基于遷移學(xué)習(xí)和Mask R-CNN的稻飛虱圖像分類方法

林相澤 朱賽華 張俊媛 劉德營

(南京農(nóng)業(yè)大學(xué)工學(xué)院， 南京 210031)

0 引言

水稻是我國最重要的糧食作物之一，其種植范圍廣、面積大，水稻生產(chǎn)在我國農(nóng)業(yè)生產(chǎn)與糧食安全中具有主導(dǎo)地位[1]。稻田蟲害防治效果差，極易出現(xiàn)“穿頂”、“倒塘”、甚至顆粒無收的情況[2]。水稻在各個(gè)生長(zhǎng)期都會(huì)受到不同程度的害蟲危害，給水稻生產(chǎn)帶來極大影響。目前，對(duì)我國水稻造成危害的害蟲主要包括稻飛虱、螟蟲和稻縱卷葉螟等，其中稻飛虱對(duì)水稻的危害最為嚴(yán)重[3]。因此，獲取稻飛虱蟲口密度，提前制定相關(guān)應(yīng)對(duì)措施，對(duì)保障水稻穩(wěn)產(chǎn)、高產(chǎn)、優(yōu)產(chǎn)至關(guān)重要。現(xiàn)階段，對(duì)稻飛虱這類遷飛性害蟲的蟲情測(cè)報(bào)和計(jì)數(shù)多以誘蟲燈和毒氣瓶誘殺，再由人工統(tǒng)計(jì)實(shí)現(xiàn)[4]。傳統(tǒng)的蟲情測(cè)報(bào)方法采集信息難度大、蟲情分析滯后，對(duì)水稻病蟲害的防治效果甚微。

為了實(shí)現(xiàn)稻飛虱蟲情測(cè)報(bào)的自動(dòng)化，稻飛虱圖像識(shí)別成為近幾年的研究熱點(diǎn)。鄒修國等[5]提出了一種基于灰度共生矩陣提取紋理特征并采用BP神經(jīng)網(wǎng)絡(luò)對(duì)稻飛虱圖像進(jìn)行分類的方法。AZREE等[6]探討了卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)VGG16在根據(jù)歐幾里德距離圖構(gòu)建的灰度圖像中將稻飛虱成功分類的有效性。YU等[7]基于貝葉斯準(zhǔn)則，建立了Fisher線性判別函數(shù)，根據(jù)稻飛虱蟲體圖像的二維傅里葉頻譜窗口數(shù)據(jù)對(duì)害蟲進(jìn)行識(shí)別。劉德營等[8]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的稻飛虱圖像識(shí)別方法，通過自動(dòng)學(xué)習(xí)獲取網(wǎng)絡(luò)模型參數(shù)，對(duì)測(cè)試集稻飛虱進(jìn)行識(shí)別。盡管上述研究取得了一定成果，但是此類稻飛虱圖像識(shí)別方法需要對(duì)圖像進(jìn)行預(yù)處理，耗費(fèi)大量人力物力，難以實(shí)現(xiàn)真正的自動(dòng)化，且識(shí)別精度有待進(jìn)一步加強(qiáng)。

為了進(jìn)一步提高稻飛虱圖像分類的自動(dòng)化，本文提出一種以Mask R-CNN[9]為基礎(chǔ)，在ResNet50[9]網(wǎng)絡(luò)上進(jìn)行遷移學(xué)習(xí)的稻飛虱圖像檢測(cè)方法。

1 野外昆蟲圖像的自動(dòng)獲取

1.1 昆蟲圖像采集裝置

為了能夠自動(dòng)獲取稻田昆蟲圖像，結(jié)合稻飛虱趨光性的生物特點(diǎn)，采用團(tuán)隊(duì)自主研發(fā)的野外昆蟲圖像采集裝置[8,10]，該采集裝置的結(jié)構(gòu)圖如圖1所示。該裝置主要由XYZ三向調(diào)節(jié)裝置、高清工業(yè)相機(jī)、采集工作臺(tái)以及支架底座等部分構(gòu)成。在圖像采集實(shí)驗(yàn)開始前，通過高壓汞燈將稻飛虱及其他稻田昆蟲吸引至采集工作臺(tái)上，并以臺(tái)達(dá)DVP32EH00T3型PLC為核心控制單元，在設(shè)定好圖像采集開始和結(jié)束時(shí)間后，PLC控制伺服電機(jī)使高清工業(yè)相機(jī)在X、Z向往返運(yùn)動(dòng)，相機(jī)每移動(dòng)5 cm后滯留5 s以獲取昆蟲圖像，確保設(shè)備能夠在無人看守的情況下獲取水稻昆蟲高清圖像。采集到的圖像尺寸為782像素×576像素，JPEG格式，并通過USB數(shù)據(jù)傳輸線存儲(chǔ)至主機(jī)硬盤。

