[1]徐聪,王旭启,刘裕.一种改进可形变FCN的农作物害虫检测方法[J].江苏农业科学,2022,50(9):211-219.
　Xu Cong,et al.An improved deformable FCN method for detection of field crop pest[J].Jiangsu Agricultural Sciences,2022,50(9):211-219.
点击复制

一种改进可形变FCN的农作物害虫检测方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第50卷
期数:
2022年第9期
页码:
211-219
栏目:
农业工程与信息技术
出版日期:
2022-05-05

文章信息/Info

Title:
An improved deformable FCN method for detection of field crop pest
作者:
徐聪; 王旭启; 刘裕
西京学院信息工程学院，陕西西安 710123
Author(s):
Xu Cong; et al
关键词:
农作物害虫检测; 全卷积神经网络; 可形变卷积; 可形变全卷积神经网络
Keywords:
-
分类号:
TP391.4
DOI:
-
文献标志码:
A
摘要:
田间农作物害虫种类繁多，不同的生长阶段形态和颜色各异，在自然环境下采集的图像背景复杂，角度和尺度变化多样，从而使传统的害虫检测方法准确率较低。提出一种改进可形变全卷积神经网络(deformable fully convolution network，DFCN)的农作物害虫检测方法，该方法由编码模块和解码模块组成。编码模块在VGG16中采用了可形变卷积，能适应不同形状、位置和尺寸等几何形变的害虫图像。为了更好地保留害虫图像的纹理特征和背景特征，在编码模块中应用了混合池化，加快了网络的训练速度，提高了害虫检测的准确率；解码模块对编码的下采样层进行反卷积操作，最后应用像素级分类器获得有效的检测图像。在扩展的害虫图像数据集上与DFCN方法的分割精确度和平均交并比分别为90.43%、78.16%，较语义分割方法SegNet分别提高了3.27、3.72百分点，单幅图像的识别时间为0.36 s，比SegNet 加快了0.16 s。结果表明DFCN方法在害虫图像检测方面具有较高的准确率，分割速度快，可为复杂背景下农作物害虫检测提供一定的理论参考。
Abstract:
-

参考文献/References:

［1］宋丽娟. 基于图像的农作物病害识别关键算法研究［D］. 西安：西北大学，2018.
［2］郑方梅. 基于卷积神经网络的农作物病害图像识别研究［D］. 重庆：重庆师范大学，2019.
［3］卫智熠. 基于卷积神经网络的可见光图像农作物病虫害的检测［D］. 哈尔滨：哈尔滨工业大学，2017.
［4］黄文江，张竞成，师越，等. 作物病虫害遥感监测与预测研究进展［J］. 南京信息工程大学学报(自然科学版)，2018，10(1)：30-43.
［5］刘思佳. 基于视觉的农作物病虫害自主识别系统研究［D］. 唐山：华北理工大学，2020.
［6］赵志焱，杨华，胡志伟，等. 基于TACNN的玉露香梨叶虫害识别［J］. 计算机工程与应用，2021，57(9)：176-181.
［7］Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM，2017，60(6)：84-90.
［8］Zhou X Y，Pan Z S，Hu G Y，et al. Stock market prediction on high-frequency data using generative adversarial nets［J］. Mathematical Problems in Engineering，2018，2018：1-11.
［9］王铎，温长吉，王希龙，等. 基于深度卷积条件生成对抗网络的虫害分类算法研究［J］. 中国农机化学报，2020，41(6)：179-187.
［10］Schmidhuber J. Deep learning in neural networks：an overview［J］. Neural Networks，2015，61：85-117.
［11］Cao X，Wei Z Y，Gao Y J，et al. Recognition of common insect in field based on deep learning［J］. Journal of Physics：Conference Series，2020，1634(1)：012034.
［12］李静，陈桂芬，安宇. 基于优化卷积神经网络的玉米螟虫害图像识别［J］. 华南农业大学学报，2020，41(3)：110-116.
［13］赵立新，侯发东，吕正超，等. 基于迁移学习的棉花叶部病虫害图像识别［J］. 农业工程学报，2020，36(7)：184-191.
［14］李衡霞，龙陈锋，曾蒙，等. 一种基于深度卷积神经网络的油菜虫害检测方法［J］. 湖南农业大学学报(自然科学版)，2019，45(5)：560-564.
［15］He K M，Zhang X Y，Ren S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37(9)：1904-1916.
［16］Redmon J，Farhadi A. YOLOv3：an incremental improvement［EB/OL］. (2018-04-08)［2021-08-05］. https：//arxiv.org/abs/1804.02767.
［17］张博，张苗辉，陈运忠. 基于空间金字塔池化和深度卷积神经网络的作物害虫识别［J］. 农业工程学报，2019，35(19)：209-215.
［18］Shelhamer E，Long J，Darrell T. Fully convolutional networks for semantic segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(4)：640-651.
［19］Mahapatra D，Roy P K，Sedai S M，et al. Retinal image quality classification using saliency maps and CNNs［C］//Machine Learning in Medical Imaging，2016：172-179.
［20］刘文定，田洪宝，谢将剑，等. 基于全卷积神经网络的林区航拍图像虫害区域识别方法［J］. 农业机械学报，2019，50(3)：179-185.
［21］张苗辉，李俊辉，李佩琛. 基于深度学习和稀疏表示的害虫识别算法［J］. 河南大学学报(自然科学版)，2018，48(2)：207-213.
［22］Fuentes A，Yoon S，Kim S C，et al. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition［J］. Sensors，2017，17(9)：2022.
［23］梁万杰，曹宏鑫. 基于卷积神经网络的水稻虫害识别［J］. 江苏农业科学，2017，45(20)：241-243，253.
［24］Ding W G，Taylor G.Automatic moth detection from trap images for pest management［J］. Computers and Electronics in Agriculture，2016，123：17-28.
［25］Wang Q C，Zheng Y J，Yang G P，et al. Multiscale rotation-invariant convolutional neural networks for lung texture classification［J］. IEEE Journal of Biomedical and Health Informatics，2018，22(1)：184-195.
［26］Dai J F，Qi H Z，Xiong Y W，et al. Deformable convolutional networks［C］//2017 IEEE International Conference on Computer Vision，2017：764-773.

相似文献/References:

[1]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(9):93.
[2]廖晓娟,刘雷,唐锡雷.基于改进CenterNet的农作物害虫智能检测算法[J].江苏农业科学,2026,54(4):277.
　Liao Xiaojuan,et al.An intelligent detection algorithm for crop pests based on improved CenterNet[J].Jiangsu Agricultural Sciences,2026,54(9):277.

备注/Memo

备注/Memo:
收稿日期：2021-08-05
基金项目：陕西省教育厅科研计划项目(编号：20JK0960)。
作者简介：徐聪(1986—)，女，陕西西安人，硕士，讲师，主要从事农业信息处理、神经网络应用研究。E-mail：xucong0623@126.com。
更新日期/Last Update: 2022-05-05