|本期目录/Table of Contents|

[1]孔令旺,赵刚.基于空洞卷积下采样单元的轻量化害虫图像识别模型[J].江苏农业科学,2024,52(11):189-196.
　Kong Lingwang,et al.Lightweight pest image recognition model based on cavity convolution subsampling unit[J].Jiangsu Agricultural Sciences,2024,52(11):189-196.
点击复制

基于空洞卷积下采样单元的轻量化害虫图像识别模型(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第11期
页码:
189-196
栏目:
农业工程与信息技术
出版日期:
2024-06-05

文章信息/Info

Title:
Lightweight pest image recognition model based on cavity convolution subsampling unit
作者:
孔令旺1; 赵刚2
1.吉林工程职业学院信息工程学院，吉林四平 136000； 2.吉林大学，吉林长春 130021
Author(s):
Kong Lingwang; et al
关键词:
空洞卷积下采样单元; 轻量化; 害虫图像识别; 多尺度识别; 深度学习
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
近年来，随着深度学习技术在计算机视觉领域的广泛应用，害虫图像识别成为农业领域中一项重要任务。为了解决害虫图像识别中传统深度学习模型对计算资源和存储空间需求过高的问题，本研究提出一种基于空洞卷积下采样单元的轻量化害虫图像识别模型。该模型采用轻量化网络架构，并引入空洞卷积和下采样技术来减小计算量和存储空间。首先，采用MobileNet v2网络来替代VGG16网络，以解决主干特征提取网络参数量过大的问题；其次，设计空洞卷积下采样单元对特征图进行降采样，从而实现模型的多尺度识别；最后，引入空洞卷积更好地捕获不同尺度的感受野。试验结果表明，本研究模型对害虫的识别准确率比VGG16模型提高了1.47%；相较于现有深度学习模型，该模型在减小50%参数量的同时，依然能够保持较高的识别准确率和实时性能。期待本研究模型可以对农业领域中害虫的监测与预警等提供一定的实际应用价值。
Abstract:
-

参考文献/References:

［1］萧玉涛，吴超，吴孔明. 中国农业害虫防治科技70年的成就与展望［J］. 应用昆虫学报，2019，56(6)：1115-1124.
［2］吕楠楠，梁沛，高希武. 主要农业害虫对茚虫威的抗性现状及其治理策略［J］. 植物保护学报，2020，47(6)：1188-1201.
［3］桑文，高俏，张长禹，等. 我国农业害虫物理防治研究与应用进展［J］. 植物保护学报，2022，49(1)：173-183.
［4］赵紫华，马建华，高峰，等. 害虫种群区域性生态调控的系统策略［J］. 中国生物防治学报，2021，37(5)：855-862.
［5］张亚军. 基于改进支持向量机算法的农业害虫图像识别研究［J］. 中国农机化学报，2021，42(2)：146-152.
［6］李萍，刘裕，师晓丽，等. 基于多尺度残差空间注意力轻量化U-Net的农业害虫检测方法［J］. 江苏农业科学，2023，51(3)：187-196.
［7］蒋心璐，陈天恩，王聪，等. 农业害虫检测的深度学习算法综述［J］. 计算机工程与应用，2023，59(6)：30-44.
［8］张永玲，姜梦洲，俞佩仕，等. 基于多特征融合和稀疏表示的农业害虫图像识别方法［J］. 中国农业科学，2018，51(11)：2084-2093.
［9］姚青，姚波，吕军，等. 基于双线性注意力网络的农业灯诱害虫细粒度图像识别研究［J］. 中国农业科学，2021，54(21)：4562-4572.
［10］戴久竣，马肄恒，吴坚，等. 基于改进残差网络的葡萄叶片病害识别［J］. 江苏农业科学，2023，51(5)：208-215.
［11］陈聪，于啸，宫琪. 基于改进残差网络的苹果叶片病害识别研究［J］. 河南农业科学，2023，52(4)：152-161.
［12］温艳兰，陈友鹏，王克强，等. 基于迁移学习和改进残差网络的复杂背景下害虫图像识别［J］. 江苏农业科学，2023，51(8)：171-177.
［13］Li X P，Du J Z，Yang J L，et al. When Mobilenet v2 meets transformer：a balanced sheep face recognition model［J］. Agriculture，2022，12(8)：1126.
［14］王哲豪，范丽丽，何前. 基于MobileNet v2和迁移学习的番茄病害识别［J］. 江苏农业科学，2023，51(9)：215-221.
［15］Liu J，Wang X W. Early recognition of tomato gray leaf spot disease based on MobileNet v2-YOLO v3 model［J］. Plant Methods，2020，16：83.
［16］Sunnetci K M，Kaba E，Beyazal eliker F，et al. Comparative parotid gland segmentation by using ResNet-18 and MobileNet v2 based DeepLab v3+ architectures from magnetic resonance images［J］. Concurrency and Computation：Practice and Experience，2023，35(1)：e7405.
［17］Mr?瘙塅 A，Reiche J，Verbesselt J，et al. A downsampling method addressing the modifiable areal unit problem in remote sensing［J］. Remote Sensing，2022，14(21)：5538.
［18］孟志青，张晶，邱健数. 多监督损失函数光滑化图像超分辨率重建［J］. 中国图象图形学报，2022，27(10)：2972-2983.
［19］Fan S J，Liang W，Ding D R，et al. LACN：a lightweight attention-guided ConvNeXt network for low-light image enhancement［J］. Engineering Applications of Artificial Intelligence，2023，117：105632.
［20］张立杰，周舒骅，李娜，等. 基于改进SSD卷积神经网络的苹果定位与分级方法［J］. 农业机械学报，2023，54(6)：223-232.
［21］Hu K，Jin J L，Zheng F，et al. Overview of behavior recognition based on deep learning［J］. Artificial Intelligence Review，2023，56(3)：1833-1865.

