一、昆虫图像的自动计数方法的研究（论文文献综述）
陈冬梅,张赫,魏凯华,袁琳,金晶,吴开华[1]（2021）在《复杂背景下昆虫图像的快速分割与识别》文中研究说明昆虫图像分割是昆虫图像的识别与鉴定的重点和难点。目前,昆虫分割算法速度慢、过程复杂且大多数只针对于单一背景图像。为了更准确高效地实现昆虫图像的前景背景图像分离,提出一种基于逐像素聚类的端对端的昆虫图像分割方法,能够同时实现复杂背景下的昆虫图像分割与昆虫种类识别。采用覆盖5个昆虫目级阶元的37种实际场景下拍摄的昆虫图像作为研究对象,首先通过试验确定所提模型的最优参数设置,选择ResNet101作为分割模型的主干特征提取网络,在IoU取0.50时,其掩膜分支平均准确度均值、定位平均准确度均值及平均识别误差率分别为93.15%、95.06%和12.12%,分割每张昆虫图像仅需0.080 s,所提模型能够同步实现复杂背景下昆虫目标与背景的快速准确分割并进行分类。
邱荣洲,赵健,何玉仙,陈韶萍,黄美玲,池美香,梁勇,翁启勇[2]（2021）在《基于性诱和深度学习的草地贪夜蛾成虫自动识别计数方法》文中研究指明【目的】探究深度学习在草地贪夜蛾Spodoptera frugiperda成虫自动识别计数上的可行性,并评估模型的识别计数准确率,为害虫机器智能监测提供图像识别与计数方法。【方法】设计一种基于性诱的害虫图像监测装置,定时自动采集诱捕到的草地贪夜蛾成虫图像,结合采集船形诱捕器粘虫板上草地贪夜蛾成虫图像,构建数据集;应用YOLOv5深度学习目标检测模型进行特征学习,通过草地贪夜蛾原始图像、清除边缘残缺目标、增加相似检测目标（斜纹夜蛾成虫）、无检测目标负样本等不同处理的数据集进行模型训练,得到Yolov5s-A1, Yolov5s-A2, Yolov5s-AB, Yolov5s-ABC 4个模型,对比在不同遮挡程度梯度下的测试样本不同模型检测结果,用准确率（P）、召回率（R）、F1值、平均准确率（average precision, AP）和计数准确率（counting accuracy, CA）评估各模型的差异。【结果】通过原始图像集训练的模型Yolov5s-A1的识别准确率为87.37%,召回率为90.24%,F1值为88.78;清除边缘残缺目标图像集训练得到的模型Yolov5s-A2的识别准确率为93.15%,召回率为84.77%,F1值为88.76;增加斜纹夜蛾成虫样本图像训练的模型Yolov5s-AB的识别准确率为96.23%,召回率为91.85%,F1值为93.99;增加斜纹夜蛾成虫和无检测对象负样本训练的模型Yolov5s-ABC的识别准确率为94.76%,召回率为88.23%,F1值为91.38。4个模型的AP值从高到低排列如下:Yolov5s-AB>Yolov5s-ABC> Yolov5s-A2>Yolov5s-A1,其中Yolov5s-AB与Yolov5s-ABC结果相近;CA值从高到低排列如下:Yolov5s-AB>Yolov5s-ABC>Yolov5s-A2>Yolov5s-A1。【结论】结果表明本文提出的方法应用于控制条件下害虫图像监测设备及诱捕器粘虫板上草地贪夜蛾成虫的识别计数是可行的,深度学习技术对于草地贪夜蛾成虫的识别和计数是有效的。基于深度学习的草地贪夜蛾成虫自动识别与计数方法对虫体姿态变化、杂物干扰等有较好的鲁棒性,可从各种虫体姿态及破损虫体中自动统计出草地贪夜蛾成虫的数量,在害虫种群监测中具有广阔的应用前景。
李林,柏召,刁磊,唐詹,郭旭超[3]（2021）在《基于K-SSD-F的东亚飞蝗视频检测与计数方法》文中提出针对目前国内蝗虫监测主要以人工监测为主、监测效率低且计数不准确的问题,以5龄东亚飞蝗为实验对象,提出了一种蝗虫视频计数方法K-SSD-F算法。该方法可以实时、连续、自动监测蝗虫的数量。首先利用背景分离法中的KNN算法提取视频前后帧的时空特征;然后通过标注好的数据训练SSD模型,并对视频进行检测,提取视频的静态特征,二者结合以提高计数准确率;最后利用补帧算法识别因姿态变化导致的漏计数的帧。实验结果表明,蝗虫识别准确率为97%,召回率为89%,平均检测精度（mAP）为88.94%,F1值为92.82%,且检测速度达到了19.78 f/s。本文方法具有较好的鲁棒性,可以实现蝗虫的实时和自动计数,其精度优于其他模型,也可为其他种类的昆虫自动识别计数提供理论基础。
候瑞环[4]（2021）在《基于深度学习的林业害虫监测系统设计与实现》文中认为害虫爆发会对林业资源及生态安全造成极大威胁、给国家造成巨大经济损失。因此,实现林业害虫监测非常必要。目前针对林业害虫的研究比较少,多数基于储粮害虫与农作物害虫进行研究,且害虫监测防控手段以诱捕器诱捕、虫情测报仪诱测与人工识别计数为主,费时费力、易出错。本文使用改进的深度学习目标检测模型YOLOv4-TIA对林业昆虫图像进行自动特征提取及识别检测,并在此基础上设计并实现了林业害虫监测系统。本文主要研究工作如下:首先,构建包含两种应用场景的害虫图像数据集。一种为从网络搜集整理的野外自然环境下的5种常见森林害虫图像,使用Label Img进行害虫目标标注,共2000幅图像;另一种为诱捕器背景下的7种林业害虫图像,共1973幅图像。通过数据增强操作将两种数据集的图像数量分别扩充至12000张与10758张,可被应用于基于深度学习的林业害虫检测的相关研究。