基于深度学习的稻飞虱检测算法和装置系统的研制

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：为解决稻飞虱体积小、田间调查劳动密集且准确性不足的问题,开发了基于Faster R-CNN with Neighborhood Attention Transformer(FNAT)的稻飞虱检测算法,并建立了相应的田间采集装置与识别计数系统,用于提升调查效率.利用自研装置采集稻飞虱图像构建数据集,包含7种不同类别.开发FNAT算法模型,融合NAT和FPN模块,对模型性能进行评估,并建立系统展示识别结果.FNAT算法在所有类别上平均精确率超80%,特定类别超90%,mAP达87.2%,较Baseline模型显著提升.此外,试验自研的调查采集装置采集稻飞虱图片后,系统会自动上传并利用云服务器端的FNAT算法进行快速识别和计数,最后将识别结果发送至客户端.FNAT算法和装置系统能准确检测识别稻飞虱,减轻植保人员工作负担,降低专业门槛,提升数据准确性和一致性.

作者：

赵丽稳、周颖杰、孙莲、王笑、翟婧、许燎原、吴降星、孔镭

展开 >

作者单位：

浙江省宁波市农业技术推广总站,浙江宁波 315012

宁波市奉化区农业技术服务总站,浙江宁波 315500

象山县农业技术推广中心,浙江宁波 315700

宁波市江北区农业技术推广服务站,浙江宁波 315033

杭州睿坤科技有限公司,浙江杭州 310052

展开 >

关键词：

深度学习稻飞虱检测算法采集装置 FNAT算法

出版年：

2024

DOI：

10.16815/j.cnki.11-5436/s.2024.25.054

农业工程技术

ISSN：

年,卷(期)：2024.44(25)