基于实例分割的玉米虫害检测研究

doi:10.15933/j.cnki.1004-3268.2022.12.018

河南农业科学 ›› 2022, Vol. 51 ›› Issue (12): 153-161.DOI: 10.15933/j.cnki.1004-3268.2022.12.018

所属专题：病虫害识别专题

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于实例分割的玉米虫害检测研究

赵康迪¹，单玉刚²，袁杰¹，赵元龙¹

（1.新疆大学电气工程学院，新疆乌鲁木齐 830017；2.湖北文理学院，湖北襄阳 441000）

收稿日期:2022-07-01 出版日期:2022-12-15 发布日期:2023-01-17
通讯作者: 单玉刚（1971-），男，辽宁沈阳人，讲师，博士，主要从事模式识别研究。E-mail：shanyg@21cn.com
作者简介:赵康迪（1995-），男，河南南阳人，在读硕士研究生，研究方向：图像处理技术。E-mail：2934810053@qq.com
基金资助:
国家自然科学基金项目（61863033，62263031）；新疆维吾尔自治区自然科学基金项目（2022D01C53）；湖北省教育科学规划基金项目（2021GA048）；教育部产学合作协同育人项目（202102602033）；襄阳市重点科技计划项目（2020ABH001799）

Research on Maize Pest Detection Based on Instance Segmentation

ZHAO Kangdi¹，SHAN Yugang²，YUAN Jie¹，ZHAO Yuanlong¹

（1.School of Electrical Engineering，Xinjiang University，Urumqi 830017，China；2.Hubei University of Arts and Sciences，Xiangyang 441000，China）

Received:2022-07-01 Published:2022-12-15 Online:2023-01-17

摘要/Abstract

摘要： 为实现玉米虫害精准、快速识别，提出基于实例分割的卷积神经网络结合迁移学习的虫害检测方法。以草地贪夜蛾的卵、幼虫、成虫为检测对象，使用数据增强对图像数据进行扩充，将Yolact++模型在COCO数据集上的预训练权重迁移至草地贪夜蛾的检测。使用focal loss中解决难易样本不均衡的思想，优化模型中的损失函数。以Detnet模型改进Yolact++模型中Resnet主干模型部分，提高对小目标检测的效果。训练过程中使用卷积层先冻结再解冻、局部与全局相结合的训练方法，获得最优权重模型，并对模型进行测试。结果表明：该方法与YoloV3+迁移学习、SSD+迁移学习、Yolact+迁移学习、Yolact++等检测算法相比，对复杂背景图像检测有更好的准确率与漏检率，测试的准确率达到96.32%，漏检率为5.51%，误检率为5.33%。

关键词: 玉米虫害, 草地贪夜蛾, 实例分割, 迁移学习, Yolact++, Detnet

Abstract: In order to achieve accurate and rapid identification of maize pests，this paper proposes a pest detection method using convolutional neural network combined with transfer learning based on instance segmentation.Taking eggs，larvae and adults of Spodoptera frugiperda as detection objects，the image data was expanded by data enhancement，and the pre‑training weights of Yolact++ model on COCO data set were migrated to the detection of Spodoptera frugiperda.Using the idea of focal loss to solve the imbalance of difficult and easy samples，the loss function in the model was optimized. The Detnet model was used to improve the Resnet trunk model in the Yolact++ model to improve the effect of small target detection.In the training process，the convolution layer was first frozen and then thawed，and the local and global training methods were combined to obtain the optimal weight model，and the model was tested. The test results showed that compared with the detection algorithms of YoloV3+migration learning，SSD+migration learning，Yolact+migration learning and Yolact++，this method had better accuracy and missed detection rate for complex background image detection. The accuracy of the test reached 96.32%，the missed detection rate was 5.51%，and the false detection rate was 5.33%.

Key words: Maize pest, Spodoptera frugiperda, Instance segmentation, Transfer learning, Yolact++, Detnet

中图分类号:

S126
TP391.4

赵康迪, 单玉刚, 袁杰, 赵元龙. 基于实例分割的玉米虫害检测研究[J]. 河南农业科学, 2022, 51(12): 153-161.

ZHAO Kangdi, SHAN Yugang, YUAN Jie, ZHAO Yuanlong. Research on Maize Pest Detection Based on Instance Segmentation[J]. Journal of Henan Agricultural Sciences, 2022, 51(12): 153-161.