其次,构建适用于林业害虫检测的YOLOv4-TIA网络。通过在YOLOv4的骨干网络中设计Triplet Attention模块来改进CSPDarknet53结构,捕获跨维交互,改善由标准CSPDarknet53生成的特征表示,实现在不增加网络参数量的前提下通过强化目标特征表示来提取高质量图像特征;通过增加跳跃连接与高效多方向的跨尺度连接相结合的特征融合方式,改进YOLOv4检测网络中PANet的特征融合方式,更好地平衡多尺度特征信息,获取更为丰富的语义信息和位置信息,同时利用Focal loss优化损失函数。将改进的YOLOv4-TIA网络与其他四种模型进行实验对比,结果表明改进的YOLOv4-TIA网络在本次研究的数据集上性能最佳,m AP可达98.8%。最后,文章在YOLOv4-TIA网络的基础上设计并实现了林业害虫监测系统。系统主要包括害虫图像信息录入、读取图像文件、害虫检测、害虫计数、虫害预警与虫情分析等功能,为林业科学防治提供了一种新的思路与依据。
陈俭[5]（2021）在《基于卷积神经网络和度量学习的害虫检测方法研究》文中研究说明快速、准确的害虫识别是虫情监控的关键。传统害虫诊断过程依赖农业专家的知识,人工识别费力耗时且易出错,难以达到现代农业的自动化要求。近年来,国内外研究者在基于机器视觉技术的害虫检测方法上进行了大量研究,希望构建实时性强、精度高的检测系统替代传统人工方法。其中,基于卷积神经网络的图像处理方法在模型精度和泛化能力上都大幅超越了传统机器视觉方法,在田间自然环境下害虫图像识别问题中表现出较强的鲁棒性。目前的害虫识别研究以成虫的分类任务为主,对于体积小、肉眼不易发现的单种害虫进行识别的研究还比较少。这类害虫在图像中体现为像素数少、与背景特征相近,其识别任务有一定的技术难度和研究价值。另一方面,对于多种害虫的目标检测任务,目前的研究涉及的害虫种类数多为数类至数十类,对于模型在害虫种类更多时的适用性未有探讨。与此同时,基于卷积神经网络的特征分类模型,在需要增加新害虫类别时需要重新进行数据采集、标注和神经网络训练,在模型的灵活性、泛用性上尚有不足。本文针对这两个问题展开以下几方面的研究:（1）使用卷积神经网络模型,研究了叶片表面体积小、与背景相似度较高的蚜虫幼虫的识别。采集被蚜虫侵染的小青菜叶片图像,基于U-Net卷积神经网络模型构建了对图像中叶片蚜虫进行像素级分割的模型。模型在测试数据中Dice系数达到0.82。进一步使用像素级分割结果进行蚜虫计数,结果与人工计数平均绝对误差为1.2,准确和召回率均超过95%。与传统图像分割方法对比,本文方法在识别精度上具有较大的优势。（2）研究了基于i Naturalist2017数据集的多类别昆虫目标检测方法。设计实验验证了图像中昆虫的尺度不一问题是影响分类精度的主要因素,图像中背景的干扰是次要因素。在此基础上,提出先使用Faster R-CNN模型进行图像中昆虫的定位,统一昆虫尺度后再使用Res Net50模型进行昆虫分类的检测方法。相比使用Faster R-CNN模型进行端到端的定位与分类的模型,本文模型将i Naturalist数据集1021类昆虫的目标检测任务m AP性能指标从0.483提升到0.614。（3）研究了类别无关的害虫定位方法。使用i Naturalist数据集和Faster R-CNN卷积神经网络构建了具有较高泛化能力的图像昆虫定位模型。模型在跨类别交叉验证中m AP指标超过0.73。在只使用i Naturalist数据集进行训练,不使用特定农业害虫数据进行训练微调的情况下,该模型在农业害虫数据集中m AP指标超过0.7。初步实现了通用性和鲁棒性较强的害虫定位模型。（4）研究了基于度量学习方法和卷积神经网络的害虫分类模型。基于Arc Face度量学习方法在i Naturalist数据集上训练Res Net50卷积神经网络作为特征提取器。在应用于农业害虫分类时,使用少量已知类别的害虫图像提取特征并构建特征库。在对未知图像进行分类时,提取特征并与特征库进行比对得到分类结果。实验中只使用少量数据（每类5张图像）构建特征库,就能够在4个农业害虫数据集上分别达到90%以上的分类准确率,实现了添加新害虫类别时无需重训练的害虫分类。（5）开发并设计了基于FPGA硬件的卷积神经网络模型。通过网络的小型化设计以及知识蒸馏和神经网络量化方法,在保留足够模型精度的前提下加快模型的运行速度。测试结果表明,害虫定位模型在AP50指标达到0.91的条件下运行速度超过150图像/秒,害虫分类模型在准确率超过90%的条件下运行速度超过200图像/秒,蚜虫幼虫分割模型在Dice系数达到0.69的条件下运行速度约为3图像/秒。
王洋,权瑞,刘扬[6]（2021）在《以花蚤科为例的昆虫图像处理软件应用研究》文中研究表明利用相关图像处理软件对昆虫标本照片进行优化,可以高效精确地展示昆虫形态特征.本文以花蚤科昆虫图像处理为例,对Adobe Photoshop、 Photozoom和AdobeIllustrator等图像处理软件功能进行了介绍,并对图像修复、图像堆栈、绘图、几何形态测量和计数等操作流程和方法进行了展示.结果显示, Adobe Photoshop等图像处理软件可显着提升昆虫标本照片的质量,能够有效挖掘图像潜在信息,在昆虫分类学研究上具有重要的推广和应用价值.
