基于改进DINO的牧场杂草检测

doi:10.15933/j.cnki.1004-3268.2023.09.016

摘要/Abstract

摘要： 针对传统杂草识别方法对与牧草有相似特征的杂草的识别精度低的不足，提出一种基于改进DINO检测网络的牧场杂草检测模型。为了增强有效特征和精确位置信息的提取，并减少无效信息的干扰，在端到端模型DINO的主干网络ResNet中加入结合空间注意力和通道注意力的CBAM-G注意力机制模块；通过增加网络深度，让主干网络可以提取到更深层次的目标特征；引入更加轻量化的SFPN模块，替换了算法中原有的特征融合模块；最后为了提高特征提取网络与Transformer的稳定度和检测性能，在模型特征提取网络中加入高斯误差线性单元。结果表明，改进后的检测模型在Kaggle的牧场杂草数据集上的像素精度AP₅₀达到了95.89%，AP₇₅达到了89.23%，相较于原始模型可以更好地利用多尺度特征信息，并提升识别精度。

关键词: 杂草识别, DINO, ResNet, 特征融合, Transformer

Abstract: Aiming at the deficiency of low accuracy of traditional weed identification methods for weeds with similar characteristics to forage，an improved DINO detection network for weed detection in pastures was proposed.The CBAM‑G attention mechanism module combining spatial attention and channel attention was added to the backbone network ResNet of the end‑to‑end model DINO to enhance the extraction of effective features and precise positional information，and reduce the interference of invalid information；By increasing the network depth，the backbone network could extract deeper target features；The original feature fusion module in the backbone network was replaced with the lightweight SFPN module；Finally，in order to improve the stability and detection performance of the feature extraction network and Transformer，Gaussian error linear unit was added to the model feature extraction network.The experiment showed that the AP₅₀ of the algorithm on the pasture weed data set reached 95.89%，AP₇₅reached 89.23%. Compared to the original model，it can better utilize multi‑scale feature information and improve recognition accuracy.

Key words: Weed identification, DINO, ResNet, Feature fusion, Transformer

中图分类号:

S126
TP391.4

钟斌, 杨珺, 刘毅, 任锦涛. 基于改进DINO的牧场杂草检测[J]. 河南农业科学, 2023, 52(9): 156-163.

ZHONG Bin, YANG Jun, LIU Yi, REN Jintao. Target Detection of Pasture Weeds Based on Improved DINO[J]. Journal of Henan Agricultural Sciences, 2023, 52(9): 156-163.

参考文献

［1］李东升，胡文泽，兰玉彬，等.深度学习在杂草识别领域的研究现状与展望［J］.中国农机化学报，2022，43（9）：137‑144.
LI D S，HU W Z，LAN Y B，et al.Research status and prospect of deep learning in weed recognition［J］.Journal
of Chinese Agricultural Mechanization，2022，43（9）：137‑144.
［2］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.
JIANG X L，CHEN T E，WANG C，et al.Survey of deep learning algorithms for agricultural pest detection［J］.Computer Engineering and Applications，2023，59（6）：30‑44.
［3］方秋香.平罗县农田杂草调查及防治措施［J］.基层农技推广，2022，10（10）：64‑68.
FANG Q X.Investigation and control measures of farmland weeds in Pingluo County［J］.Primary Agricultural Technology Extension，2022，10（10）：64‑68.
［4］ZHANG W H，HANSEN M F，VOLONAKIS T N，et al.Broad‑leaf weed detection in pasture［C］//2018 IEEE 3rd International Conference on Image，Vision and Computing（ICIVC）.Chongqing，China：IEEE，2018：101‑105.
［5］尚文卿，齐红波.基于改进Faster R-CNN与迁移学习的农田杂草识别算法［J］.中国农机化学报，2022，43（10）：176‑182.
SHANG W Q，QI H B.Identification algorithm of field weeds based on improved Faster R‑CNN and transfer learning ［J］.Journal of Chinese Agricultural Mechanization，2022，43（10）：176‑182.
［6］李兆旭，蒋红海，杨肖，等.基于轻量化深度学习模型的豆角苗-杂草检测方法［J］.农业装备与车辆工程，2022，60（9）：98‑102，107.
LI Z X，JIANG H H，YANG X，et al.Bean seeding‑weed detection method based on lightweight deep learning model ［J］.Agricultural Equipment&Vehicle Engineering，2022，60（9）：98‑102，107.
［7］付苗苗，邓淼磊，张德贤，等.基于深度学习和Transformer的目标检测算法［J］.计算机工程与应用，2023，59（1）：37‑48.
FU M M，DENG M L，ZHANG D X，et al.Object detection algorithms based on deep learning and Transformer［J］.Computer Engineering and Applications，2023，59（1）：37‑48.
［8］CARION N，MASSA F，SYNNAEVE G，et al.End‑to‑end object detection with transformers ［C］//European Conference on Computer Vision.Cham：Springer International Publishing，2020：213‑229.
［9］王凤随，王启胜，陈金刚，等.基于注意力机制和Soft-NMS的改进Faster R-CNN目标检测算法［J］.激光与光电子学进展，2021，58（24）：405‑416.
WANG F S，WANG Q S，CHEN J G，et al.Improved Faster R‑CNN target detection algorithm based on attention mechanism and Soft‑NMS［J］.Laser&Optoelectronics Progress，2021，58（24）：405‑416.
［10］孙艳霞，陈燕飞，金小俊，等.基于人工智能的青菜幼苗与杂草识别方法［J］.福建农业学报，2021，36（12）：1484‑1490.
SUN Y X，CHEN Y F，JIN X J，et al.AI differentiation of bok choy seedlings from weeds［J］.Fujian Journal of Agricultural Sciences，2021，36（12）：1484‑1490.
［11］ZHANG H，LI F，LIU S，et al.DINO：DETR with improved deNoising anchor boxes for end‑to‑end object detection［J］.arXiv e‑prints，2022. DOI：10. 48550/arXiv. 2203. 03605.
［12］刘珩，冉建国，杨鑫，等.基于DETR的迷彩伪装目标检测［J］.现代电子技术，2022，45（17）：41‑46.
LIU H，RAN J G，YANG X，et al.Camouflage target detection based on detection transformer［J］.Modern Electronics Technique，2022，45（17）：41‑46.
［13］陈聪，于啸，宫琪，等.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.