圖1 野外昆蟲圖像采集裝置結(jié)構(gòu)圖Fig.1 Structure diagram of image acquisition device1.高清工業(yè)相機(jī) 2.Z向調(diào)節(jié)裝置 3.X向調(diào)節(jié)裝置 4.采集工作臺(tái) 5.Y向調(diào)節(jié)裝置 6.底座

1.2 昆蟲圖像的采集

稻飛虱爆發(fā)期通常在每年的6—9月[11]，為獲取不同時(shí)空下完整清晰的稻飛虱昆蟲圖像，將圖像采集實(shí)驗(yàn)分為3個(gè)階段進(jìn)行。第1階段為2015年8—10月，第2階段為2016年6—10月，拍攝地點(diǎn)為南京農(nóng)業(yè)大學(xué)江浦農(nóng)場(chǎng)(32°01′N, 118°37′ E)；第3階段為2017年8—9月，拍攝地點(diǎn)為白馬國家農(nóng)業(yè)科技園(31°37′ N, 119°10′ E)。拍攝實(shí)驗(yàn)在晴朗天氣或陰天的18:00—22:30進(jìn)行，實(shí)驗(yàn)期間溫度為20～30℃，相對(duì)濕度為6%～8%，實(shí)驗(yàn)現(xiàn)場(chǎng)如圖2所示。最后，將3個(gè)階段采集到的1 500幅稻田昆蟲圖像作為實(shí)驗(yàn)數(shù)據(jù)集，為突出研究重點(diǎn)，將3種類別的稻飛虱(白背飛虱、褐飛虱以及灰飛虱)歸為一類，其余水稻昆蟲歸為一類，部分?jǐn)?shù)據(jù)集樣本如圖3所示。

圖2 野外實(shí)驗(yàn)現(xiàn)場(chǎng)圖Fig.2 Experiment site in field

圖3 數(shù)據(jù)集樣本Fig.3 Data set samples

1.3 數(shù)據(jù)集制作

在使用Mask R-CNN訓(xùn)練數(shù)據(jù)前，需要手動(dòng)標(biāo)記昆蟲輪廓并制作json標(biāo)簽文件。當(dāng)前主要的圖像標(biāo)簽制作軟件有VIA、labelme、RectLabel、LabelBox以及COCO UI等。由于VIA操作簡(jiǎn)單、支持離線運(yùn)行而且能直接生成json文件，因此采用VIA作為數(shù)據(jù)集標(biāo)簽制作工具。主要針對(duì)稻飛虱圖像進(jìn)行識(shí)別分類，因此在標(biāo)簽制作時(shí)只考慮將昆蟲圖像分為稻飛虱與非稻飛虱兩類，即將稻飛虱圖像標(biāo)記為Sogatella_furcifera_(Horvath)，將非稻飛虱圖像標(biāo)記為Others?？紤]到昆蟲觸角過于細(xì)小，在標(biāo)注時(shí)難度較大，并且對(duì)分類結(jié)論不會(huì)造成本質(zhì)影響，因此在標(biāo)簽制作時(shí)只標(biāo)記昆蟲軀干。為完全擬合昆蟲輪廓，采用多邊形標(biāo)注法進(jìn)行標(biāo)注，圖3中昆蟲標(biāo)記后的效果如圖4所示。

圖4 數(shù)據(jù)集標(biāo)簽制作Fig.4 Data set labeling

2 分類算法設(shè)計(jì)

為減少制作數(shù)據(jù)集標(biāo)簽的步驟并提高圖像分類的精度，本文采用遷移學(xué)習(xí)和Mask R-CNN相結(jié)合的方法對(duì)采集的昆蟲圖像進(jìn)行處理和分類。