姚侃[7]（2020）在《基于图像识别的十字花科蔬菜主要害虫分类研究》文中提出害虫的预测预报是合理防治虫害的前提。目前,十字花科蔬菜主要害虫的测报方法是:通过虫情测报灯诱杀害虫,一段时间后由人工取回诱杀的害虫,然后在实验室由测报人员进行识别与计数。这种方法费时费力,测报的准确性也不高。为了减轻测报人员的工作负担,以及提高测报的准确性,本文提出了基于图像识别的十字花科蔬菜主要害虫的分类研究。主要工作包括:（1）通过不同途径收集到十字花科蔬菜主要害虫样本,经过手工分类后,按本文设定的图像采集标准对害虫样本进行图像采集,得到4218张害虫图像,建立了十字花科蔬菜主要害虫数据库;（2）对昆虫分类学特征进行了研究,通过对比头、胸、腹三部分昆虫分类学特征,以及实验室测量的害虫身体数据,提出了头部翅部面积比、头部翅部长度比、头部翅部平均宽度比、单翅双翅对角线长度比、最长轴与对应短轴比、周长中轴比这6种新的形状特征;（3）为了更快速准确的提取6种新的形状特征,本文设计了新的分割方法对害虫进行自动分割,并设计了一个GUI界面,用于6种形状特征的提取;（4）分别提取了害虫图像的6种形状特征以及Gabor特征、LBP特征、HOG特征和颜色特征这四种传统特征,通过分类器对五种十字花科蔬菜主要害虫进行分类,对比了6种形状特征和四种传统特征的识别准确率。结果表明,本文提出的6种形状特征具有较高的准确率,能够更好的对5种十字花科蔬菜主要害虫进行分类识别;（5）为了提高识别率,本文对6种形状特征和四种传统特征进行特征融合,得到了5种融合特征,通过SVM分类器对五种十字花科蔬菜主要害虫进行分类。结果表明,并不是融合特征越多,识别准确率越高。6种形状特征加上颜色这一融合特征更加适用于十字花科蔬菜主要害虫的分类识别;（6）在原有数据库中加入残缺图像,十字花科蔬菜主要害虫识别准确率大幅下降,其平均准确率为55.2%。通过融合四种传统特征,提高了识别准确率,且6种形状特征融合LBP特征平均识别准确率提升了41.49%,达到了96.69%。本文建立的十字花科蔬菜主要害虫图像的采集标准,并建立了图像数据库,包含了大部分害虫姿态。这为今后研究十字花科蔬菜主要害虫的智能分类识别提供了良好的基础。本文提出的6种形状特征具有较高的识别准确率,为后续研究十字花科蔬菜主要害虫的自动分类识别提供了较好的研究思路。
王振[8]（2020）在《棉花蚜虫识别诊断系统与监测装置研制》文中指出由于新疆独特的地理位置和得天独厚的光热资源,新疆已经成为我国棉花主产区。蚜虫作为限制棉花生产的主要因素之一,快速、准确的获取蚜虫数量信息具有一定的现实意义。利用机器学习和深度学习实现蚜虫信息的自动化获取能够减轻植保从业人员和科研工作者劳动成本,降低植保行业入行门槛。在监测蚜虫数量信息的基础指导农业工作人员合理喷施农药,能够起到节约成本和减少环境污染。随着机器视觉在农业邻域的快速发展使得在黄板与棉花叶片背景下蚜虫的识别计数成为可能。根据黄板与背景间、蚜虫与黄板间灰度值差异选择适合分割黄板与背景、蚜虫与黄板的颜色分量组合。设计复杂光照条件下的图像处理方案,实现非均光照条件下黄板与背景、蚜虫与黄板的分割。通过机器学习构建有翅蚜判别模型实现黄板图像中蚜虫的识别与计数;通过Faster RCNN模型构建棉花叶片蚜虫识别模型,通过迁移学习、压缩图像和缩小ROI（感兴趣区域）面积以解决Faster RCNN模型训练模型时间过长、识别精度低和目标标定不准确等问题。基于上述研究成果,设计一种可自动黄板棉蚜监测装置。结合黄色粘虫板与图像自动采集系统,通过远程控制系统控制黄板的更迭实现棉花大田蚜虫的诱集和黄板的自动替换。通过控制摄像机的旋转实现黄板图像的自动采集。试验结果表明:通过两次自适应阈值分割H颜色分量能实现黄板与背景的分割,通过图像增强处理能实现非均匀光照条件下蚜虫与黄板的分割;通过BP神经网络构建蚜虫识别模型识别效果良好,蚜虫识别率达93.33%。通过迁移学习等手段能显着减低模型训练时间和提高深度学习网络识别精度,有翅蚜识别率为71%,若蚜识别率为74%。主要研究成果如下:1基于黄板图像黄板的分割与图像增强该研究通过不同颜色分量下黄板与复杂背景、昆虫目标与黄板之间灰度值差异选择出适合分割黄板与背景和适合分割目标与黄板的最优颜色分量组合;通过对H颜色分量两次自适应阈值分割实现黄板与黄板周围背景的分割,通过掩膜的方式剔除黄板周围复杂背景（天空、云朵、棉花和土壤）。提出一种基于灰度特征图像增强方法,在G颜色分量下对原始图像进行高斯滤波通,滤波结果与原始图像做差,差值结果与原始图像做商达到增强蚜虫颜色特征的目的,实现在非均匀光照条件下昆虫目标与黄板的分割。试验结果表明:各颜色空间各颜色分量中H和G颜色分量组合能较好的实现黄板与背景的分割、目标昆虫与背景的分割;通过灰度增强处理,强弱两种非均匀光照条件下图分割结果稳定、目标形态特征保持良好、灰度增强图像处理过程中剔除干扰能力强。2基于黄板棉花蚜虫识别与计数通过设置面积阈值的方式剔除黄板上瓢虫、叶蝉、噪声。通过蚜虫与蓟马之间形态特征差异构建蚜虫识别模型,实现蚜虫与其他昆虫之间的识别。通过BP神经网络识别模型,随机选择10幅黄板图像进行识别与计数。试验结果表明:通过设置面积阈值为150剔除黄板上瓢虫与叶蝉。通过设置面积阈值20剔除黄板上噪声干扰。利用SVM和BP神经网络分别构建蚜虫判别模型。SVM构建蚜虫判别模型不同内置核之间识别精度差别不大。通过泛化能力更强的BP神经网络进行验证,发现BP神经网络识别蚜虫的能力略强于SVM。