基于卷积神经网络的农作物病虫害分类与检测方法研究

• 花匠小妙招
• 2024-11-13 13:31

声明

目录

中文摘要

英文摘要

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于机器学习的农作物病害识别现状

1.2.2 基于深度学习的农作物病害识别现状

1.2.3 基于深度学习的农作物虫害检测现状

1.3 课题来源与研究目的

1.4 本文主要研究内容

1.5 本文章节安排

第2章 相关理论基础

2.1 卷积神经网络结构

2.1.1 卷积层

2.1.2 激活函数

2.1.3 池化层与全连接层

2.1.4 输出层

2.2 经典分类网络和检测网络

2.2.1 VGG16

2.2.2 GoogLeNet

2.2.3 ResNet

2.2.4 YOLO系列

2.3 PyTorch深度学习框架

2.4 本章小结

第3章 基于深度可分离卷积的农作物病害分类研究

3.1 引言

3.2 数据集概述及预处理

3.2.1 AI Challenger 2018

3.2.2 数据集预处理

3.3 DSC-LR-SE算法设计

3.3.1 深度可分离卷积

3.3.2 激活函数的选择

3.3.3 DSC-LR结构

3.3.4 SE模块

3.3.5 DSC-LR-SE总体结构

3.4 实验流程及参数设置

3.4.1 实验流程

3.4.2 实验参数设置

3.5 实验与结果分析

3.5.1 评价指标

3.5.2 AI Challenger 2018数据集实验结果分析

3.5.3 消融实验

3.6 本章小结

第4章 基于混合注意力和多尺度模块的病害识别研究

4.1 引言

4.2 LMA-CNNs网络模型设计

4.2.1 模型整体结构

4.2.2 混合注意力模块

4.3 实验与结果分析

4.3.1 实验数据集与参数设置

4.3.2 经典分类模型性能对比

4.3.3 消融实验

4.3.4 其他文献对比

4.3.5 不同程度农作物病害识别结果分析

4.3.6 噪声环境实验结果分析

4.3.7 特征可视化分析

4.4 本章小结

第5章 改进YOLOv4的水稻害虫检测算法研究

5.1 引言

5.2 水稻害虫数据集

5.2.1 数据集制作与扩充

5.2.2 数据集标注

5.3 马赛克图像增强

5.4 LMA-YOLOv4网络

5.4.1 网络整体架构

5.4.2 损失函数的改进

5.5 实验与结果分析

5.5.1 实验环境与参数设置

5.5.2 实验评价指标

5.5.3 实验结果分析

5.5.4 可视化结果分析

5.6 本章小结

第6章 基于Android端的农作物病害识别系统设计

6.1 引言

6.2 系统开发环境介绍

6.2.1 系统软件平台

6.2.2 系统硬件平台

6.3 系统设计与功能

6.3.1 模型部署

6.3.2 识别功能模块

6.3.3 实时预测功能模块

6.4 系统测试

6.5 本章小结

第7章 总结与展望

7.1 总结

7.2 展望

参考文献

致 谢

在学期间主要科研成果

相关知识

基于卷积神经网络的农作物病虫害图像识别研究
基于改进YoloV3卷积神经网络的番茄病虫害检测
基于CNN的农作物病虫害图像识别模型
基于卷积神经网络的花卉图像分类研究（32页）
基于卷积神经网络的花卉识别方法
基于深度卷积神经网络的植物病虫害识别
基于卷积神经网络和集成学习的材质识别和分割方法研究
卷积神经网络的算法范文
基于深度学习的农作物病害图像识别技术进展
基于深度学习的农作物病虫害识别系统

网址: 基于卷积神经网络的农作物病虫害分类与检测方法研究 https://m.huajiangbk.com/newsview539750.html