智能虫情测报系统的研究与实现.pdfVIP

符 号 说 明 ANN: Artificial Neural Network, 人工神经网络 API: Application Programming Interface, 应用编程接口 BP: Back Propagation, 后向传播 COC: Convention Over Configuration, 惯例优于配置 CNN: Convolutional Neural Network, 卷积神经网络 E-R: Entity-relationship, 实体联系 ELU: Exponential Linear Unit, 指数线性单元 FP: Fales Positive, 假正类 FPR: Fales Positive Rate, 假正类率 FN: False Negative, 假负类 MVC: Model, View, Controller, 软件设计模式 NBM: Naive Bayesian Model, 朴素贝叶斯 ReLU: Rectified Linear Unit, 线性修正单元 ROC: Receiver Operating Characteristic curve, 感受工作者曲线 SQL: Structured Query Language, 结构化查询语言 SVM: Support Vector Machine, 支持向量机 TP: True Positive, 真正类 TPR: True Positive Rate, 真正类率 TN: True Negative, 真负类 目 录 中文摘要 I Abstract II 1 绪论 1 1.1 研究目的与意义 1 1.2 国内外研究现状 1 1.2.1 智能虫情测报系统的研究现状 1 1.2.2 深度学习在农业害虫图像识别的研究现状 2 1.2.3 智能手机端在害虫识别的研究现状 3 1.3 研究内容 3 1.4 技术路线4 1.5 论文结构 6 2 关键技术 7 2.1 智能虫情测报灯 7 2.1.1 概述 7 2.1.2 工作原理 7 2.1.3 系统的组成及特点 9 2.2 MVC 框架 9 2.3 SQL Server 数据库 11 2.4 卷积神经网络 12 2.5 深度学习框架 14 2.6 本章小结 15 3 系统需求分析 16 3.1 系统建设目标 16 3.2 可行性分析 16 3.3 功能需求分析 17 3.4 本章小结 19 4 系统设计 20 4.1 系统设计原则 20 4.2 总体设计 20 4.3 详细设计 22 4.4 数据库设计 26 4.5 害虫图像识别模型的设计 29 4.6 本章小结 30 5 系统实现 31 5.1 数据采集与预处理 31 5.2 基于CNN 的害虫图像识别模型 33 5.2.1 基于CNN 的害虫图像识别模型的实现 33 5.2.2 实验结果与分析 34 5.3 系统功能模块 36 5.3.1 注册与登录 36 5.3.2 系统总览 36 5.3.3 测报数据采集 37 5.3.4 害虫识别 38 5.3.5 人工录入 39 5.3.6 系统后台功能 39 5.4 本章小结43 6 系统测试 44 6.1 测试环境44 6.2 功能测试44 6.3 本章小结48 7 总结与展望 49 7.1 总结49 7.2 展望49 参考文献 50 致谢 66 攻读学位期间所获成果情况 59 山东农业大学硕士专业学位论文 中 文 摘 要 杨树作为我国重要的树木品种之一，被普遍应用于木料、防护林以及绿化等方面， 并且也在防风固沙、绿化环境以及改进农田等方面都已经发挥着重要的作用。目前青 岛市的虫情测报工作还是以人工测报为主，这种人工测报无法实时的、随时随地的对 杨树主要发生的害虫进行预测预报。 因此，本文以杨树病虫害防治为应用背景，利用人工智能技术和信息技术研究实 现了智能虫情测报系统，该系统可以有效地辅助测报人员及早发现、识别和防治害虫， 进而提高杨树的质量，满足日益扩大的需求。 论文主要内容如下： （1）智能虫情测报系统的研究和实现。以杨树病虫害防治为应用背景，研究并实 现了智能虫情测报系统。本系统包