选择与长度无关和有关的形态特征作为BP神经网络的的输入向量重新构建识别模型,发现不同的形态特征对蚜虫的识别均有不同程度的影响,仅选择离心率、长短轴比值、复杂度和似圆度形态特征参数构建识别模型,模型精度也达到了89.5%。在蚜虫识别与计数的过程中,蚜虫识别率为93.33%。但是在实际的应用过程中识别对象不再是经典的蚜虫与蓟马,导致误识率增加。3基于深度学习棉花叶片蚜虫种类识别及标定该研究采用faster RCNN算法构建蚜虫种类识别模型,通过初始数据模型确定批处理大小和学习速率参数超参数。通过引入训练好的网络并对其进行修改、降低棉花叶片图像的分辨率和缩小ROI（感兴趣区域）以解决样本较少、图像本身分辨率高造成的Faster RCNN网络在棉花叶片蚜虫目标检测过程中模型训练时间过长、识别精度较低和目标标定不准确等问题。试验结果表明:当批处理最小值设置为1、学习速率设为0.001时间Faster RCNN模型识别效果最好。通过引入训练好的网络并对其进行修改和降低图像分辨率,模型识别精度从9.1%增加到71%、训练时间从32个小时下降到4个小时。4棉花蚜虫监测系统设计结合远程控制APP设计一种可自动替换黄板棉蚜监测装置。本装置由棉蚜诱集区、图像采集区、气象传感器组件、控制箱和主体支架组成。通过黄色粘虫纸诱集棉蚜,通过图像采集系统获取黄板图像,通过图像处理实现黄板的定位与蚜虫颜色特征增强,通过设置面积阈值和形态特征构建蚜虫识别模型,最终实时实现监测大田黄板图像上蚜虫数量的目的。该研究利用图像采集装置、自动化控制技术、图像处理手段和基于机器学习构建识别模型实现蚜虫图像的自动获取、黄板的定位、瓢虫叶蝉和噪声的剔除、蚜虫与蓟马的判别。通过黄板的自动替换减少棉蚜粘连和重叠情况的发生、解决了蚜虫图像在处理过程中背景复杂蚜虫势必困难等问题。
王卫民,符首夫,顾榕蓉,王东升,何林容,关文斌[9]（2020）在《基于卷积神经网络的虫情图像分割和计数方法》文中认为为提高虫情图像的分割和计数的准确率,提出了一种基于卷积神经网络的虫情图像分割和计数方法。该方法基于U-Net模型构造了一种昆虫图像分割的模型Insect-Net,将完整的虫情图像和切割后的虫情图像分别输入模型后,提取两者特征进行融合。将融合后的特征输入1个1×1的卷积层得到最终分割结果,再将得到的结果二值化后,采用轮廓检测算法将昆虫目标与背景分离并计数。实验结果表明,该方法在虫情图像中取得了较高的分割正确率和计数正确率,分别为94.4%和89.2%。用深度学习和卷积神经网络的方法有效提高了虫情图像的计数精度,并且为昆虫识别分类提供了大量的无背景数据集。
符首夫[10]（2020）在《基于卷积神经网络的农作物昆虫识别与计数》文中研究说明农作物在生长过程中,容易受到各种病虫害的危害,影响粮食的产量和质量,因此对农作物病虫害的防治显得尤为重要。针对虫害,有效防治的前提是及时且准确地对田间害虫监测,根据虫情图像监测害虫的种群动态是有效的防治手段之一。由于农业害虫生态环境复杂,种类和数量庞大,传统的虫情图像监测方法存在实时性差、准确率低等问题。针对这一难点,本文采用深度学习的图像处理技术,提出了一套基于卷积神经网络的图像分割和图像识别方法。完成了对田间采集的农作物昆虫图像自动识别与计数。本文主要研究内容包括:（1）背景分割方法研究。由于虫情图像背景复杂,采用全卷积神经网络的方法将昆虫与背景分割开来。本文基于U-Net模型构造了一种用于昆虫图像分割的模型Insect-Net,该模型对完整的虫情图片和切割后的虫情图片分别提取特征后进行融合,将融合后的特征输入一个1×1的卷积层后得到最终分割结果,随后提取昆虫轮廓比计数。实验结果表明,该方法在虫情图像中取得了较高的像素正确率和计数正确率,分别为94.4%和89.2%。（2）粘连分割方法研究。从背景中分离的昆虫轮廓有部分粘连,为了准确地识别计数,必须把粘连的昆虫分割开来。本文采用Insect-Net模型,以昆虫目标区域图为标签训练一个子模型,再以昆虫目标边缘图为标签训练一个子模型,最终将预测得到的边缘图和区域图二值化后做与运算,我们将模型称为双流Insect-Net模型。比传统的分割方法,双流Insect-Net具有更好的分割率和分割有效率。（3）昆虫分类方法研究。在单目标的模型中将昆虫分为大型昆虫和小型昆虫,对大型昆虫和小型昆虫分别采用不同的特征提取网络,对比分类效果。测试结果表明,VGG4和Res Net50分别在小型昆虫和大型昆虫上表现较好。而将粘连分割任务和昆虫识别任务合二为一的CRNN模型在大量样本为单个目标的场景下识别精度不占优势。（4）我们将以上三种方法组合起来,对农作物昆虫识别与计数展开了实验对比。结果表明,基于CRNN的模型具有较好的计数精度,其各类昆虫平均计数正确率为86.9%。本文针对农作物中的6种目标害虫建立了自动识别与计数模型,实验结果表明,模型具有较好的精度和泛化能力,能够满足农业生产环境虫情检测的需求。
二、昆虫图像的自动计数方法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、昆虫图像的自动计数方法的研究（论文提纲范文）
（1）复杂背景下昆虫图像的快速分割与识别（论文提纲范文）
| 1 材料与方法 |
| 1.1 图像数据与试验环境 |
| 1.2 昆虫图像分割方法概述 |
| 1.2.1 主干特征提取网络结构 |
| 1.2.2 原型掩膜及系数计算 |
| 1.3 分割结果评价指标 |
| 2 试验与结果 |
