基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数

• 作者: 张银松 袁慕策 赵银娣
• 来源期刊: 中国农业大学学报
• 学科: 农学
• 关键词: 昆虫识别 昆虫计数 Faster-RCNN 残差网络 Soft-NMS
• 年，卷（期）: 2019,（5）
• 页码范围: 115-122
• 页数: 8页
• 分类号: S24
• 语种: 中文
• DOI: 10.11841/j.issn.1007-4333.2019.05.14

摘要

针对传统机器学习采用人工提取特征方法时,由于人为主观性而影响昆虫识别效果与计数准确性的问题,采用图像特征自动提取方法,将深度学习目标检测模型引入昆虫的识别与计数领域,对Faster-RCNN目标检测模型进行改进:针对昆虫体积小,图像分辨率较低的特点,用网络深度更深,运算量更小的深度残差网络(ResNet50)代替原来的VGG16,以提取更加丰富的特征;针对部分昆虫密集的特点,用Soft-NMS算法代替传统的非极大值抑制(NMS)算法,以减少密集区域的漏检.结果 表明:改进后Faster-RCNN模型的检测准确率达到90.7％,较未改进的Faster-RCNN模型提高了4.2％,可以运用于昆虫的分类计数.利用深度学习目标检测模型进行昆虫识别与计数较传统的昆虫识别与计数方法更加方便,能够将昆虫的识别、定位和计数融为一体.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵银娣	中国矿业大学环境与测绘学院	34	234	9.0	14.0
2	张银松	中国矿业大学环境与测绘学院	2	7	2.0	2.0
3	袁慕策	中国矿业大学环境与测绘学院	1	4	1.0	1.0