基于改进Mask-RCNN算法的作物害虫分类识别

作     者：张佳敏 闫科 王一非 刘杰 曾娟 吴鹏飞 黄求应 ZHANG Jiamin;YAN Ke;WANG Yifei;LIU Jie;ZENG Juan;WU Pengfei;HUANG Qiuying

作者机构：华中农业大学信息学院武汉430070 华中农业大学植物科学技术学院武汉430070 农业智能技术教育部工程研究中心武汉430070 全国农业技术推广服务中心北京100125 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年第40卷第7期

页      面：202-209页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划项目(2022YFD1400400) 华中农业大学自主科技创新基金项目(2021ZKPY018) 

主　　题：目标检测 虫害防治 分类识别 Mask RCNN 粘连目标 

摘      要：智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题有重大作用,准确的害虫分类识别为虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进,针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题,提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制,使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测,改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%,最密集时可达90.6%,在仅有非目标的图片识别中,误检率降至9%,非目标与目标共存且密度为40虫/图的误检率降至15%。试验表明,该文所提模型在现有分类模型的基础上,增强了对密集区域的检测能力,改善了非目标误识别问题,在实际检测环境下的害虫分类识别精度更高,可为虫害防治工作提供数据参考。