| 2.1 主干特征提取网络对比试验 |
| 2.2 模型与Mask R-CNN分割性能对比试验 |
| 2.3 分割异常分析 |
| 3 总结与展望 |
（2）基于性诱和深度学习的草地贪夜蛾成虫自动识别计数方法（论文提纲范文）
| 1 材料与方法 |
| 1.1 试验数据采集 |
| 1.2 数据集建立 |
| 1.3 实验装置/模型的训练 |
| 1.3.1 试验平台： |
| 1.3.2 识别模型的训练： |
| 1.4 评价指标 |
| 2 结果 |
| 2.1 清除边缘残缺目标训练样本的对比检测结果 |
| 2.2 增加数据类别(斜纹夜蛾、负样本)样本对结果的影响 |
| 2.3 不同遮挡重叠程度对比试验 |
| 2.4 不同梯度测试集的计数结果 |
| 2.5 几种处理之间的AP值差异比较 |
| 3 结论与讨论 |
（3）基于K-SSD-F的东亚飞蝗视频检测与计数方法（论文提纲范文）
| 0 引言 |
| 1 数据和方法 |
| 1.1 东亚飞蝗的形态学特征 |
| 1.2 数据集 |
| 1.3 数据标注方法 |
| 1.4 数据增强 |
| 1.5 K-SSD-F算法 |
| 1.5.1 KNN算法 |
| 1.5.2 SSD算法 |
| 1.5.3 补帧算法 |
| 2 实验结果与分析 |
| 2.1 实验结果 |
| 2.2 结果分析 |
| 3 结束语 |
（4）基于深度学习的林业害虫监测系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及组织结构 |
| 1.3.1 研究内容及技术路线 |
| 1.3.2 论文结构安排 |
| 第2章 基于深度学习的图像检测识别技术与基础理论 |
| 2.1 深度学习 |
| 2.1.1 深度学习概述 |
| 2.1.2 深度学习框架 |
| 2.2 卷积神经网络基本原理 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 激活函数 |
| 2.3 基于深度卷积神经网络的目标检测技术 |
| 2.3.1 两阶段目标检测方法 |
| 2.3.2 单阶段目标检测方法 |
| 2.3.3 检测算法模型的损失函数与优化器 |
| 2.4 本章小结 |
| 第3章 林业害虫检测网络的设计 |
| 3.1 基于YOLOv4 改进的林业害虫检测网络 |
| 3.1.1 骨干网络的改进 |
| 3.1.2 融合改进PANet结构的YOLOv4-TIA |
| 3.1.3 损失函数的优化-Focal Loss函数 |
| 3.2 数据集与数据预处理 |
| 3.2.1 数据集介绍 |
| 3.2.2 数据预处理 |
| 3.3 林业害虫候选区域参数聚类 |
| 3.4 实验与数据分析 |
| 3.5 本章小结 |
| 第4章 林业害虫监测系统的设计与实现 |
| 4.1 林业害虫监测系统的功能需求分析 |
| 4.2 林业害虫监测系统设计 |
| 4.2.1 系统总体设计 |
| 4.2.2 系统模块功能设计 |
| 4.2.3 数据库表设计 |
| 4.3 林业害虫监测系统实现 |
| 4.4 林业害虫监测系统测试 |
| 4.4.1 平台测试环境说明 |
| 4.4.2 平台功能测试 |
| 4.4.3 系统性能测试 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 |
| 致谢 |
（5）基于卷积神经网络和度量学习的害虫检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统机器视觉方法的农业虫害检测 |
| 1.2.2 基于深度学习的农业害虫检测 |
| 1.2.3 存在的问题 |
| 1.3 技术路线与研究内容 |
| 第二章 材料与方法 |
| 2.1 实验材料 |
| 2.1.1 实验室采集数据集 |
| 2.1.2 公开数据集 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的基本算子 |
| 2.2.2 卷积神经网络的架构设计 |
| 2.3 深度度量学习 |
| 2.3.1 深度度量学习概述 |
| 2.3.2 深度度量学习损失函数 |
| 2.4 卷积神经网络加速方法 |
| 2.4.1 剪枝 |
| 2.4.2 量化 |
| 第三章 基于卷积神经网络的蚜虫幼虫识别方法 |
| 3.1 引言 |
| 3.2 实验设计 |
| 3.2.1 图像标注 |
| 3.2.2 全卷积神经网络设计 |
| 3.2.3 实验软件与硬件 |
| 3.3 评价指标 |
| 3.3.1 已标注测试数据的定量评价 |
| 3.3.2 网络架构精简与优化 |
| 3.4 实验结果与分析 |
| 3.4.1 CNN-4-4 结果分析 |
| 3.4.2 基于预训练编码器的迁移学习结果 |
| 3.4.3 卷积神经网络架构优化结果分析 |
| 3.5 本章小结 |
| 第四章 基于卷积神经网络的害虫目标检测方法 |
| 4.1 引言 |
| 4.2 卷积神经网络模型 |
| 4.2.1 卷积神经网络架构 |
| 4.2.2 模型运行环境 |
| 4.3 基于大规模昆虫图像预训练的农业害虫识别 |
| 4.3.1 iNaturalist2017数据集和iNaturalist2021数据集预训练 |
| 4.3.2 IP102 数据集迁移学习结果与分析 |
| 4.4 昆虫分类准确率影响因素分析 |
