基于ResNet深度残差网络的白喉乌头检测

作     者：梁俊欢 董峦 阿斯娅·曼力克 孙宗玖 魏鹏 马海燕 艾尼玩·艾买尔 阿仁 郑逢令 LIANG Junhuan;DONG Luan;Asiya·Manlike;SUN Zongjiu;WEI Peng;MA Haiyan;Ainiwan·Aimaier;Aren;ZHENG Fengling

作者机构：新疆农业大学草业学院新疆乌鲁木齐830052 新疆农业大学计算机与信息工程学院新疆乌鲁木齐830052 新疆畜牧科学院草业研究所新疆乌鲁木齐830057 新疆畜牧科学院天山北坡草地生态环境野外定位观测研究站新疆乌鲁木齐830057 

出 版 物：《草业科学》 (Pratacultural Science)

年 卷 期：2023年第40卷第1期

页      面：144-151页

核心收录：

学科分类：0810[工学-信息与通信工程] 07[理学] 08[工学] 081002[工学-信号与信息处理] 0713[理学-生态学] 

基　　金：国家自然科学基金(31860679) 

主　　题：毒害草 深度学习 卷积神经网络 无人机遥感 目标识别 Faster-RCNN SSD 

摘      要：在人类活动和气候变化的影响下,毒害草的蔓延威胁着生态安全和畜牧业的健康发展,白喉乌头(Aconitum leucostomum)是新疆伊犁地区危害最为严重的毒害草之一。为了实现天然草原异质背景下快速、精准、自动检测毒害草的目标,以白喉乌头为研究对象,利用无人机航拍正射影像构建白喉乌头数据集。基于Faster-RCNN和SSD算法,采用ResNet50和ResNet101两种深度的主干网络提取特征,对比不同方法的检测精度。结果表明:通过对比测试集的检测精度Faster-RCNN_ResNet50的mAP (平均精确度)值最高,达到64.74%,而SSD_ResNet50的mAP最低,仅为48.70%,Faster-RCNN_ResNet101的mAP值为63.37%,而SSD_ResNet101的为52.55%。本研究对从航拍正射影像中检测白喉乌头有借鉴意义和参考价值。