参考文献

［1］陈峰，谷俊涛，李玉磊，等.基于机器视觉和卷积神经网络的东北寒地玉米害虫识别方法［J］.江苏农业科学，2020，48（18）：237‑244.

CHEN F，GU J T，LI Y L，et al.Recognition method of corn pests in northeast cold region based on machine vision and convolutional neural network［J］ Jiangsu Agricultural Science，2020，48（18）：237‑244.

［2］佘奎军，刘永进，贺奇，等.2001—2015年宁夏玉米病虫害发生特征与损失分析［J］.环境昆虫学报，2017，39 （5）：1071‑1080.

SHE K J，LIU Y J，HE Q，et al.Occurrence characteristics and loss analysis of maize pests and diseases in Ningxia

from 2001 to 2015［J］.Journal of Environmental Entomology，2017，39（5）：1071‑1080.

［3］卜华虎，任志强，肖建红，等.玉米抗虫研究进展［J］.中国农学通报，2019，35（30）：145‑149.

BU H H，REN Z Q，XIAO J H，et al.Research progress on insect resistance of maize［J］.Chinese Agricultural Science Bulletin，2019，35（30）：145‑149.

［4］马千里，吴吉英子，宋紫霞，等.与美国对比分析草地贪夜蛾在我国的危害发展趋势［J］.环境昆虫学报，2019，41（5）：929‑936.
MA Q L，WU J Y Z，SONG Z X，et al.A comparative analysis of the damage trend of fall armyworm in China with the United States ［J］.Journal of Environmental Entomology，2019，41（5）：929‑936.

［5］姜玉英，刘杰，朱晓明.草地贪夜蛾侵入我国的发生动态和未来趋势分析［J］.中国植保导刊，2019，39（2）：33‑35.
JIANG Y Y，LIU J，ZHU X M.Analysis of the occurrence dynamics and future trends of S.frugiperda invasion in China［J］.China Plant Protection，2019，39（2）：33‑35.

［6］王翔宇，温皓杰，李鑫星，等.农业主要病害检测与预警技术研究进展分析［J］.农业机械学报，2016，47（9）：266‑277.
WANG X Y，WEN H J，LI X X，et al.Analysis of research progress on detection and early warning technology of
major agricultural diseases［J］.Transactions of the Chinese Society for Agricultural，2016，47（9）：266‑277.

［7］王聃，柴秀娟.机器学习在植物病害识别研究中的应用［J］.中国农机化学报，2019，40（9）：171‑180.
WANG D，CHAI X J.Application of machine learning in plant disease identification［J］.Journal of Chinese Agricultural Mechanization，2019，40（9）：171‑180.

［8］杭立，车进，宋培源，等.基于机器学习和图像处理技术的病虫害预测［J］.西南大学学报（自然科学版），2020，42（1）：134‑141.
HANG L，CHE J，SONG P Y，et al.Prediction of pests and diseases based on machine learning and image processing technology［J］.Journal of Southwest University（Natural Science），2020，42（1）：134‑141.

［9］邹永杰，张永军，秦永彬，等.应用于番茄病虫害检测的HOG特征与LBP特征的结合［J］.南京师范大学学报（工程技术版），2019，19（3）：21‑28.
ZOU Y J，ZHANG Y J，QIN Y B，et al.The combination of HOG features and LBP features applied to tomato pest detection ［J］.Journal of Nanjing Normal University（Engineering Technology Edition），2019，19（3）：21‑28.

［10］卢柳江，匡迎春，陈兰鑫，等.基于级联AdaBoost分类器的农作物虫害图像识别研究［J］.中国农机化学报，2019，40（8）：127‑131.
LU L J，KUANG Y C，CHEN L X，et al.Research on crop pest image recognition based on cascaded AdaBoost classifier［J］.Journal of Chinese Agricultural Mechanization，2019，40（8）：127‑131.

［11］翟肇裕，曹益飞，徐焕良，等.农作物病虫害识别关键技术研究综述［J］.农业机械学报，2021，52（7）：1‑18.
ZHAI Z Y，CAO Y F，XU H L，et al.Review on key technologies of crop pest identification［J］.Transactions of the Chinese Society of Agricultural Machinery，2021，52（7）：1‑18.

