| 基于改进Faster R-CNN的田间黄板害虫检测算法 |
| |
| 引用本文： | 肖德琴,黄一桂,张远琴,刘又夫,林思聪,杨文涛.基于改进Faster R-CNN的田间黄板害虫检测算法[J].农业机械学报,2021,52(6):242-251. |
| |
| 作者姓名： | 肖德琴 黄一桂 张远琴 刘又夫 林思聪 杨文涛 |
| |
| 作者单位： | 华南农业大学 |
| |
| 基金项目： | 广州市科技计划项目（201904010196）和广东省重点领域研发计划项目（2019B020217003、2019B020214002） |
| |
| 摘 要： | 针对黄板诱捕的害虫体积小、数量多和分布不均匀，难以进行害虫识别的问题，引入当前主流目标检测模型Faster R-CNN对黄板上的小菜蛾、黄曲条跳甲和烟粉虱等主要害虫进行识别与计数，提出一种基于改进Faster R-CNN的田间黄板害虫检测算法（Mobile terminal pest Faster R-CNN，MPF R-CNN）。该算法将ResNet101网络与FPN网络相结合作为特征提取网络，并在RPN网络设计多种不同尺寸锚点对特征图像进行前景和背景判断，使用ROIAlign替代ROIPooling进行特征映射，以及使用双损失函数进行算法参数控制。对2440幅样本图像的实验分析表明，在真实复杂的自然环境下，MPF R-CNN对烟粉虱、黄曲条跳甲、小菜蛾和其他大型害虫（体长大于5mm）检测的平均精度分别为87.84%、86.94%、87.42%和86.38%；在35cm×25cm黄板上不超过480只的低密度下平均精度均值为93.41%，在480~960只害虫的中等密度下平均精度均值为89.76%。同时实验显示，在中低等密度下晴天和雨天的检测精度无明显差异，本算法计数结果与害虫计数决定系数为0.9255。将该算法置入以“微信小程序+云存储服务器+算法服务器”为架构的小米7手机终端系统中进行应用测试，平均识别时间为1.7s。研究表明，该算法在精度和速度上均可支持当前便携式应用，为利用手机对蔬菜害虫进行快速监测与识别提供了技术支撑。
|
| 关 键 词： | 害虫检测 黄板 害虫计数 机器学习 Faster R-CNN |
| 收稿时间： | 2020/12/27 0:00:00 |
Pest Detection Algorithm of Yellow Plate in Field Based on Improved Faster R-CNN |
| |
| XIAO Deqin,HUANG Yigui,ZHANG Yuanqin,LIU Youfu,LIN Sicong,YANG Wentao.Pest Detection Algorithm of Yellow Plate in Field Based on Improved Faster R-CNN[J].Transactions of the Chinese Society of Agricultural Machinery,2021,52(6):242-251. |
| |
| Authors: | XIAO Deqin HUANG Yigui ZHANG Yuanqin LIU Youfu LIN Sicong YANG Wentao |
| |
| Institution: | South China Agricultural University |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《农业机械学报》浏览原始摘要信息 |
| 点击此处可从《农业机械学报》下载免费的PDF全文 |
