【摘 要】
：
害虫是造成农作物减产和破环园林生态的主要因素之一。准确而快速的害虫识别是害虫防控过程中的关键所在。传统害虫识别主要依赖农林业专家的经验,而这一过程效率低且成本高昂。近年来,随着深度学习技术在计算机视觉领域取得快速进展,基于卷积神经网络（Convolutional Neural Network,CNN）的害虫图像识别方法被广泛研究与应用,并取得显著成效。然而,野外环境下的害虫图像识别由于受到细粒度、
论文部分内容阅读
害虫是造成农作物减产和破环园林生态的主要因素之一。准确而快速的害虫识别是害虫防控过程中的关键所在。传统害虫识别主要依赖农林业专家的经验,而这一过程效率低且成本高昂。近年来,随着深度学习技术在计算机视觉领域取得快速进展,基于卷积神经网络（Convolutional Neural Network,CNN）的害虫图像识别方法被广泛研究与应用,并取得显著成效。然而,野外环境下的害虫图像识别由于受到细粒度、复杂环境、害虫尺度变换等因素影响,识别难度较大。目前的害虫图像识别研究以害虫图像分类和害虫检测任务为主,本文基于CNN,重点针对野外环境害虫图像识别中存在的部分问题展开研究。本文的主要研究内容与成果如下:（1）针对大规模害虫图像分类中存在的背景干扰和混合粒度问题,提出一种基于主要物体定位和判别性特征学习的害虫图像分类模型。对比实验结果表明,所提模型在大规模害虫图像分类基准数据集IP102上达到较为优越的分类性能,且消融实验表明模型针对不同的骨干网络均有不同程度的准确率提升。此外,可视化分析结果表明模型学到了更具判别性的特征表示。（2）构建常见园林害虫检测数据集GPIW。本文结合实际应用场景,采用网络搜集与实地拍摄的方式构建了包含24个害虫类别,超过1.1万张图像的常见园林害虫检测数据集,并对其中超过1.6万个害虫实例进行物体级别标注。（3）对于计算存储资源受限场景下的害虫检测问题,提出一种基于改进YOLOv5的轻量化害虫检测模型。本文首先采用Ghost卷积对模型进行轻量化改造,并针对精度下降的问题引入了更精细的高效注意力机制。在GPIW数据集上的实验结果表明,改造后的模型被较大程度压缩的同时其检测精度没有明显下降。此外,本文还通过部分害虫图像的检测结果对模型的优点和存在的局限性进行分析。（4）对害虫检测模型进行部署与应用。本文成功将提出的害虫检测模型部署到云服务器上提供API调用服务,并开发了一个跨平台的移动客户端进行实际应用。
其他文献
数字图像作为一种信息载体,具有直观性、灵活性强等特点,被广泛应用在网络通信等领域。但数字图像容易被非法复制和传播,这给军事、医疗等敏感场景下的数据传输与存储带来较大的安全隐患,所以维护数字图像的安全尤为重要。密文图像信息隐藏是以密文图像为载体的信息隐藏技术,同时做到了载体图像内容保护和秘密信息嵌入,具有广泛的应用前景。但目前密文图像信息隐藏算法通常难以平衡嵌入容量和载体图像的恢复质量,实现较好的综
交通流量预测是缓解交通拥堵的方法之一,而交通流量受到多种因素的影响,使得准确预测交通流量具有非常大的挑战性。目前大多数的交通流量预测方法使用图卷积网络和长短期记忆网络等不同的组件分别获取交通流量的时间相关性和空间相关性。最近出现了只用时空图图卷积来同步处理时空相关性的交通流量预测模型,它们通过构建局部时空图来学习交通流量数据的时空相关性。但是这些模型存在以下问题:第一,这些模型仅使用连续时刻的流量