CHEN C，YU X，GONG Q，et al.Apple leaf diseases identification based on improved residual network［J］.Journal of Henan Agricultural Sciences，2023，52（4）：152‑161.

［14］疏雅丽，张国伟，王博，等.基于深层连接注意力机制的田间杂草识别方法［J］.计算机工程与应用，2022，58（6）：271‑277.
SHU Y L，ZHANG G W，WANG B，et al.Field weed identification method based on deep connection attention mechanism［J］.Computer Engineering and Applications，2022，58（6）：271‑277.
［15］梁明，张明路，吕晓玲，等.基于特征金字塔匹配和自监督的表面缺陷检测［J］.激光与光电子学进展，2023，60（4）：367‑375.
LIANG M，ZHANG M L，LÜ X L，et al.Surface‑defect detection based on feature pyramid matching and selfsupervision［J］.Laser & Optoelectronics Progress，2023，60（4）：367‑375.
［16］黄星威，陈曦，张塑凡，等.改进特征金字塔的小目标深度学习模型［J］.计算机工程与科学，2023，45（4）：734‑742.
HUANG X W，CHEN X，ZHANG S F，et al.A deep learning model based on improved feature pyramid networks for small object detection［J］.Computer Engineering & Science，2023，45（4）：734‑742.
［17］HE K，ZHANG X，REN S，et al.Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.USA：IEEE，2016：770‑778.
［18］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.Survey on transfer learning research［J］.Journal of Software，2015，26(1）：26‑39.
［19］LI F，ZHANG H，LIU S，et al.DN‑DETR：Accelerate DETR training by introducing query denoising［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.USA：IEEE，2022：13619‑13627.
［20］孔雅洁，张叶.引入高斯掩码自注意力模块的YOLOv3目标检测方法［J］.液晶与显示，2022，37（4）：539‑548.
KONG Y J，ZHANG Y.YOLOv3 object detection method by introducing Gaussian mask self‑attention module［J］.Chinese Journal of Liquid Crystals and Displays，2022，37（4）：539‑548.
［21］EZEAFULUKWE U，DARUS M，OLUBUNMI F J，et al.On analytic properties of a sigmoid function［J］.International Journal of Mathematics and Computer Science，2018，13（2）：171‑178.
［22］WU Y，HE K.Group normalization［C］//Proceedings of the European Conference on Computer Vision（ECCV）.Germany：Springer，2018：3‑19.
［23］张誉馨，张索非，王文龙，等.面向行人重识别的多域批归一化问题研究［J］.计算机技术与发展，2022，32（1）：91‑97.
ZHANG Y X，ZHANG S F，WANG W L，et al.Research on batch normalization for multi‑domain person re‑identification［J］.Computer Technology and Development，2022，32（1）：91‑97.
［24］汪小东，叶飞，王启真，等.基于EfficientDet的蚕茧识别方法［J］.蚕桑通报，2022，53（4）：31‑34.
WANG X D，YE F，WANG Q Z，et al.A cocoon recognition method based on EfficientDet［J］.Bulletin of Sericulture，2022，53（4）：31‑34.

[1]	李东亚, 白涛, 香慧敏, 戴硕, 王震鲁, 陈珍. 基于RoBERTa 多特征融合的棉花病虫害命名实体识别[J]. 河南农业科学, 2024, 53(2): 152-161.
[2]	钟正扬, 云利军, 杨璇玺, 陈载清. 基于改进YOLOX 的自然环境下核桃识别算法研究[J]. 河南农业科学, 2024, 53(1): 152-161.
[3]	王焕鑫, 沈志豪, 刘泉, 刘金江. 基于改进MobileNetV2 模型的农作物叶片病害识别研究[J]. 河南农业科学, 2023, 52(4): 143-151.
[4]	韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬. 基于改进U-Net 的水稻叶片细胞分割方法研究[J]. 河南农业科学, 2023, 52(3): 153-160.
[5]	王迎超, 张婧婧, 贾东霖, 周腾飞. 基于K-means 聚类和改进MLP的苹果分级研究[J]. 河南农业科学, 2023, 52(1): 161-171.
[6]	刘江鹏, 牛群峰, 靳毅, 陈霞, 王莉, 袁强. 基于高效通道注意力机制与多尺度特征融合的烟丝图像识别方法研究[J]. 河南农业科学, 2022, 51(11): 145-154.
[7]	濮永仙. 基于病斑特征融合的烟草病害图像检索方法[J]. 河南农业科学, 2015, 44(2): 71-76.