摘要
在水稻害虫的防治中,往往会因为田间背景杂乱、叶片与害虫颜色相似、害虫个头较小导致水稻害虫不易被察觉.针对田间水稻害虫检测精度不高的问题,提出一种多尺度均衡级联检测模型(ME-Cascade).为更好地提取水稻害虫这种小目标的特征,该模型以级联神经网络(Cascade RCNN)为基础,引入多尺度骨干网络结构Res2Net,实现单个残差块中构建类似残差的分层连接.然后在区域生成网络中加入跨通道特征融合层,降低训练过程中背景叶片与目标害虫颜色相似带来的干扰,增强候选区域定位的准确性.并在级联检测器中使用样本均衡化采样,解决目标害虫与背景特征数量差异大带来的正负样本不均衡问题,减少小目标的错检漏检.最后,为避免深层网络在小样本检测中梯度爆炸和过拟合的发生,在梯度下降中使用梯度裁剪技术.将该模型用于公开发表的水稻虫害数据集上,mAP达到了 96.9％,比原始Cascade RCNN模型提高了 2.7百分点,验证了该模型在真实田间的水稻害虫上具有更好的识别效果.
基金项目
国家自然科学基金面上项目(61272278)
湖北省科技重大专项(2018ABA099)
湖北省教育厅科学研究重点项目(D20201601)
国家科技期刊平台
NSTL
万方数据