参数选择改进粒子群算法优化神经网络分别训练和识别三种稻飞虱,通过对比和分析,遗传算法和粒子群算法各有优缺点,于是采用遗传算法改进粒子群算法优化BP神经网络,实验结果得到白背飞虱的正确识别率为9%,灰飞虱为95%,褐飞虱为10%,通过分析适应度曲线和训练误差曲线表明这一算法搜索效率高,求解速度快,训练时间比遗传算法的提高了52.7%,比粒子群算法的提高了24.1%,更加满足本文提出的实时性要求。按前面选择的算法编完软件后,现场实验的结果表明可以识别稻飞虱并计数,为适时适量的稻田喷药提供了依据论文的主要研究内容及成果如下: (1)研究稻飞虱现场实时识别技术。使用移动小车,分别拍摄白背飞虱、100个样本,灰飞虱100个样本,褐飞虱100个样本,拍摄其背部图像,无线传回远程PC 机,由设计的软件实时识别 (2)设计现场稻飞虱活体图像采集装置。采集装置核心采用三星嵌入式处理器 S3C2440,配备台湾显泰的USB接口工业相机,相机镜头变倍比15:1,采集图像大小定为640×480像素,通过嵌入式系统由USB无线网卡传回远程计算机 (3)预处理稻飞虱图像。对稻飞虱图像进行灰度化、二值化、数学形态学滤波、基于机器视觉的稻飞虱现场识别技术研究高斯滤波、平滑滤波等处理,得到质量比较好的去掉背景的二值图像;再通过二值图像的坐标计算得到去掉背景的灰度图像;最后采用改进的分水岭算法分割稻飞虱,将一幅图像中的多头稻飞虱分离到160×160像素的各子图像中,以便进一步处理。采用的算法计算简单,稳定有效,耗时最少,满足实时性的要求 4)用四种不变矩提取稻飞虱形状特征值。用Ⅲ矩、改进Ⅲu矩、 Zernike矩和 Krawtchouk矩四种不变矩分别提取特征值,再用BP神经网络训练和测试,经过 Mat1ab2008实验对比, Krawtchouk矩提取的6个特征值不仅反映出全局特征,而且展现了更好的局部性,对于稻飞虱的识别分类明显好于其它不变矩,其中对褐飞虱的识别率达到100%,但是对白背飞虱和灰飞虱误识别率较高 5)采用改进灰度共生矩阵提取稻飞虱背部纹理特征值。找到稻飞虱的重心以重心为中心,选取多重环形路线构建灰度共生矩阵,解决稻飞虱图像的方向性问题再计算灰度共生矩阵的能量、熵、惯性矩和相关等4个特征,用神经网络训练和测试, 白背飞虱的识别率达到80%,灰飞虱的识别率达到90%,这两种稻飞虱的识别率要高于 Krawtchouk矩提取的特征值,而褐飞虱的识别率为95%,低于 Krawtchouk矩提取的特征值,于是将这两种提取特征值的方法结合起来,最终确定了10个特征值。 (6)优化神经网络识别稻飞虱。将上面确定的10个特征值结合起来作为BP神经网络的输入,再将遗传算法和粒子群算法相结合,把粒子群算法中的极值跟踪法改为遗传算法的交叉和变异操作,采用粒子分别与个体极值和群体极值进行交叉运算粒子自己变异运算搜索最优解,以此保持个体之间信息交流和种群的多样性,提高搜索效率,加快求解速度,训练时间是0.4071秒,比遗传算法的0.86085秒提高了52.7%, 比粒子群算法的0.53599秒提高了24.1%,更加满足本文提出的实时性要求 7)设计稻飞虱识别软件。软件的流程是打开由无线采集小车实时传回的稻飞虱图像,经过一系列处理,提取不变矩特征值,最后通过 GAIPS0神经网络识别稻飞虱并计数。 8)现场实验。在南京农业大学卫岗水稻试验站对系统进行现场测试,将采集幕布放置在田块之间的观测路上,小车放置在幕布前,远程控制其自由运行。将小车调整到最佳拍摄位置,通过工业相机拍摄稻飞虱图像,再通过无线网卡传回远程计算机进一步处理。现场实验表明系统可以正常工作,并能够实现实时识别并计数关键词:机器视觉;稻飞虱;分水岭算法;u矩; Zernike矩; Krawtchouk矩;灰度共生矩阵;BP神经网络;遗传算法;粒子群算法 ABSTRACT RESEARCH ON THE FIELD IDENTIFICATION TECHNOLOGY OF RICE PLANTHOPPER WITH MACHINE VISION ABSTRACT Aimed at the problems of excessive spraying pesticide in paddy, i studied on the field identification technology of rice planthopper with machine vision. In order to obtain images of rice planthopper, i designed an equipment which was controlled by a remote computer. After image acquisition, the first operation was image preprocessing. The shape features of rice planthoppers were extracted by Hu moment, Improved Hu moment, Zernike moment and Krawtchouk moment. Then, BP Neural Network was used to train and test in order to know which was the best one in the four moments, The experiment was used Matlab2008 to verify algorithm It trained and tested on 300 samples of sogatella furcifera, laodelphax and nilaparvata lugens. The result showed that the correct rate of the recognition was the highest one which features were extracted by Krawtchouk moment, but the error recognition ratio of sogatella furcifera and laodelphax was high. Aimed at this problem, gray level co-occurrence matrix was used to extract the feature of the back texture to discriminate of the three rice planthoppers. On this basis, the paper further used genetic algorithm to optimize BP neural network and particle swarm to optimize BP neural network. By contrast, genetic algorithm and particle swarm optimization algorithm have their own advantages and disadvantages. Experimental results showed that the recognition result using genetic algorithm to optimize particle swarm algorithm has a faster operation peed. It can satisfy real time The main contents and results of the research 1)The determination of research project This paper studied real-time identification for rice planthopper in the field. Image acquisition used a mobile vehicle. It shot 300 samples of Sogatella furcifera, Nilaparvata lugens and Laodelphax. It shot the back shape of rice planthoppers. They were sent back to the remote pc by wireless way and identified by software (2 Mobile equipment design

(系统自动生成,下载前可以参看下载内容)