| 4.4.1 实验设计 |
| 4.4.2 卷积神经网络训练 |
| 4.4.3 结果与分析 |
| 4.5 昆虫目标检测及跨类别定位 |
| 4.5.1 实验设计 |
| 4.5.2 卷积神经网络训练和预测 |
| 4.5.3 评价指标 |
| 4.5.4 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于度量学习的害虫分类方法 |
| 5.1 引言 |
| 5.2 数据集与处理方法 |
| 5.2.1 数据集 |
| 5.2.2 实验方法 |
| 5.2.3 卷积神经网络训练 |
| 5.2.4 特征可视化方法 |
| 5.2.5 评价指标 |
| 5.3 实验结果与分析 |
| 5.3.1 度量学习算法的参数调优 |
| 5.3.2 特征批归一化的作用分析 |
| 5.3.3 特征可视化分析 |
| 5.3.4 跨类别分类结果与分析 |
| 5.3.5 农作物害虫数据集分类结果与分析 |
| 5.3.6 特征维度的影响分析 |
| 5.3.7 基于iNaturalist2021数据集的综合系统构建 |
| 5.4 本章小结 |
| 第六章 基于FPGA的轻量级卷积神经网络设计 |
| 6.1 引言 |
| 6.2 系统硬件选择与设计 |
| 6.2.1 Ultra96-V2 开发板 |
| 6.2.2 Xilinx Zynq Ultra Scale+MPSoC ZU3EG |
| 6.2.3 图像采集设备 |
| 6.2.4 其它硬件 |
| 6.2.5 系统软件设计 |
| 6.3 卷积神经网络的小型化 |
| 6.3.1 特征提取网络 |
| 6.3.2 特征融合网络 |
| 6.3.3 检测网络 |
| 6.3.4 输入分辨率的选择 |
| 6.4 知识蒸馏与神经网络量化 |
| 6.4.1 害虫度量学习网络的知识蒸馏 |
| 6.4.2 神经网络量化 |
| 6.5 系统测试 |
| 6.5.1 小型农业害虫定位网络的精度测试 |
| 6.5.2 小型农业害虫分类网络的精度测试 |
| 6.5.3 小型蚜虫分割网络精度测试 |
| 6.5.4 运行速度测试 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要研究结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
（6）以花蚤科为例的昆虫图像处理软件应用研究（论文提纲范文）
| 1 图像采集方法研究 |
| 1.1 利用单反相机进行微距摄影 |
| 1.2 利用CCD(Charge Coupled Devices)[1]显微成像系统进行标本图像采集 |
| 2 Adobe Photoshop在标本图像处理方面的应用 |
| 2.1 Adobe Photoshop软件的基本介绍 |
| 2.2 Adobe Photoshop在昆虫图像处理中的应用 |
| 2.2.1 图像分辨率以及大小的调整 |
| 2.2.2 修复昆虫标本图像上的污点 |
| 1) 污点修复画笔工具: |
| 2) 使用仿制图章工具: |
| 3) 修补工具: |
| 2.2.3 对残缺的标本图像进行修补 |
| 2.2.4 昆虫图像背景处理 |
| 2.2.5 对昆虫形态及各部位进行描绘 |
| 2.2.6 处理不同景深下对焦图像呈最清晰像 |
| 2.2.7 在模糊图像处理中的应用 |
| 2.2.8 利用Adobe Photoshop挖掘标本图像的有用信息 |
| (1) 几何形态学信息获取: 确定昆虫标本的面积 |
| (2) 区分昆虫体色 |
| (3) Photoshop的计数功能 |
| 2.3 通道的主要应用 |
| 3 其他相关软件的应用 |
| 3.1 Photozoom在标本图像上的应用 |
| 3.2 Adobe Illustrator在昆虫学图像上的应用 |
| 3.3 昆虫几何形态测量学中相关软件的应用 |
| 4 图像处理结果展示 |
| 4.1 缺损标本的图像修复案例 |
| 4.2 标本图像处理前后对比展示 |
| 5 结 语 |
（7）基于图像识别的十字花科蔬菜主要害虫分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 研究现状 |
| 1.2.1 图像获取研究现状 |
| 1.2.1.1 图像获取的环境和设备 |
| 1.2.1.2 图像内容 |
| 1.2.2 分类方法研究现状 |
| 1.2.2.1 传统分类方法 |
| 1.2.2.2 深度学习方法 |
| 1.3 研究内容 |
| 1.4 章节安排 |
| 2 十字花科害虫及数据集建设 |
| 2.1 十字花科蔬菜及害虫 |
| 2.2 数据集建设 |
| 2.2.1 害虫样本来源 |
| 2.2.2 按昆虫种类手工分类 |
| 2.2.3 图像采集标准 |
| 2.2.4 害虫图像采集 |
| 2.2.5 数据扩充 |
| 2.3 本章小结 |
| 3 形状特征选择与提取 |
| 3.1 昆虫分类学特征分析 |
| 3.2 特征选择 |
| 3.3 特征提取 |
| 3.3.1 图像分割方法 |
| 3.3.1.1 整体分割 |
| 3.3.1.2 头部翅部分割 |
| 3.3.2 界面设计 |
| 3.3.3 参数计算区域 |
| 3.3.3.1 头部翅膀面积控件 |
| 3.3.3.2 头部翅膀长度控件 |
