基于深度学习的粘虫板储粮害虫图像检测算法的研究

发布时间：2024-05-17 18:42

　　本研究提出了一种基于深度学习的粘虫板储粮害虫图像检测算法,实现了放置在粮仓表面粘虫板诱捕的六大类害虫(米象/玉米象、谷蠹、扁谷盗、锯谷盗、拟谷盗、烟草甲)的定位和识别。考虑粘虫板图像的背景复杂、害虫体积较小、姿态多样的特点,改进了SSD的目标框回归策略、损失函数和特征提取网络结构,测试结果表明,该算法可有效检测粘虫板上的害虫,检测平均正确率(mAP)可以达到81.36%。改进的SSD算法部署在储粮害虫监测系统中,目前已在全国11个粮库进行实验测试。

【文章页数】：7 页

【部分图文】：

图1OITD与拍摄图片示例图

OITD是本实验室开发的监控粮仓表面粘虫板上害虫的实时在线设备,可通过接入管理服务器实现粘虫板图像自动采集,其包括相机、支架和粘虫板三部分,如图1a所示。相机选用MindVsion-GE500C-T,具体参数如表1所示,可拍摄最大20cm×25cm的粘虫板,拍摄的图片如图1b....

图2目标定位算法基本流程

粘虫板图像相比于其他的诱捕器图像拍摄范围较大,且害虫较小,为了保留足够多的图像信息被送入神经网络,需要先经过划窗操作再送入网络进行检测,所以对检测速度有要求。由于相机高度固定目标尺度变化小,因此对多尺度检测需求较小,故本研究基于SSD进行算法改进。改进的SSD基本流程:1)通过划....

图3默认框生成示意图

为了提高对不同尺寸目标定位的效果,SSD在不同尺度的特征图上生成不同密度的默认框。由于浅层特征和深层特征分别对小目标和大目标有较好的检测性能,所以在浅层特征进行回归过程中使用生成较小的默认框,在深层特征进行回归的过程中使用较大默认框,图3a分别展现了不同大小的默认框。为了覆盖所....

图4改进的SSD网络结构

通用SSD算法没有设置定位置信度,判别目标是否为害虫、非极大值抑制等操作主要依赖类别标签预测置信度,这是因为通用检测任务有2个特点[14]:1)类与类之间差异性较大,类别标签预测置信度与定位置信度有很大相关性;2)类别标签预测与目标框坐标的回归有一定相关性,如通用目标检测任务中狗....

本文编号：3975949