目标检测YOLO实战应用案例100讲-基于卷积神经网络的昆虫 生长阶段小目标检测方法研究

目录

前言

传统的目标检测

卷积神经网络的目标检测

小目标检测

基础理论与相关技术

2.1目标检测

2.2 卷积神经网络

2.3 YOLO系列的目标检测算法

2.3.1 YOLOvl 

2.3.2 YOLOv2 

2.3.3 YOLOv3 

2.4 K-means 聚类算法

基于改进YOLOv3的小目标检测

3.1 网络结构的改进

3.2 损失函数的改进

3.3 Anchor boxes的更新

实验与结果分析

4.1 数据集介绍

4.2 自制数据集

4.2.1 收集样本集

4.2.2扩充样本集

4.2.3 制作数据集

4.3 实验环境

4.4 实验评价指标

4.5 实验训练

4.6实验分析

4.6.1数据扩充的实验对比

4.6.2 网络结构的优化

4.6.3 锚框的选择

4.6.4 算法的对比实验

昆虫生长阶段识别系统的实现

5.1 系统任务需求

5.2 系统架构设计

5.2.1 功能设计

5.2.2 流程设计

5.2.3 UI设计

---

 

前言

基于计算机视觉的目标检测被应用在我们日常生活中。2009年，为了让互联网 技术与农业结合起来，网易耗费了数千万元，并在浙江地区建立了新型“互联网+”模 式的养猪场。2017年，京东金融受到网易养猪网的启发，提出了人工智能(Artificial  Intelligence，AI)养鸡，利用AI检测，预估每个阶段的鸡需要多少吨的饲料，然后饲 养员根据需求进行购买，防止饲料囤积。2018年，阿里云与特驱集团合作，利用AI 收集图片，检测猪的形态变化，加强对猪的监测管理，做到了及时预警，解放人力， 提高养猪效率。随着技术的成熟，生物识别系统出现。比如指纹和虹膜识别系统可用 于公司，小区领域，做到凭指纹进入保障人身安全和财产安全；摄像头监控系统，协 助公安机关对嫌疑犯的检索；尤其近几年国内外通过对深度学习[1-2]的研究，实现了 自动驾驶系统。通过对道路上的可行驶区域，道路线和道路上行驶的车辆，行人，警 示牌的检测，实现车辆在无人驾驶状态下能顺利行驶；扩展到军事及医学领域，使用 机器代替人类发挥作用。目前，深度卷积神经网络(deep convolution neural networks， CNNs)[ 3-5]在图像分类、语音识别以及行人检测等领域已经取得巨大进展。然而，其相 关技术在昆虫识别领域中的应用却比较匮乏。 
近年来