1. 研究目的与意义（文献综述）
农业作为第一产业，是世界经济的重要组成部分，为世界经济的发展提供了巨大的动力。中国作为世界国土面积排名第三的农业大国，拥有广袤的农业耕地，在农业发展方面有着巨大的潜力。我国作为一个农业大国，在农作物的培育过程中每年都会遇到不同种类的害虫侵害，使得农作物在产量和质量上有所下降，灾害严重时，甚至会导致农作物的大面积绝收。在《2018年全国自然灾害基本情况》中的数据显示，在2018年中农作物受灾面积达2035.1千公顷，其中绝收162.5千公顷，直接经济损失101.3亿元，病虫灾害是2018年农作物受灾的主要原因之一。因此，开发一种针对害虫的快速有效的分类识别系统有助于农作物害虫的防治，促进农业发展，减少经济损失。
随着图像处理技术和人工智能的发展进步，图像识别技术被广泛应用于社会生活的各个领域。例如交通标志识别，人脸识别等。当然随着社会科学的蓬勃发展，图像识别这一技术也为农作物害虫的检测提供了解决方案。在国外，农业昆虫图像识别早在20世纪80年代就已经被提出，但由于图像的特征提取缺乏代表性，图像分割效果不理想等原因，直到2004年Watson等[1]研究35种常见的鳞翅目昆虫，采用卷积神经网络建立了数字自动识别系统，其实验结果表明了83%的野外活体昆虫都能被成功识别。近几年来，美国、英国等发达国家在计算机图像识别和农业应用均走在世界前列。在国内，农业昆虫识别研究也发展及其迅速。田有文等[2]使用色度矩对植物病害的色彩特征提取，然后使用SVM方法进行害虫分类，结果显示该方法适用于分类样本较少时的植物害虫识别问题，温芝元等[3]首先使用改进的分水岭算法将柑果实病虫害图像的边缘特征提取出来，然后对害状区域傅里叶变换图谱建立5类害虫30组训练样本，最后通过训练BP神经网络模型来进行害虫识别，其中对吸果夜蛾的识别率高达96.67%。
在昆虫识别领域，不论是传统方法解决昆虫识别，还是依赖深度学习探寻解决方法，国内外的研究者从未放弃对这一领域的研究，这次毕业设计将围绕基于深度学习的农业昆虫图像识别，希望在农业昆虫识别的检验上提出有意义的解决方法以及自己的思考。2. 研究的基本内容与方案
| 2、基本内容和技术方案 2.1基本内容 本次的毕业设计是基于深度学习的农业昆虫图像识别，主要包括了这样几个部分：第一关于深度学习理论，对卷积神经网络的结构和算法进行分析，学习LeNet-5各层工作模式。第二对输入图像进行预处理的研究。第三数据集的构建，采用已经构建好的数据集即可。第四建立基于深度学习农业昆虫识别模型，主要包括输入层、卷积层、池化层、输出层等问题。第五基于建立的模型进行训练、模型的优化以及实验结果分析。 2.2技术方案 下面是图像识别的技术方案：
输入图像→图像获取→图像分割→特征提取→分类识别→输出图像
图1图像识别框图 图像识别技术就是根据计算机视觉算法对昆虫颜色纹理和形态特征进行提取得到特征向量，通过构造的分类器对特征向量进行判断和分类，将数字图像处理和模式识别结合起来应用与昆虫分类识别领域，主要的结构就是图像获取、图像分割、图像特征提取、分类识别。 基于深度学习的目标检测算法： 目前基于深度学习的经典目标检测算法有如下几种：（1）R-CNN模型：这一模型存在的缺点是选择性搜索法生成窗口时间过长，限制算法的执行速度，对每个候选区域都要进行特征提取，存在大量冗余运算；（2）SPP-Net模型：这一模型存在的缺点是图像在一定程度上会产生信息丢失和变形的现象，影响模型的识别精度（3）Fast-RCNN模型：这一模型综合了上面两种模型的有点，在训练时速快的同时模型的识别精度也很高。故而本次毕业设计选择Fast-RCNN模型。 2.3技术路线 第一选择搭建平台TensorFlow；第二图像的与处理以及数据集的收集；第三根据深度学习的相关理论建立基于深度学习的图像识别模型；第四对模型进行训练、优化和结果分析；第五撰写、修改毕业论文。 |
3. 研究计划与安排
1~3周：调研，完成开题报告。
4~6周：熟悉tensorflow开发平台。
7~8周：学习深度学习的相关理论。
4. 参考文献（12篇以上）
- Hatanaka Yuji. Retinopathy Analysis Based on Deep Convolution Neural Network.[J]. Advances in experimental medicine and biology,2020,1213.
- Wang Jing, Qin Jiao Hua, Xiang Xu Yu, Tan Yun, Pan Nan. CAPTCHA recognition based on deep convolutional neural network.[J]. Mathematical biosciences and engineering : MBE,2019,16(5).
- Maxime Martineau, Donatello Conte, Romain Raveaux, Ingrid Arnault, Damien Munier, Gilles Venturini. A survey on image-based insect classification[J]. Pattern Recognition,2017,65.
- 夏德男. 基于深度学习的农业昆虫图像识别研究[D].安徽大学，2019.
- 姜梦洲. 基于深度学习的农业害虫图像智能识别系统的研究与实现[D].浙江理工大学，2019.
- 任丽锦. 基于深度学习的农林害虫识别方法研究[D].浙江农林大学，2019.
- 龚鹏博.主要农业昆虫分类及其防治用药[J].农药市场信息，2012(03)：42.
- 华南农业大学国家重点学科“农业昆虫与害虫防治”[J].昆虫学报，2011,54(09)：967.
- 刘子毅. 基于图谱特征分析的农业虫害检测方法研究[D].浙江大学，2017.
- 杨国国，鲍一丹，刘子毅.基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J].农业工程学报，2017，33(06)：156-162.
- 彭欣仪，李磊.应用深度学习神经网络的图像识别系统[J].福建电脑，2020，36(01)：65-67.
- 夏长林.深度学习在图像识别中的应用[J].电脑知识与技术，2019，15(33)：185-186.
- 李春晓，尹振红.深度学习在图像识别中的应用研究[J].卫星电视与宽带多媒体，2019(19)：37-38.
- 安丽娜.基于深度卷积神经网络的图像分类识别方法[J].信息通信，2019(12)：72-73.
- 张泽苗，霍欢，赵逢禹.深层卷积神经网络的目标检测算法综述[J].小型微型计算机系统，2019，40(09)：1825-1831.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
