农学论文哪里有？本文通过昆虫数据集的构建扩充了昆虫领域玉米主要害虫的标准数据集样本。针对危害玉米为主的有害昆虫，利用高空探照灯与虫情测报灯方式进行了原始昆虫图像数据获取，并对数据进行专业昆虫种类人工鉴定与分类。
第1章 绪论
1.2 昆虫种类图像识别研究现状
1.2.1 基于经典算法下昆虫种类图像识别研究现状
在农作物虫害识别及预测领域，我国传统且目前仍广泛使用的方法是人工识别方法，其作为早期昆虫识别方法大多基于人工调查与化学试验，如通过目测法、拍打法、扫网法等进行获取昆虫并识别，此种方法大多依靠昆虫专家或相关学者进行人工识别，其识别准确率依靠专家水平，又因现有专家因科研专业领域不同，也未能实现较全昆虫种类细分识别，且现有昆虫学领域相关专家和专业人员无法满足分布广泛、各类场景的实际应用需求。因此这类方法局限性很大，效率低下，费时费力，很难做到高效率快速识别，不是最佳的监测识别方法。随着人工智能技术的快速发展，各种算法不断涌现，使得利用昆虫图像进行高效快速准确的机器识别成为可能。
昆虫由于其种类多样性复杂性，早期采用的人工调查识别方式已经难以满足对于昆虫种类识别的需求，自动化高效识别成为大势所趋。而作为较早出现的经典算法图像识别，有效解决了这一问题。
昆虫图像获取方面：有两种较为常用的方式，一种是通过照相机或手机对自然环境下昆虫进行图像获取，另一种是先获取昆虫，再进行图像获取。第一种方式简洁高效，利用相机或手机等各种方式获取昆虫图像，如张永玲等[1]直接在自然条件下拍摄昆虫图像；Park[2]为实现稻飞虱种群密度估计，在田间利用数码相机获取稻飞虱图片；刘德营等[3]通过高压汞灯，将野外昆虫引诱到幕布，拿指形管直接捉取，再用相机进行拍照识别。野外直接获取昆虫图像方式虽然便捷，但其图像背景掺杂过多噪声，对于图像处理造成一定困难。另一种获取昆虫后拍摄的方式成为收集不含复杂背景噪声昆虫图像数据的有效方式。
第3章 昆虫图像数据集构建
3.1 昆虫图像数据集概要
本文以玉米主要害虫为研究对象。昆虫按照科学定义的分类是属于动物界，节肢动物门，六足亚门下的昆虫纲。其具体划分依据是按照目，科及种类来划分。目前常见的昆虫数据集多划分为目级或科级，对于科级以下的种类划分较少。其原因一是由于昆虫种类数量众多，进行数据集构建会耗费大量人力物力，二是对于不同种类昆虫的鉴定标注，需要专业技术人员来进行，构建过程繁琐，难度较大。
本文通过获取不同种类的玉米主要害虫成虫图片构建昆虫数据集，其分为两大类：一类是应用于昆虫图像分类任务所需的单目标数据集；一类是应用于昆虫目标检测任务所需的多目标数据集。因昆虫背部包含大量昆虫特征信息，故主要选用昆虫背部图像作为标准图像。为了增强昆虫识别模型的鲁棒性，故需要获取同种昆虫的不同姿势及不同角度的图像。为了降低图像中无关特征信息的干扰，数据集主要采用无背景昆虫图像。本章对不同任务所对应的昆虫数据集及其构建流程进行了实现，并对相关代码进行了展示说明。
第5章 昆虫种类图像识别模型部署
5.1 昆虫种类图像识别部署模型导出
已训练好的最优昆虫种类图像识别模型下包含4个文件，分别是model.yml，model.pdparams，eval_details.json，model.pdopt，对应指的是模型的配置文件，参数，评估结果及模型参数优化器。但其不能直接应用于部署，需要导出为部署格式文件。本文利用PaddleX内置部署模型导出功能，将InsectLCNet模型进行导出。其代码如下所示。
导出后的InsectLCNet模型包含5个文件，分别是model.yml，model.pdiparams，model.pdoparams.info，pipline.yml，model.pdmodel，对应指的是模型配置文件，模型权重，模型权重名称，适用PaddleX SDK流程配置文件，模型网络结构。导出模型可以用于Serving部署和SDK部署。
5.3 SDK部署
利用EasyEdge平台可以构建应用于不同硬件和操作系统的SDK版本，解决模型部署边缘设备不兼容局限性的问题。模型部署流程如下：
进入EasyEdge平台，点击模型中心分栏下上传本地模型，进入上传本地模型分页面。在此页面填写对应名称为InsectLCNet，选取模型类型为图像分类，选取PaddlePaddle框架，选取PPLCNet网络模型。将导出模型的model.pdmodel上传到网络结构中，model.pdiparams上传到网络参数中，将InsectClass数据集中的labels.txt上传到模型标签中，填写自定义分组为InsectClass，填写功能描述，完成上述内容填写后，点击下方校验提交按钮，等待自动校验。其具体内容如下图5-3所示。
结论
为了构建昆虫种类图像自动识别应用，满足在实际场景下的昆虫种类快速识别的需求，本文以河南省农业科学院现代农业研究开发基地玉米主要害虫为试验对象，进行了基于卷积神经网络下玉米主要害虫种类图像识别的研究。研究结果如下：
1.本文通过昆虫数据集的构建扩充了昆虫领域玉米主要害虫的标准数据集样本。针对危害玉米为主的有害昆虫，利用高空探照灯与虫情测报灯方式进行了原始昆虫图像数据获取，并对数据进行专业昆虫种类人工鉴定与分类。对原始昆虫图像数据进行预处理，如数据增强，数据标注，数据优化等操作，构建了符合模型训练标准的昆虫图像数据集，即图像分类InsectClass数据集和目标检测InsectDetection数据集。
2.本文构建了适用于实际应用场景下的昆虫种类图像识别模型，降低了昆虫种类图像识别模型开发难度。利用卷积神经网络，依据图像分类算法和目标检测算法，采用多种算法优化方式，如利用不同预训练模型及改变学习率方式进行模型训练，对比其精度和性能，进行分析评价，分别构建单目标分类任务和多目标检测任务的最优模型，最终构建了图像分类InsectLCNet模型及目标检测InsectDet模型，其对昆虫种类识别精度分别能达到99.96%的Top1识别率及35.407的mA P值。
3.完善了昆虫种类图像识别从模型到端的全流程化应用研究，对昆虫种类图像识别模型在实际场景下的应用具有一定参考价值。运用开源PaddleX框架及EasyEdge平台等工具进行了昆虫种类图像识别模型部署，以图像分类InsectLCNet模型为例，进行了Serving部署和SDK部署两种方式的边缘设备部署，实现了从构建模型到边缘设备部署开发全过程，构造了鲁棒性较强具有泛化能力的昆虫种类图像识别部署模型。
参考文献（略）