相似文献/References:

[1]曹元军,陆小明.自走式谷物联合收割机倾斜输送器设计[J].江苏农业科学,2014,42(12):410.
　Cao Yuanjun,et al.Design of incline conveyer of self-propelled combine harvester[J].Jiangsu Agricultural Sciences,2014,42(11):410.
[2]范思宇,陆华忠,丘广俊,等.果园电动履带运输车车架轻量化设计[J].江苏农业科学,2018,46(06):178.
　Fan Siyu,et al.Lightweight design of chassis frame for orchard electric tracked vehicle[J].Jiangsu Agricultural Sciences,2018,46(11):178.
[3]胡奔,廖敏,李晓鹏,等.拖拉机前动力输出变速箱壳体轻量化设计[J].江苏农业科学,2019,47(10):239.
　Hu Ben,et al.Lightweight design of front power output gearbox housing for tractor[J].Jiangsu Agricultural Sciences,2019,47(11):239.
[4]许文燕.基于轻量化神经网络的葡萄叶部病害检测装置研制[J].江苏农业科学,2023,51(19):181.
　Xu Wenyan.Development of grape leaf disease detection device based on lightweight neural network[J].Jiangsu Agricultural Sciences,2023,51(11):181.
[5]吴子炜,夏芳,陆林峰,等.基于改进YOLO v5的水稻主要害虫识别方法[J].江苏农业科学,2023,51(21):218.
　Wu Ziwei,et al.An identification method for rice major pests based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2023,51(11):218.
[6]李滨,樊健.基于YOLO v5的水稻害虫分类[J].江苏农业科学,2024,52(2):175.
　Li Bin,et al.Classification of rice pests based on YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(11):175.
[7]李大华,仲婷,王笋,等.基于改进ShuffleNet v2的轻量化番茄叶片病害识别[J].江苏农业科学,2024,52(3):220.
　Li Dahua,et al.Lightweight disease identification for tomato leaves based on improved ShuffleNet v2[J].Jiangsu Agricultural Sciences,2024,52(11):220.
[8]王娜,陈勇,崔艳荣,等.基于改进轻量化YOLO v5n的番茄叶片病害识别方法[J].江苏农业科学,2024,52(8):192.
　Wang Na,et al.Tomato leaf disease identification method based on improved lightweight YOLO v5n[J].Jiangsu Agricultural Sciences,2024,52(11):192.
[9]朱齐齐,陈西曲.基于改进YOLO v5的轻量级果园苹果检测算法[J].江苏农业科学,2024,52(17):200.
　Zhu Qiqi,et al.Lightweight orchard apple detection algorithm based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(11):200.
[10]李帅,薄敬东,龚瑞昆,等.基于多尺度特征增强的轻量化黄瓜病害识别模型[J].江苏农业科学,2024,52(20):267.
　Li Shuai,et al.A lightweight cucumber disease recognition model based on multiscale feature enhancement[J].Jiangsu Agricultural Sciences,2024,52(11):267.

备注/Memo

备注/Memo:
收稿日期：2023-07-11
基金项目：国家自然科学基金(编号：62076109)。
作者简介：孔令旺(1975—)，男，吉林东辽人，硕士，副教授，研究方向为计算机软件与网络。E-mail：yxklw1@126.com。
通信作者：赵刚，硕士，高级工程师，主要从事网络教育平台开发。E-mail：zhaogang@jiu.edu.cn。
更新日期/Last Update: 2024-06-05