目录
摘 要I
ABSTRACT..II
第一章 文献综述..1
1 研究背景和意义1
2 国内外研究现状2
2.1 杂草检测研究现状.2
2.2 目标检测研究现状.....2
3 存在问题3
4 研究内容3
5 本章小结3
第二章 关键技术..4
1 卷积神经网络4
1.1 卷积神经网络基本结构.4
1.2 卷积神经网络经典模型.5
2 基于深度学习的目标检测方法6
2.1 twostage检测方法..7
2.2 onestage检测方法..7
3 注意力机制.8
4 本章小结.9
第三章 数据集构造.10
1 数据集制作...10
2 数据集构造...11
3 本章小结...11
第四章 算法设计.11
1 创新点论述...11
2 金字塔特征注意网络模块...12
3 YOLOV3检测模块...14
3.1 YOLOV3算法思想....14
3.2 YOLOV3网络基本流程....15
3.3 边界框回归16
3.4 非极大值抑制17
3.5 损失函数17
4 本章小结...18
第五章 模型构建及实验验证.18
1 模型构建...18
1.1 网络参数设置18
1.2 如何训练和测试19
2 实验设计及结果分析...23
2.1 算法对比23
2.2 消融实验24
2.3 可视化分析25
3 用Python Web框架Bottle开发网站.27
4 本章小结...29
第六章 结论与展望.29
参考文献...30
致 谢...31
基于金字塔特征注意网络的田间杂草检测方法
摘 要 *51今日免费论文网|www.51jrft.com +Q: ^351916072# 

为了高效地去除杂草,实现对作物及其它杂草进行实时准确识别已经成为重点。由于杂草类型较多，部分杂草较作物而言差异较小，判别性特征的获取存在较大的不平衡，因此本设计是基于YOLOV3(You Only Look Once V3)和用于目标检测的金字塔特征注意网络（Pyramid Feature Attention Network for Saliency detection，PFAN）的田间杂草和作物检测：在经典YOLOV3基础上引入PFAN机制构造特征及其注意力金字塔，提高对图像特征的学习质量。
完成的工作内容包括：数据集的构造：使用LabelImg标注数据集共1300张，根据7:3的比例将数据集分成训练数据集和测试数据集分别用于训练和测试；模型搭建：加载YOLOV3模型，将其中生成特征图的部分替换成PFAN方法，使优化后的模型可以顺利进行完成检测工作，可以检测杂草和作物共两类，精度最终能达到84.6%；开发简易网站：能上传需要检测的图片，将检测结果显示到页面上；实验验证：分别进行了算法对比实验和消融实验。验证了本课题创新点的可行性，以及PFAN中重点模块的有效性。
目录
目录

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/610076.html