2.1 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種運(yùn)用已有知識(shí)對(duì)不同但相關(guān)的領(lǐng)域進(jìn)行求解的機(jī)器學(xué)習(xí)方法。遷移學(xué)習(xí)放寬了傳統(tǒng)機(jī)器學(xué)習(xí)中的兩個(gè)基本假設(shè)[12]：①用于學(xué)習(xí)的訓(xùn)練樣本和新的測(cè)試樣本應(yīng)滿足獨(dú)立且同分布的條件。②必須有足夠多的訓(xùn)練樣本才能得到一個(gè)好的模型。遷移學(xué)習(xí)包含源域(Source domain)和目標(biāo)域(Target domain)[13-14]，定義為

(1)

式中D(s)——源域D(t)——目標(biāo)域

x——域的特征空間

P(x)——特征空間對(duì)應(yīng)的邊緣概率分布

2.2 Mask R-CNN圖像識(shí)別算法

Mask R-CNN是在Faster R-CNN[15]上擴(kuò)展的一種圖像識(shí)別算法，因此了解Faster R-CNN有助于對(duì)Mask R-CNN的理解。

2.2.1Faster R-CNN

Faster R-CNN是針對(duì)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(R-CNN[16])在每個(gè)候選區(qū)域(RoI)存在大量重復(fù)運(yùn)算而提出的圖像識(shí)別算法。該算法將候選區(qū)域網(wǎng)絡(luò)(RPN)提取的特征轉(zhuǎn)移到最后一層的卷積特征圖上進(jìn)行，并在之后加了一個(gè)針對(duì)性的RoIPool層[15]，并采用多任務(wù)函數(shù)對(duì)分類和邊界回歸聯(lián)合訓(xùn)練，相比于R-CNN算法提高了目標(biāo)檢測(cè)的精度和效率。

RPN的核心是錨(anchor)[15]，而一個(gè)建議區(qū)域可以包含多個(gè)錨和多個(gè)正標(biāo)簽，因此，建議區(qū)域與期望區(qū)域重疊部分(IoU)的大小直接影響分類效果，IoU的選取由Faster R-CNN的損失函數(shù)L(pi,ti)獲得[15]，即

(2)

式中i——錨的索引

Ncls、Nreg——分類層數(shù)和回歸層數(shù)

pi——目標(biāo)錨的預(yù)測(cè)概率

ti——預(yù)測(cè)邊界框的4個(gè)參數(shù)化坐標(biāo)參數(shù)

Lcls——目標(biāo)與背景兩個(gè)類的對(duì)數(shù)損失函數(shù)

Lreg——目標(biāo)與背景的回歸損失函數(shù)

λ——權(quán)重

2.2.2RoIAlign

RoIPool是從每個(gè)RoI提取特征圖的標(biāo)準(zhǔn)操作，RoIPool首先將浮點(diǎn)數(shù)表示的RoI量化到與特征圖匹配的粒度，然后將量化后的RoI分塊，最后采用最大池化匯總每個(gè)塊覆蓋的區(qū)域的特征值。因此，當(dāng)進(jìn)行RoIPool中的量化操作時(shí)，極易使RoI與提取的特征錯(cuò)位，從而對(duì)預(yù)測(cè)像素級(jí)精度的Mask有很大的負(fù)面影響。為了消除對(duì)RoIPool的粗糙量化，并將提取的特征與輸入圖像精準(zhǔn)對(duì)齊，RoIAlign[9]被引入Mask R-CNN。即對(duì)于每個(gè)RoI分塊選取其中的4個(gè)常規(guī)位置，使用雙線性插值來計(jì)算每個(gè)位置的精確值，并采用最大池化將結(jié)果匯總。

2.2.3損失函數(shù)

與Faster R-CNN相比，Mask R-CNN增加了Mask分支，因此每個(gè)RoI的損失函數(shù)[9]為

L=Lcls+Lreg+Lmask

(3)

式中Lmask——平均二進(jìn)制交叉熵?fù)p失函數(shù)

對(duì)于每個(gè)RoI，Mask分支有Km2維的輸出，其對(duì)K個(gè)大小為m2的Mask進(jìn)行編碼，每一個(gè)Mask有K個(gè)類別，并在每個(gè)像素上運(yùn)用sigmod進(jìn)行分類。

Mask R-CNN圖像識(shí)別算法是基于Faster R-CNN架構(gòu)的新的卷積網(wǎng)絡(luò)，該方法能夠在有效識(shí)別目標(biāo)的同時(shí)完成高質(zhì)量的語義分割。

