田间作物害虫检测是精确防治虫害和减少农药使用量的前提。由于田间害虫种类多,同种害虫个体间差异大,田间同一只害虫的大小、颜色、姿态、位置和背景变化多样、无规律,而且田间背景复杂、对比度低,使得传统的作物害虫检测方法的性能不...田间作物害虫检测是精确防治虫害和减少农药使用量的前提。由于田间害虫种类多,同种害虫个体间差异大,田间同一只害虫的大小、颜色、姿态、位置和背景变化多样、无规律,而且田间背景复杂、对比度低,使得传统的作物害虫检测方法的性能不高。现有的基于深度学习的作物害虫检测方法需要大量高质量的标注训练样本,而且训练时间长。在VGG16模型的基础上,本研究提出一种基于多尺度注意力卷积网络(Multi-scale convolutional network with attention,MSCNA)的作物害虫检测方法。在MSCNA中,多尺度结构和注意力模型用于提取多尺度害虫检测特征,增强对形态较小害虫的检测能力;在训练过程中引入二阶项残差模块,减少网络损失和加速网络训练。试验结果表明,该方法能较好地检测到农田中各种各样、大小不同的害虫,检测平均准确率为92.44%。说明该方法能够实现自然场景下作物害虫的精准检测,可应用于田间作物害虫自动检测。展开更多
文摘田间作物害虫检测是精确防治虫害和减少农药使用量的前提。由于田间害虫种类多,同种害虫个体间差异大,田间同一只害虫的大小、颜色、姿态、位置和背景变化多样、无规律,而且田间背景复杂、对比度低,使得传统的作物害虫检测方法的性能不高。现有的基于深度学习的作物害虫检测方法需要大量高质量的标注训练样本,而且训练时间长。在VGG16模型的基础上,本研究提出一种基于多尺度注意力卷积网络(Multi-scale convolutional network with attention,MSCNA)的作物害虫检测方法。在MSCNA中,多尺度结构和注意力模型用于提取多尺度害虫检测特征,增强对形态较小害虫的检测能力;在训练过程中引入二阶项残差模块,减少网络损失和加速网络训练。试验结果表明,该方法能较好地检测到农田中各种各样、大小不同的害虫,检测平均准确率为92.44%。说明该方法能够实现自然场景下作物害虫的精准检测,可应用于田间作物害虫自动检测。
