目录
引言
1 绪论1
1.1 研究背景及意义 1
1.2国内外穴盘育苗发展现状 2
1.3卷积神经网络与识别算法2
2深度学习4
2.1 深度学习框架4
2.1.1 Tensorflow 4
2.1.2 Keras4
2.1.3 PyTorch5
2.2 目标检测算法 5
2.2.1 RCNN5
2.2.2 Fast RCNN 5
2.2.3 Faster RCNN 6
2.3 YOLOv5网络模型 6
2.3.1 Iuput 7
2.3.2 Backbone 7
2.3.3 Neck 8
2.3.4 Prediction8
3 实验与结果 10
3.1材料与设备 10
3.2 图像的采集与处理11
3.3 YOLOv5识别算法的应用12
3.3.1 模型训练12
3.3.2 模型评估指标12
3.4 实验结果与分析13
4 结论与展望16
4.1 结论16
4.2 展望 16
参考文献18
致谢20
 第一章 绪论
1.1 研究背景及意义
我国农业处在产业升级的重要关头，确切而言正处于传统农业与现代化农业的历史交汇点，当前既存在以自然经济为主体的手工劳动，也存在生产规模化、集约化的水平高的机械劳动。我国农业健全延续发展依赖于如何高效地提升对劳动的生产率和对土地的产出率，使单位时间里的价值量大幅度增加，确保农产品定期产量，以及提升农产品的品质和增加农业劳动者的收益。
农业一直以来都是我国大力扶持的产业，2018年和2019年蔬菜的种植面积都超过了2000hm²。种植面积在扩大，蔬菜的产量也在逐年攀升，从2015年到2019年增长约5558万t。目前农业的生产以人工劳动力为主，而且生产技术和设备的都跟不上科技发展，但随着蔬菜生产的规模化，蔬菜生产技术也在不断发展与创新。 *51今日免费论文网|www.51jrft.com +Q: &351916072& 
与传统育苗方式相比，工作效率高的穴盘育苗也逐渐被普及。
穴盘育苗过程中，受发芽率、培养环境影响，穴盘不可避免地出现空穴、弱苗、残苗等现象，其中空穴最为常见。根据国家农产品生产标准，要求蔬菜种子的发芽率应大于85%，但由于不可控因素，如种子质量参差不齐、播种方式不恰当等因素影响，穴盘苗的空穴率往往达到15%甚至更高[3]，不利于成品苗的出售或后续机械化移栽。如今穴盘苗移栽的自动化水平不足，在无法识别空穴的情况下，虽仍能正常移栽，但使漏栽率大大增加，影响移栽效果。因为存在播种时不符合标准的穴孔位置，导致幼苗生长状态差甚至未出苗的情况，在取苗作业还需要人工完成的当下，除了需要消耗时间精力之外还加大了劳动强度，降低了作业效率。蔬菜育苗有着劳动力集中、劳动强度大的特点，若能将蔬菜育苗机械化早日实现，则可使人工成本降低，劳动强度减轻，劳动生产率增加[45]。为此提出了基于深度学习的穴盘苗识别算法研究，为自动化剔除空穴提供技术基础
1.2 国内外穴盘育苗发展现状
使用穴盘育苗来作为新的产业已经成为西方诸多国家新的发展趋势，伴随而来的是暖房及穴盘制造业、基质生产业等相关产业的技术突破和发展。美国就利用此种育苗方式生产了全世界最多的商品苗，位居其后的是意大利、法国等国家。穴盘育苗的规模化、产业化发展，使得西方国家的农业现代化建设更上一层楼，不仅解放了劳动力，还在降低投入成本的同时最大限度的扩张了移栽蔬菜的种值面积。在科技飞速发展，所有产业都以省时省力为核心的时代，农业生产也是如此。国家注重农业规模化经营，穴盘育苗的发展适应了现代化大农业的需求。如今发达国家的穴盘育苗机械化程度高，管理技术规范，针对日常生产和市场运营都建立了相应的标准化管理，真正体现了工厂化农业。
1.3 卷积神经网络与识别算法
卷积神经网络（CNN）属于深度神经网络，这种网络结构能有效降低深层网络在内存中占用的比例，其主要的操作如下：局部感受野、权值共享和池化层。这三个重要环节去除了冗余的参数，缓和了模型的过拟合问题[7]。卷积神经的网络可以分为卷积层、下采样层和全连接层三个层次，以神经元构成特征图，再以特征图构成层次结构。由多个滤波器叠加而成的卷积层用于采集输入特征，将输入图像与卷积核相乘后的结果再与偏置函数相加，得到单位神经元的输出结果。将得到的结果输入下采样层，经过筛选，排除输入数据中的无谓信息，减少需要处理的数据量，从而提高训练的网络速度。这一层的主要功能是以减少特征图的维度的方法，来减少特征图的个数，达到减少计算的复杂度的目的。常见的下采样层运算包括以下四种：最大池化、高斯池化、均值池化和可训练池化。全连接层用于在提取出来的特征的基础上再深入提取出更高层次的特征，通过将卷积层的特征进行合并或者取样，提取出其中具有区分性的特征，从而达到分类的目的。
机器视觉（Machine Vision）、专家系统（expert system）和深度学习都是基于卷积神经网络的算法。
深度学习属于机器学习的分支，通过多层非线性信息处理来实现特征的提炼、模型的分门别类，以此来说明如图片、音频、文字等数据。其大量算法以无监督学习为主，被运用在无法被其他算法接触到的无标签数据，此类数据比有标签的数据更多且更易获取。深度学习如果用网络区分的话可以分为以下三种：深度信念网络DBN、卷积神经网络CNN和递归神经网络RNN。人工神经网络包含了CNN，其被作为目前音频解析和图像识别领域的重点来研究。CNN的网络结构与生物神经网络十分类似，原因在于一张图每个位置被卷积核所扫描后的，卷积核里的数都是一样的，有效将网络模型的简单化，将权值的个数轻量化。它的优点在立体图像上展现的更加突出。可以不用转换图像就输入网络，解决以前的识别算法中难以采集繁杂特征和重新构建的数据问题。近年来，因为深度学习识别算法准确且迅速的性能，被应用于各产业图像的目标检测中。

原文链接：http://www.jxszl.com/dzxx/dzdq/609071.html