2.3 基于Mask R-CNN的稻飛虱圖像識(shí)別模型構(gòu)建

許多機(jī)器學(xué)習(xí)算法需要的訓(xùn)練數(shù)據(jù)都十分龐大，并且制作數(shù)據(jù)集標(biāo)簽的步驟繁雜[17]，因此，本文通過結(jié)合遷移學(xué)習(xí)和Mask R-CNN圖像識(shí)別算法對(duì)稻飛虱圖像進(jìn)行識(shí)別分類。采用遷移學(xué)習(xí)在已訓(xùn)練好的Microsoft COCO 數(shù)據(jù)集的基礎(chǔ)上進(jìn)行樣本訓(xùn)練，將采集到的1 500幅昆蟲圖像隨機(jī)選取1 200幅圖像作為訓(xùn)練集，剩余300幅圖像作為測(cè)試集。主要參數(shù)設(shè)置為：學(xué)習(xí)率0.01，學(xué)習(xí)衰減率0.000 1，動(dòng)量值0.9。在參數(shù)設(shè)置完畢后，首先訓(xùn)練head layers，共訓(xùn)練20輪，每輪800次；然后訓(xùn)練all layers，共訓(xùn)練30輪，每輪800次。本算法在顯存為4 GB的NVIDIA Quadro K4200顯卡上執(zhí)行，為匹配顯卡的顯存容量，將Mask R-CNN的基礎(chǔ)框架(Backbone)設(shè)置為ResNet50，并且每次訓(xùn)練一幅圖像。

3 實(shí)驗(yàn)與結(jié)果分析

為了說明本文所提方法的優(yōu)越性，在相同樣本條件下，首先，將本文所提方法與Faster R-CNN在對(duì)稻飛虱、非稻飛虱以及存在干擾圖像情況下的識(shí)別精確度進(jìn)行對(duì)比；然后，再將本文所提方法與傳統(tǒng)圖像分類方法(SVM[18]、BP神經(jīng)網(wǎng)絡(luò)[19])進(jìn)行對(duì)比。

3.1 Mask R-CNN與Faster R-CNN實(shí)驗(yàn)結(jié)果與分析

為增強(qiáng)實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，F(xiàn)aster R-CNN采用的訓(xùn)練集與測(cè)試集和本文所用方法的訓(xùn)練集與測(cè)試集一致，并且初始參數(shù)與訓(xùn)練次數(shù)和本文所提方法保持相同。Faster R-CNN與Mask R-CNN對(duì)水稻害蟲圖像識(shí)別分類的結(jié)果如圖5、6所示。

圖5 Faster R-CNN實(shí)驗(yàn)結(jié)果Fig.5 Experimental results of Faster R-CNN

圖6 Mask R-CNN實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of Mask R-CNN

圖5a和圖6a中3只昆蟲均為稻飛虱，圖5b和圖6b中3只昆蟲均為非稻飛虱，圖5c和圖6c中昆蟲為非稻飛虱，并將圖5a、5b和圖6a、6b中3只昆蟲從上至下編號(hào)為Ⅰ、Ⅱ、Ⅲ。

當(dāng)識(shí)別稻飛虱圖像時(shí)，圖5a中昆蟲Ⅰ的識(shí)別精度為0.784，昆蟲Ⅱ的識(shí)別精度為0.945，昆蟲Ⅲ未能被識(shí)別；圖6a中昆蟲Ⅰ的識(shí)別精度為0.976，昆蟲Ⅱ的識(shí)別精度為0.932，昆蟲Ⅲ的識(shí)別精度為0.944。因此，采用Faster R-CNN方法識(shí)別稻飛虱圖像時(shí)，能夠識(shí)別完整的稻飛虱圖像，但是對(duì)于不完整的稻飛虱圖像，該方法無法識(shí)別并會(huì)將其作為背景輸出，且平均識(shí)別精度只有0.865，識(shí)別精度不高；本文方法能夠有效識(shí)別完整和不完整的稻飛虱圖像，并且平均識(shí)別精度達(dá)到0.951，明顯優(yōu)于Faster R-CNN。

當(dāng)識(shí)別非稻飛虱圖像時(shí)，圖5b中昆蟲Ⅰ的識(shí)別精度為0.909，昆蟲Ⅱ的識(shí)別精度為0.841，昆蟲Ⅲ的識(shí)別精度為0.896；圖6b中昆蟲Ⅰ的識(shí)別精度為0.906，昆蟲Ⅱ的識(shí)別精度為0.961，昆蟲Ⅲ的識(shí)別精度為0.866。因此，當(dāng)識(shí)別完整非稻飛虱昆蟲圖像時(shí)，F(xiàn)aster R-CNN與本文采用的方法均表現(xiàn)較好，能夠完成實(shí)例檢測(cè)任務(wù)，對(duì)比平均識(shí)別精度，本文采用的方法優(yōu)于Faster R-CNN，且平均識(shí)別精度達(dá)到0.911。

