林业有害生物智能识别算法的研究与实现开题报告

1. 研究目的与意义

(1) 背景林业资源作为我国的重要自然资源，其对于我国的发展起着重大作用。

但我国林业主要有害生物高发频发，且虫害爆发具有传播速度快、覆盖面积大、破坏程度高等特点，导致虫害爆发给我国林业带来了难以计数的损失，严重制约了我国林业的发展。

据统计，截止到2019年，全国发生虫的林地有18550.65万亩，同比上升1.93%，其中以松材线虫病的危害最为巨大，全国共有18个省、4333个乡镇级行政区发生松材线虫病疫情，疫情覆盖面积达1671.88万亩，直接导致1946.74万株松树病死，且疫情仍在持续加重，其将由西向北扩张的可能性极大，防疫工作迫在眉睫。

2. 研究内容和预期目标

(1) 研究内容本课题主要研究林业有害生物智能识别算法的设计与实现。

1) 选取合适的网络结构搭建特征提取和区域提交神经网络；2) 采集常见林业有害生物样本照片并进行训练；3) 在区域提交网络的基础上实现常见林业有害生物的识别和计数算法；4）实现常见林业有害生物的智能识别软件。

(2) 预期目标 本课题的预期目标是使用合适的深度学习框架对林业有害生物样本照片进行训练，从而获得相应的识别模型，该模型可以对一张输入的具有多种害虫的图片进行识别和技术的功能。

3. 研究的方法与步骤

(1)查找合适的分类算法与相关的分类模型；(2)采集训练所需的害虫图像，并对害虫图像中的各个特征点进行手动划分；(3)使用tensorflow框架进行神经网络设计；(4)使用迁移学习思想将现有模型作为底层；(5)完善中间层并设计分类器顶层，完成整个神经网络；(6)使用设计好的神经网络对样本集进行训练得到模型；(7)对模型的输出进行顶层设计，从而实现识别与计数功能；(8)总结课题完成过程中的问题处理以及经验；(9)编写论文并完善。

4. 参考文献

[1] Rezende E , Ruppert G , Carvalho T , et al. Malicious Software Classification Using Transfer Learning of ResNet-50 Deep Neural Network[C]// 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, 2018.[2] Lin, Shimin. "A SURVEY OF MACHINE LEARNING." Journal of Guangxi Normal University (1989).[3] Nilsson, Nils J. SURVEY OF PATTERN RECOGNITION[J]. Annals of the New York Academy of Sciences, 2010, 161(2):380-401.[4] Wyatt J . Statistical Learning and Kernel Methods[M]// Adaptivity and Learning. Springer Berlin Heidelberg, 2003.[5] Bies R R, Muldoon M F, Pollock B G, et al. A Genetic Algorithm-Based, Hybrid Machine Learning Approach to Model Selection[J]. Journal of Pharmacokinetics Pharmacodynamics, 2006, 33(2):195-221.[6] Vellido A , Lisboa P J G , Vaughan J . Neural networks in business: a survey of applications (1992–1998)[J]. Expert Systems with Applications, 1999, 17(1):51-70.[7] 彭秋辰, 宋亦旭. 基于Mask R-CNN的物体识别和定位[J]. 清华大学学报(自然科学版), 2019, 59(02):53-59.[8] 乔虹, 冯全, 赵兵, et al. 基于Mask R-CNN的葡萄叶片实例分割[J]. 林业机械与木工设备, 2019(10):15-22.[9] 岳有军, 田博凯, 王红君, et al. 基于改进Mask RCNN的复杂环境下苹果检测研究[J]. 中国农机化学报, 2019(10).[10] 刘晨曦, 刘大铭, 杨芳, et al. 基于改进水平集的水稻虫害分割算法[J]. 宁夏大学学报:自然科学版, 2019(3):246-254.[12] 林相泽, 朱赛华, 张俊媛, et al. 基于迁移学习和Mask R-CNN的稻飞虱图像分类方法[J]. 农业机械学报, 2019(7).[13] 张索非. 基于深度卷积神经网络的目标检测算法进展[J]. 南京邮电大学学报：自然科学版, 2019, 39(5):72-80.[14] 范伟亚. 表于深度学习的海洋鱼类图像识别与应用[D].[15] 王东亮, 罗巍. 杨梅树识别深度学习模型实验数据集[J]. 全球变化数据学报(中英文), 2019(3).

5. 计划与进度安排

(1) 2022.1.10 ---- 2022.3.10 查阅资料，撰写开题报告，翻译英文资料(2) 2022.3.11 ---- 2022.3.19 需求分析，熟悉开发工具(3) 2022.3.19 ---- 2022.3.31 概要设计(4) 2022.4.1 ---- 2022.4.9 详细设计(5) 2022.4.10 ---- 2022.5.9 编写代码(6) 2022.5.10 ---- 2022.5.17 程序调试和测试(7) 2022.5.18 ---- 2022.5.31 整理资料，撰写毕业设计说明书(8) 2022.6.1 ---- 2022.6.10 答辩准备及答辩