［12］冯晓，李丹丹，王文君，等.基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别［J］.河南农业科学，2021，50（4）：174‑180.
FENG X，LI D D，WANG W J，et al.Wheat leaf disease image recognition based on lightweight convolutional neural network and transfer learning［J］.Journal of Henan Agricultural Sciences，2021，50（4）：174‑180.
［13］ZHAO Z Q，ZHENG P，XU S T，et al.Object detection with deep learning：A review［J］.IEEE Transactions on Neural Networks and Learning Systems，2019，30（11）：3212‑3232.
［14］郭阳，许贝贝，陈桂鹏，等.基于卷积神经网络的水稻虫害识别方法［J］.中国农业科技导报，2021，23（11）：99‑109.
GUO Y，XU B B，CHEN G P，et al.Rice pest identification method based on convolutional neural network［J］.Journal of Agricultural Science and Technology，2021，23（11）：99‑109.
［15］DU L，SUN Y Q，CHEN S，et al.A novel object detection model based on Faster‑RCNN for Spodoptera frugiperda according to feeding trace of corn leaves［J］.Agriculture，2022，12（2）：248.
［16］邱荣洲，赵健，何玉仙，等.基于性诱和深度学习的草地贪夜蛾成虫自动识别计数方法［J］.昆虫学报，2021，64（12）：1444‑1454.
QIU R Z，ZHAO J，HE Y X，et al.Automatic identification and counting method of Spodoptera frugiperda adults based on sex lure and deep learning［J］.Acta Entomologicala Sinica，2021，64（12）：1444‑1454.
［17］庄福振，罗平，何清，等.迁移学习研究进展［J］.软件学报，2015，26（1）：26‑39.
ZHUANG F Z，LUO P，HE Q，et al.Advances in transfer learning［J］.Journal of Software，2015，26（1）：26‑39.
［18］李彦冬，郝宗波，雷航.卷积神经网络研究综述［J］.计算机应用，2016，36（9）：2508‑2515，2565.
LI Y D，HAO Z B，LEI H.Survey of convolutional neural networks［J］.Journal of Computer Applications，2016，36（9）：2508‑2515，2565.
［19］邵延华，张铎，楚红雨，等.基于深度学习的YOLO目标检测综述［J］.电子与信息学报，2022，44（10）：3697‑3708.
SHAO Y H，ZHANG D，CHU H Y，et al.A review of YOLO object detection based on deep learning［J］.Journal of Electronics & Information Technology，2022，44（10）：3697‑3708.
［20］JIN L，LIU G D.An approach on image processing of deep learning based on improved SSD［J］.Symmetry，2021，13（3）：495.
［21］黄继鹏，史颖欢，高阳.面向小目标的多尺度Faster-RCNN检测算法［J］.计算机研究与发展，2019，56（2）：319‑327.
HUANG J P，SHI Y H，GAO Y.Multi‑scale Faster‑RCNN detection algorithm for small targets［J］.Journal of Computer Research and Development，2019，56（2）：319‑327.
［22］HUANG M，XU G Q，LI J Y，et al.A method for segmenting disease lesions of maize leaves in real time using attention YOLACT++［J］.Agriculture，2021，11（12）：1216.
［23］LI Z M，PENG C，YU G，et al.Detnet：A backbone network for object detection［EB/OL］.（2018‑04‑19）［2022‑06‑01］.https：//arxiv.org/pdf/1804.06215.pdf.

[1]	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.
[2]	张红涛, 罗一铭, 谭联, 杨加蓬, 王宇. 基于迁移学习和残差网络的谷子病害识别研究[J]. 河南农业科学, 2023, 52(12): 162-171.
[3]	张红艳, 张晶晶, 王珊珊, 王娅玲, 王晴晴, 王香萍. 缘腹茧蜂对草地贪夜蛾的寄生能力及子代发育情况研究[J]. 河南农业科学, 2021, 50(5): 86-91.
[4]	冯晓, 李丹丹, 王文君, 郑国清, 刘海礁, 孙永胜, 梁山, 杨莹, 臧贺藏, 张辉. 基于轻量级卷积神经网络和迁移学习的小麦叶部病害图像识别[J]. 河南农业科学, 2021, 50(4): 174-180.

基于实例分割的玉米虫害检测研究

Research on Maize Pest Detection Based on Instance Segmentation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 4

编辑推荐

Metrics