當(dāng)識(shí)別存在干擾的昆蟲圖像時(shí)，圖5c中昆蟲被錯(cuò)誤識(shí)別，圖6c中昆蟲的識(shí)別精度為0.906。因此，當(dāng)識(shí)別存在干擾的昆蟲圖像時(shí)，F(xiàn)aster R-CNN的識(shí)別效果較差，不能準(zhǔn)確識(shí)別昆蟲類型；當(dāng)采用本文方法識(shí)別時(shí)，能夠有效判斷圖中昆蟲類別，并且識(shí)別精度達(dá)到0.906，明顯優(yōu)于Faster R-CNN。

3.2 Mask R-CNN與傳統(tǒng)圖像分類方法的比較

傳統(tǒng)圖像分類方法主要過程如下：首先對(duì)采集到的水稻昆蟲圖像采用大津法進(jìn)行自適應(yīng)二值分割[20]獲得水稻昆蟲的單一圖像，如圖7所示；然后通過膨脹、腐蝕等形態(tài)學(xué)濾波提取水稻昆蟲背部圖像，如圖8所示；之后通過水稻昆蟲背部圖像提取昆蟲的顏色、紋理以及形狀等信息作為水稻昆蟲的特征值；最后將特征值輸入SVM和BP神經(jīng)網(wǎng)絡(luò)獲取分類精度。

圖7 水稻昆蟲單一圖像Fig.7 Single images of rice insect

圖8 水稻昆蟲背部圖像Fig.8 Back images of rice insect

為進(jìn)一步描述水稻昆蟲的特征信息，綜合采用文獻(xiàn)[19，21]中提取的水稻昆蟲特征參數(shù)，包括7組Hu不變矩[19]以及13組傅里葉描述子[21]。水稻昆蟲的部分特征參數(shù)(包括2組稻飛虱特征參數(shù)，2組非稻飛虱特征參數(shù))如表1所示。

表1 水稻昆蟲特征參數(shù)Tab.1 Feature parameters of rice insect

采用上述提取的特征參數(shù)輸入SVM和BP神經(jīng)網(wǎng)絡(luò)后獲得識(shí)別精度，上述實(shí)驗(yàn)結(jié)果與Faster R-CNN以及Mask R-CNN的實(shí)驗(yàn)結(jié)果進(jìn)行比較，如表2所示。

表2 實(shí)驗(yàn)結(jié)果比較Tab.2 Comparison of experiment results

由表2可知，采用傳統(tǒng)圖像分類方法對(duì)水稻昆蟲圖像進(jìn)行分類的精確度比較低，均在0.8以下；Mask R-CNN的分類精度最優(yōu)，達(dá)到0.923。此外，相比于傳統(tǒng)圖像分類方法，Mask R-CNN無需對(duì)圖像進(jìn)行預(yù)處理，而且能夠?qū)崟r(shí)查看采集到的原始圖像中水稻昆蟲的類別，明顯優(yōu)于傳統(tǒng)圖像分類方法。由于Mask R-CNN是在Faster R-CNN的基礎(chǔ)上添加了Mask層，因此Mask R-CNN的檢測(cè)速率略小于Faster R-CNN，但是依舊能達(dá)到5幅/s；采用傳統(tǒng)圖像分類方法進(jìn)行圖像識(shí)別時(shí)，在不考慮圖像預(yù)處理的前提下，SVM的檢測(cè)速率為0.5幅/s，BP神經(jīng)網(wǎng)絡(luò)的檢測(cè)速率為0.1幅/s，因此與傳統(tǒng)圖像分類方法相比，Mask R-CNN的檢測(cè)速率遠(yuǎn)大于傳統(tǒng)圖像分類方法。

3.3 Mask R-CNN對(duì)黏連和重合的蟲體圖像識(shí)別

在采集圖像時(shí)，除了互相獨(dú)立的昆蟲個(gè)體圖像外，還存在部分黏連或重合的昆蟲圖像，如圖9所示。由于黏連和重合的昆蟲圖像不能被分割為單一的昆蟲圖像，因此傳統(tǒng)圖像分類方法無法分類識(shí)別黏連和重合的昆蟲圖像。