| 3.3.3.3 头部翅膀宽度控件 |
| 3.3.3.4 对角线控件 |
| 3.3.3.5 长短轴控件 |
| 3.3.3.6 周长中轴控件 |
| 3.3.4 特征提取结果 |
| 3.4 本章小结 |
| 4 害虫分类结果研究 |
| 4.1 基于6种形状特征的分类结果 |
| 4.1.1 支持向量机 |
| 4.1.1.1 支持向量机介绍 |
| 4.1.1.2 参数设置 |
| 4.1.2 BP神经网络 |
| 4.1.2.1 BP神经网络介绍 |
| 4.1.2.2 参数设置 |
| 4.1.3 K最近邻 |
| 4.1.3.1 K最近邻介绍 |
| 4.1.3.2 参数设置 |
| 4.1.4 6种形状特征分类结果 |
| 4.2 基于四种传统特征的分类结果 |
| 4.2.1 Gabor特征 |
| 4.2.1.1 Gabor特征介绍 |
| 4.2.1.2 Gabor特征分类结果 |
| 4.2.2 LBP特征 |
| 4.2.2.1 LBP特征介绍 |
| 4.2.2.2 LBP特征分类结果 |
| 4.2.3 HOG特征 |
| 4.2.3.1 HOG特征介绍 |
| 4.2.3.2 HOG特征分类结果 |
| 4.2.4 颜色特征 |
| 4.2.4.1 颜色特征介绍 |
| 4.2.4.2 颜色特征分类结果 |
| 4.3 6种形状特征与传统特征识别结果分析 |
| 4.3.1 识别结果对比 |
| 4.3.2 特征融合 |
| 4.4 加残缺图像识别结果 |
| 4.4.1 6种形状特征识别结果 |
| 4.4.2 融合特征识别结果 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 展望 |
| 参考文献 |
| 个人成果 |
| 致谢 |
（8）棉花蚜虫识别诊断系统与监测装置研制（论文提纲范文）
| 摘要 |
| Abstract |
| 符号列表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 作物虫情监测方面的研究进展 |
| 1.3.2 虫情数量与种类监测研究进展 |
| 1.3.3 虫情精准监测系统研究进展 |
| 1.4 研究问题的提出 |
| 1.5 拟解决的关键问题 |
| 第二章 研究目标及内容 |
| 2.1 研究目标 |
| 2.2 研究内容 |
| 2.2.1 蚜虫信息获取与图像处理 |
| 2.2.2 基于机器学习黄板图像蚜虫识别与计数 |
| 2.2.3 基于棉花叶片蚜虫的种类判别与标定 |
| 2.2.4 基于黄板棉花蚜虫监测系统设计 |
| 2.3 技术路线 |
| 第三章 基于黄板颜色分量选择与图像处理 |
| 3.1 材料与方法 |
| 3.1.1 研究区域概况与试验设计 |
| 3.1.2 图像采集方案 |
| 3.1.3 图像处理流程 |
| 3.1.4 图像处理环境与归一化方法 |
| 3.1.5 颜色分量的选择 |
| 3.1.6 基于灰度特征黄板图像增强方法 |
| 3.1.7 基于黄板图像黄板定位处理方法 |
| 3.1.8 其他图像处理方法 |
| 3.2 结果与分析 |
| 3.2.1 基于颜色分量的黄板与背景、蚜虫与黄板分割方法研究 |
| 3.2.2 图像增强方法研究 |
| 3.2.3 黄板与背景分割结果与分析 |
| 3.2.4 其他图像处理方法结果与分析 |
| 3.3 本章小结 |
| 第四章 基于机器学习的蚜虫识别与计数研究 |
| 4.1 材料与方法 |
| 4.1.1 噪声与干扰的剔除方法 |
| 4.1.2 棉田蚜虫与蓟马识别特征介绍 |
| 4.1.3 瓢虫、叶蝉、蚜虫、蓟马和噪声形态特征统计方法 |
| 4.1.4 形态特征的计算方法 |
| 4.1.5 基于机器学习蚜虫判别模型的构建 |
| 4.1.6 基于BP神经网络蚜虫识别与计数 |
| 4.2 基于机器学习的蚜虫识别与建模 |
| 4.2.1 基于SVM的蚜虫判别模型模型建立研究 |
| 4.2.2 基于BP神经网络的蚜虫判别模型建立研究 |
| 4.3 BP神经网络蚜虫识别与计数结果与分析 |
| 4.3.1 BP神经网络识别能力验证 |
| 4.3.2 基于BP神经网络蚜虫识别计数结果与分析 |
| 4.4 本章小结 |
| 第五章 基于深度学习的棉花叶片蚜虫种类判别与标定方法研究 |
| 5.1 试验区概况与图像采集方法 |
| 5.1.1 试验区概况 |
| 5.1.2 棉花叶片图像采集方法 |
| 5.2 基于Faster RCNN判别模型的建立 |
| 5.2.1 算法流程及Faster RCNN结构示意图 |
| 5.2.2 模型训练方案 |
| 5.2.3 超参数的选择 |
| 5.2.4 模型评价 |
| 5.3 结果与分析 |
| 5.3.1 基于Faster RCNN模型识别结果与分析 |
| 5.3.2 有翅蚜虫识别结果与分析 |
| 5.3.3 若蚜识别结果与分析 |
| 5.4 本章小结 |
| 第六章 一种可自动替换黄板棉蚜虫监测装置 |
| 6.1 装置设计 |
| 6.2 装置功能实现 |
| 6.2.1 棉花蚜虫诱集和图像采集协同实现 |
| 6.2.2 棉蚜诱集区 |
| 6.2.3 图像采集区 |
| 6.2.4 自动化控制 |
| 6.2.5 远程控制系统 |
| 6.3 小结 |
