农业机械学报

作者：肖德琴，黄一桂，张远琴，刘又夫，林思聪，杨文涛

单位：华南农业大学,华南农业大学,华南农业大学,华南农业大学,华南农业大学,华南农业大学,

关键词：害虫检测; 黄板; 害虫计数; 机器学习; Faster R-CNN

基金：广州市科技计划项目（201904010196）和广东省重点领域研发计划项目（2019B020217003、2019B020214002）

针对黄板诱捕的害虫体积小、数量多和分布不均匀，难以进行害虫识别的问题，引入当前主流目标检测模型Faster R-CNN对黄板上的小菜蛾、黄曲条跳甲和烟粉虱等主要害虫进行识别与计数，提出一种基于改进Faster R-CNN的田间黄板害虫检测算法（Mobile terminal pest Faster R-CNN，MPF R-CNN）。该算法将ResNet101网络与FPN网络相结合作为特征提取网络，并在RPN网络设计多种不同尺寸锚点对特征图像进行前景和背景判断，使用ROIAlign替代ROIPooling进行特征映射，以及使用双损失函数进行算法参数控制。对2?440幅样本图像的实验分析表明，在真实复杂的自然环境下，MPF R-CNN对烟粉虱、黄曲条跳甲、小菜蛾和其他大型害虫（体长大于5?mm）检测的平均精度分别为87.84%、86.94%、87.42%和86.38%；在35?cm×25?cm黄板上不超过480只的低密度下平均精度均值为93.41%，在480~960只害虫的中等密度下平均精度均值为89.76%。同时实验显示，在中低等密度下晴天和雨天的检测精度无明显差异，本算法计数结果与害虫计数决定系数为0.925?5。将该算法置入以“微信小程序+云存储服务器+算法服务器”为架构的小米7手机终端系统中进行应用测试，平均识别时间为1.7?s。研究表明，该算法在精度和速度上均可支持当前便携式应用，为利用手机对蔬菜害虫进行快速监测与识别提供了技术支撑。

来源：2021年第6期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第6期