圖9 黏連和重合的昆蟲圖像Fig.9 Adhesive and overlapping insect images

圖9a是黏連的昆蟲圖像，圖中4只昆蟲均為非稻飛虱，且從左至右依次編號(hào)為Ⅰ、Ⅱ、Ⅲ、Ⅳ，從圖9a中可以看出Ⅰ號(hào)昆蟲與Ⅱ號(hào)昆蟲黏連；圖9b是重合的昆蟲圖像，圖中4只昆蟲均為非稻飛虱，且上方兩只昆蟲從左至右編號(hào)Ⅰ、Ⅱ，下方兩只昆蟲從左至右編號(hào)為Ⅲ、Ⅳ，從圖9b中可以看出Ⅰ、Ⅱ號(hào)與Ⅲ號(hào)昆蟲重合。Mask R-CNN對(duì)圖9的識(shí)別結(jié)果如圖10所示。

圖10 黏連和重合圖像的識(shí)別結(jié)果Fig.10 Identification results of adhesive and overlapping insect images

圖10a中昆蟲Ⅰ未能被識(shí)別，昆蟲Ⅱ的識(shí)別精度為0.845，昆蟲Ⅲ的識(shí)別精度為0.953，昆蟲Ⅳ的識(shí)別精度為0.992；圖10b中昆蟲Ⅰ的識(shí)別精度為0.763，昆蟲Ⅱ未能被識(shí)別，昆蟲Ⅲ的識(shí)別精度為0.975，昆蟲Ⅳ的識(shí)別精度為0.996。因此，當(dāng)蟲體黏連時(shí)，Mask R-CNN將Ⅰ號(hào)昆蟲的黏連部分作為Ⅱ號(hào)昆蟲的軀干，導(dǎo)致Ⅱ號(hào)昆蟲的識(shí)別精度較低，此時(shí)昆蟲的識(shí)別精度為0.845，并且由于失去部分軀干加上黏連的干擾，導(dǎo)致Ⅰ號(hào)昆蟲無法識(shí)別。當(dāng)蟲體重合時(shí)，Mask R-CNN將Ⅱ號(hào)與Ⅲ號(hào)昆蟲的重合部分作為Ⅰ號(hào)昆蟲的軀干，與黏連的情況相比重合部分遠(yuǎn)大于黏連部分，導(dǎo)致重合昆蟲圖像的識(shí)別精度低于黏連的圖像，此時(shí)昆蟲識(shí)別精度為0.763；Ⅱ號(hào)昆蟲由于失去大部分軀干并且加上重合的干擾，導(dǎo)致無法識(shí)別；Ⅲ號(hào)昆蟲由于僅失去較少的頭部部分，因此依舊能夠被Mask R-CNN識(shí)別。由此可見，黏連和重合的昆蟲圖像對(duì)于Mask R-CNN的識(shí)別干擾較大。

4 結(jié)論

(1)考慮稻飛虱的生物特性，自主研發(fā)了野外昆蟲圖像采集裝置，在無人看守的情況下自動(dòng)采集稻田昆蟲圖像，為后續(xù)圖像識(shí)別實(shí)驗(yàn)構(gòu)建了昆蟲圖像數(shù)據(jù)集。

(2)采用VIA制作了稻田昆蟲圖像數(shù)據(jù)標(biāo)簽，并將昆蟲圖像標(biāo)記為稻飛虱和非稻飛虱，采用遷移學(xué)習(xí)方法初始化網(wǎng)絡(luò)權(quán)重，最后在ResNet50網(wǎng)絡(luò)上完成了數(shù)據(jù)集的訓(xùn)練。

(3)分別對(duì)稻飛虱、非稻飛虱、存在干擾圖像以及存在黏連和重合的稻田昆蟲圖像進(jìn)行識(shí)別實(shí)驗(yàn)，并與Faster R-CNN算法和傳統(tǒng)圖像分類算法(SVM、BP神經(jīng)網(wǎng)絡(luò))進(jìn)行了對(duì)比。對(duì)比結(jié)果表明，本文方法能夠快速有效識(shí)別稻飛虱與非稻飛虱，平均識(shí)別精度達(dá)到0.923，能夠?yàn)榈撅w虱的防治預(yù)警提供信息支持。