引言
随着科技的发展和进步，人们日常生活中接触的设备越来越智能化，图像识别作为智能设备的一个重要因素也获得了长足的发展和进步。根据不同对象自动采取相对应的解决方案是一个智能设备必不可少的能力，而拥有一个高精准率的图像识别算法对于智能化设备来说在定位对象方面如虎添翼。
林木种质资源的保护的意义前言森林是陆地极其重要的生物资源,具有最为复杂的生态系统,是人类生存环境至关重要的生态屏障。树木对于保护自然界生态平衡具有非常重要的作用。上个世纪世界上的森林大约减少了1/4。生物多样性受到破坏，最终受到威胁的是人类。我国近10年来发现已经灭绝的珍贵野生动物就达18种，受到灭绝威胁的野生动物达近千种。现在全球高等植物中濒危物种达5000种，导致与之相关联的4万种生物的生存受到威胁。因此，对林木进行检测与保护，是实现长期利用的基础和根本保障，做好林木种质资源的保护工作，具有重大的现实意义和深远的历史意义。
目标检测技术主要分为两种研究方向:一种是传统的目标检测方法,主要通过构建特征描述子提取特征后利用分类器对特征进行分类实现目标检测[4];另一种是基于深度学习的目标检测,在目标检测算法中引入卷积神经网络,提高了目标检测的准确性和速度。在各种目标检测方法中,SSD算法 (singleshotmulti- boxdetector)采用分层检测目标的方式,拥有良好的检测速度和检测精度,是当前在工业生产中效果最好的目标检测算法，因此，选取SSD检测算法来进行林木影像自动识别。
- 课题研究的国内外发展历程及现状
将研究课题细分为两部分：基于SSD的检测算法改进和基于SSD的检测算法实际应用，分别就这两方面阅读相关学者的文献。
- 基于SSD的检测算法改进
目标检测是当前计算机视觉和机器学习领域的研究热点。从Viola-Jones Detector、DPM等冷兵器时代的智慧到当今RCNN、YOLO等深度学习土壤孕育下的GPU暴力美学，整个目标检测的发展可谓是计算机视觉领域的一部浓缩史。而作为其中的主流算法之一的SSD算法，也取得了巨大的进步。
SSD-Mobilenet目标检测模型是将SSD和Mobilenet进行结合衍生出的一种轻量化模型,同时具备了两模型各自的优势,即多尺度检测和模型轻量化。在原模型中特征提取层使用了人为设置的先验框,这样的设置存在一定的主观性,并不适用于对特定场景下单一类别目标的识别与定位。为解决这一问题,刘津龙,贾郭军（2021）提出了使用K-Means算法对目标真实框的宽高比进行聚类分析,提升模型在特定场景下对单一类别目标的检测能力,规避了人为设置的主观先验性[2]。
为了提高使用计算机视觉技术检测多无人机目标的实时性和准确率,周强,夏明赟（2021）提出一种基于改进SSD算法的多无人机检测方法。采用Mobilenetv2轻量化网络作为SSD主干网络,并对网络模型进行缩放及改进激活函数,以提高对无人机检测速度;扩大输入图像尺寸为512times;512,并采用特征金字塔网络将不同分辨率和不同语意强度的多尺度特征层进行融合输入,充分提取特征信息以提高对多无人机检测准确度。改进后的SSD算法较faster R-CNN和原始SSD算法在对多无人机的检测速度和准确度上都有提高[6]。
针对原始SSD算法对小目标检测效果差而现有改进算法DSSD以及RSSD等检测速度太慢的问题,雷华迪,陈东方,王晓峰（2020）提出一种基于级联SSD的目标检测算法[8]。在训练时基于Focal Loss和Truncated Gradient改进分类损失函数,增强初始检测效果。在检测时设计小目标强化检测模块与SSD网络级联,单独提取小目标区域对应的高层特征来检测小目标,有效增强对小目标的检测效果。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