| 第七章 主要结论、创新点、与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介 |
| 主要参与的研究项目: |
| 研究成果: |
| 获奖情况: |
| 致谢 |
| 附页:核心代码及其注释 |
| 附件 |
（9）基于卷积神经网络的虫情图像分割和计数方法（论文提纲范文）
| 1 引言 |
| 2 图像分割模型理论 |
| 2.1 基于U-Net模型的图像分割 |
| 2.2 Insect-Net |
| 3 数据准备与检测流程 |
| 3.1 虫情图像数据集 |
| 3.2 模型训练 |
| 3.3 虫情计数流程 |
| 4 实验及评估标准 |
| 4.1 实验平台 |
| 4.2 评估标准 |
| 4.3 实验过程 |
| 5 实验结果及分析 |
| 6 结束语 |
（10）基于卷积神经网络的农作物昆虫识别与计数（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 昆虫图像分割 |
| 1.2.2 昆虫图像识别 |
| 1.3 本文主要工作 |
| 1.3.1 基于全卷积神经网络的虫情图像背景分割 |
| 1.3.2 粘连昆虫分割处理 |
| 1.3.3 基于卷积神经网络和循环神经网络的昆虫识别 |
| 1.4 论文组织结构 |
| 参考文献 |
| 第2章 神经网络理论介绍 |
| 2.1 神经网络 |
| 2.1.1 深层神经网络 |
| 2.1.2 卷积神经网络 |
| 2.1.3 循环神经网络 |
| 2.2 神经网络训练 |
| 2.2.1 反向传播算法 |
| 2.2.2 BPTT |
| 2.3 本章小结 |
| 参考文献 |
| 第3章 基于全卷积神经网络的虫情图像背景分割 |
| 3.1 基于全卷积神经网络的图像分割原理 |
| 3.1.1 全卷积神经网络与图像分割 |
| 3.1.2 U-Net |
| 3.1.3 Insect-Net |
| 3.2 虫情图像数据集 |
| 3.2.1 数据集构造 |
| 3.2.2 图像预处理 |
| 3.3 模型训练与轮廓提取计数 |
| 3.3.1 模型训练 |
| 3.3.2 轮廓提取计数流程 |
| 3.4 虫情图像背景分割实验 |
| 3.4.1 实验环境 |
| 3.4.2 评估标准 |
| 3.4.3 参数设置 |
| 3.4.4 实验结果 |
| 3.5 本章小结 |
| 参考文献 |
| 第4章 粘连昆虫分割处理 |
| 4.1 基于传统方法的粘连判定与分割 |
| 4.1.1 粘连判定标准设计 |
| 4.1.2 粘连分割方法设计 |
| 4.2 基于双流Insect-Net的粘连昆虫分割 |
| 4.3 粘连分割对比实验 |
| 4.3.1 评估标准和数据集 |
| 4.3.2 实验结果与分析 |
| 4.4 神经网络之CRNN |
| 4.5 本章小结 |
| 参考文献 |
| 第5章 基于卷积神经网络和循环神经网络的农作物昆虫分类 |
| 5.1 CRNN原理概述 |
| 5.1.1 CRNN模型介绍 |
| 5.1.2 CTC模型介绍 |
| 5.2 分类模型图像数据集 |
| 5.2.1 数据集构造 |
| 5.2.2 图像预处理 |
| 5.3 模型搭建 |
| 5.3.1 特征提取网络 |
| 5.3.2 分类器网络 |
| 5.4 分类模型对比实验 |
| 5.4.1 实验模型 |
| 5.4.2 评估标准 |
| 5.4.3 损失函数和超参设置 |
| 5.4.4 实验结果 |
| 5.5 本章小结 |
| 参考文献 |
| 第6章 农作物昆虫识别与计数实验 |
| 6.1 数据集与评估标准 |
| 6.1.1 数据集 |
| 6.1.2 评估标准 |
| 6.2 模型组合 |
| 6.3 实验结果与分析 |
| 6.3.1 实验结果 |
| 6.3.2 性能分析 |
| 6.4 本章小结 |
| 参考文献 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
四、昆虫图像的自动计数方法的研究（论文参考文献）
- [1]复杂背景下昆虫图像的快速分割与识别[J]. 陈冬梅,张赫,魏凯华,袁琳,金晶,吴开华. 江苏农业科学, 2021
- [2]基于性诱和深度学习的草地贪夜蛾成虫自动识别计数方法[J]. 邱荣洲,赵健,何玉仙,陈韶萍,黄美玲,池美香,梁勇,翁启勇. 昆虫学报, 2021
- [3]基于K-SSD-F的东亚飞蝗视频检测与计数方法[J]. 李林,柏召,刁磊,唐詹,郭旭超. 农业机械学报, 2021(S1)
- [4]基于深度学习的林业害虫监测系统设计与实现[D]. 候瑞环. 中北大学, 2021(09)
- [5]基于卷积神经网络和度量学习的害虫检测方法研究[D]. 陈俭. 浙江大学, 2021(01)
- [6]以花蚤科为例的昆虫图像处理软件应用研究[J]. 王洋,权瑞,刘扬. 西南大学学报(自然科学版), 2021(01)
- [7]基于图像识别的十字花科蔬菜主要害虫分类研究[D]. 姚侃. 浙江农林大学, 2020(02)
- [8]棉花蚜虫识别诊断系统与监测装置研制[D]. 王振. 石河子大学, 2020(05)
- [9]基于卷积神经网络的虫情图像分割和计数方法[J]. 王卫民,符首夫,顾榕蓉,王东升,何林容,关文斌. 计算机工程与科学, 2020(01)
- [10]基于卷积神经网络的农作物昆虫识别与计数[D]. 符首夫. 江苏科技大学, 2020(03)