论文部分内容阅读
由于气候变化和人为因素造成青藏高原地区草地发生退化。目前,大部分草地工作者是采用目测、测量等人工方式或采用遥感技术等方式进行草地的宏观评价工作。草地专家经过长期的研究发现,草地退化指示草种的出现是草地退化的重要标志。因此,通过对退化指示草种的检测技术进行草地退化的预警更加简单和方便。本论文以退化指示草种狼毒花为例,介绍了本课题的研究背景内容及其意义、国内外深度学习研究、目标检测研究现状,卷积神经网络的基本概念、传统的目标检测算法以及基于卷积神经网络的目标检测算法模型,主要介绍了YOLO系列算法,SSD算法和RCNN系列算法。研究了具有代表性的草地退化指示草种,其中有醉马草,芨芨草,狼毒花等,由于狼毒花花色鲜艳,与草地背景色区分比较鲜明,所以采用狼毒花作为本课题的研究对象。针对草地退化指示草种（狼毒花）进行目标检测工作,首先是建立草地退化指示草种（狼毒花）目标检测任务数据集,使用YOLOv3-SPP算法进行狼毒花检测工作,并讨论卷积神经网络在本数据集上的可行性与优劣性,接着,讨论经过自建数据集裁剪技术应用前后在YOLOv3-SPP算法模型上的表现差异性及其原因。最后选择YOLOv3-SPP,SSD,Faster RCNN算法进行卷积神经网络在退化指示草种（狼毒花）数据集上的对比实验,实验结果为:YOLOv3-SPP模型的精确率为:90.2%,召回率为:93.4%,AP值为:92.5%,SSD模型的精确率为:74.3%,召回率为:75.2%,AP值为:74.43%,Faster RCNN模型的精确率为:89.0%,召回率为:91.8%,AP值为:91.3%。根据对比实验的结果,在Faster RCNN算法模型的基础上提出了更适合本数据集的Faster RCNN-F检测模型,改进点主要为:第一,使用基于编码器、解码器型态的特征提取网络。第二,将SENet的通道注意力机制修改为空间注意力机制,第三,使用了KL Loss损失函数与Softer NMS去冗余计算。Faster RCNN-F检测模型的精确率为:93.0%,召回率为:96.8%,AP值为:94.8%。然后,进行检测模型改进前后的对比工作,分析其差异性。最后以Faster RCNN-F检测模型为核心,建立退化指示草种（狼毒花）的目标检测系统。