磁耦合无线电能传输（Wireless Power Transfer,WPT）系统通过电磁场或电磁波载能/传能原理,结合谐振技术可以在一个较远的距离内为用电设备无线供电,具有安全无接触的优点,耦合机构是WPT的关键。然而,耦合机构的传能性能对于能量接收（拾取）机构的位置姿态都较为敏感,偏差较大时就会导致输出功率大幅下降。对于一些需要在空间中移动或转动的用电设备的无线供电,传统的耦合机构模式对能量传输
流量仪表标定装置是计量部门和仪器生产厂商进行检定测试的重要设备。在多批量、高精度的标定场景下,任何设备老化及零部件的微小改变都有可能影响标定精度。因此,实现标定装置运行状态的实时监测、健康程度的快速评估,对提升标定装置稳定性、可靠性、企业生产效率及产品质量有重要意义。本文对某仪表公司的液体流量仪表标定装置进行调研分析,针对运行状态监测不全面、设备健康程度掌握不及时等问题,展开了对流量仪表标定装置监
二维矩形条装箱问题（Two-dimensional strip packing problem,简称2DSPP）是一个NP难的组合优化问题,它在现实世界的许多领域都有应用,比如在货物的装载、内存的管理、玻璃的切割加工等有实际需求。目前,求解2DSPP的启发式算法是以改进初始解的改进启发式算法为主。这类算法中,能有效扩大搜素范围的启发式算法不仅能够改进解的质量,同时也能提高求解的效率。膜计算是受生物
近年来,第五代移动通讯技术（5G）的快速普及和边缘基站加速建设,将移动边缘计算（MEC）从概念逐渐落地为助力新兴移动应用、创新人机交互方式、加速物联网大数据治理、完善工业生态的重要基石。移动边缘计算是由云计算演进出的一种新的计算框架,相比于传统云计算,移动边缘计算将计算任务负载从远程云转移到了更靠近用户的网络边缘节点,利用无线接入网络就近为移动终端设备提供各种所需的服务与云端计算功能,从而创造出一
随着信息科学技术与传统工业技术的相互融合,涡扇发动机朝着复杂化、大型化发展。然而,传统维护方式存在着维护过度与维护欠缺等问题,难以胜任涡扇发动机的维护需求。因此,故障预测与健康管理（Prognostics and Health Management,PHM）应运而生。剩余可用寿命（Remaining Useful Life,RUL）预测是PHM的关键技术之一,若能准确预测设备RUL,据此作出合理的
随着边缘计算技术的快速发展,网络边缘接入用户和设备数量急剧上升,海量隐私和敏感数据产生在边缘设备上,边缘计算环境下频繁的数据交换过程带来了大量的数据安全传输需求。然而,资源受限的边缘设备无法满足传统加密技术的资源需求,如何在资源受限设备上保证数据传输的安全性已成为了一个难题。轻量级加密技术使用实现成本较低的密码结构以及加密算法,利用少量资源开销为资源受限设备提供安全性,其具有低存储需求、低执行时间
医学图像分割的主要任务是将图像中的目标器官组织准确提取出来,为诊断或临床治疗提供辅助参考。近年来,基于深度学习的图像分割算法因其卓越的性能,而被广泛用于医学图像分割领域。此外,得益于相关理论以及硬件的快速发展,学者们提出了基于2D-CNN、3D-CNN以及Transformer的多种分割模型,这些模型在较大的器官组织（肺部、肝脏、心脏等）分割中取得了不错的效果。然而,医学图像分割中仍存在很多难点:
属性图可以承载丰富的信息,在社交网络、推荐系统、电子商务等领域应用广泛。对于这类网络平台中产生的大量半结构化数据,使用属性图进行建模分析是最理想的方式。同时,由于网络平台上的图数据规模庞大,常使用随机游走采样对这类图数据进行统计估计。受到“均方误差可以分解成估计值的偏差与方差之和”的启发,开发了一种算法框架以减小图上随机游走采样估计的均方误差。该算法框架可以将各种随机游走采样算法作为基础,对其采样