亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種基于級(jí)聯(lián)R-CNN的水稻害蟲檢測(cè)算法

        2021-12-01 00:42:56劉凱旋黃操軍李亞鵬佟尚諭
        關(guān)鍵詞:級(jí)聯(lián)害蟲水稻

        劉凱旋,黃操軍,李亞鵬,佟尚諭

        (黑龍江八一農(nóng)墾大學(xué)信息與電氣學(xué)院,大慶 163319)

        水稻是我國(guó)最重要的糧食作物之一,其產(chǎn)量對(duì)著糧食安全和社會(huì)的穩(wěn)定有著重要的影響[1]。蟲害會(huì)在水稻的生長(zhǎng)中會(huì)產(chǎn)生不同程度的危害,若能及早的控制害蟲規(guī)模,就能減少農(nóng)藥的噴施,避免水稻大量減產(chǎn)。只有準(zhǔn)確鑒定害蟲,才能為害蟲防治提供重要的依據(jù)。已經(jīng)有越來越多的學(xué)者將深度學(xué)習(xí)運(yùn)用到害蟲圖像的自動(dòng)化識(shí)別中[2-3]?,F(xiàn)有的害蟲檢測(cè)可以分成兩類,一類是采用常用的計(jì)算機(jī)視覺特征,再用淺層神經(jīng)網(wǎng)絡(luò)做分類。相應(yīng)的工作有:陳向東等[4]提取顏色、亮度、紋理和深度特征,經(jīng)過加權(quán)融合特征和顯著性增強(qiáng)得到相應(yīng)的分割結(jié)果。張永玲等[5]通過特征融合構(gòu)建完備字典,用支持向量機(jī)對(duì)9類水稻害蟲分類。陳娟等[6]通過富邊緣檢測(cè)算法提取園林害蟲圖像,改進(jìn)的殘差網(wǎng)絡(luò)來識(shí)別38類園林害蟲。楊國(guó)國(guó)等[7]通過計(jì)算茶園害蟲的顏色顯著值,構(gòu)造顯著性圖來對(duì)害蟲定位,然后用AlexNet網(wǎng)絡(luò)來識(shí)別23種常見類型的茶園害蟲。但是這些害蟲檢測(cè)算法由于特征是手工設(shè)計(jì)的,不但過程復(fù)雜,而且會(huì)受到在自然環(huán)境中害蟲姿態(tài)角度的影響。另一類是使用深度學(xué)習(xí)的方法確定識(shí)別目標(biāo)所在候選區(qū)域和目標(biāo)類別。相應(yīng)的工作有:姚青等[8]通過組歸一化和優(yōu)化FPN結(jié)構(gòu)對(duì)RetinaNet進(jìn)行改進(jìn),識(shí)別水稻背景稻飛虱和二化螟的水稻危害狀。張?jiān)娪甑萚9]使用聚類算法改進(jìn)Faster R-CNN[10]的區(qū)域提案網(wǎng)絡(luò),識(shí)別六種常見的糧食害蟲。鄧壯來等[11]和苗海委等[12]通過改變SSD算法中的VGG16的層數(shù)和重新定義損失函數(shù)來優(yōu)化SSD模型,來檢測(cè)糧倉(cāng)害蟲;張博等[13]通過改變YOLOv3的層數(shù)和卷積核寬度以及使用空間金字塔池化特征融合來優(yōu)化YOLOv3,對(duì)20類害蟲進(jìn)行檢測(cè)和識(shí)別;魏楊等[14]提出了一種區(qū)域提案網(wǎng)絡(luò),提出害蟲候選區(qū)域,由Fast R-CNN來識(shí)別10類農(nóng)業(yè)害蟲;李衡霞等[15]使用Faster R-CNN識(shí)別5種油菜害蟲;林相澤等[16]出一種以預(yù)訓(xùn)練模型ResNet50為骨干的Mask R-CNN[17]檢測(cè)稻飛虱圖像的方法。但以上多目標(biāo)檢測(cè)算法還是存在丟失小目標(biāo),發(fā)生錯(cuò)漏的問題。針對(duì)小目標(biāo)的準(zhǔn)確率低,漏檢的情況,通過使用特征金字塔FPN[18]和感興趣區(qū)域校準(zhǔn)ROI Align[17]優(yōu)化級(jí)聯(lián)R-CNN[19]的小目標(biāo)特征,使用軟非極大值抑制Soft-NMS[20]減少重疊目標(biāo)的漏檢,從而建立一種基于深度學(xué)習(xí)模型的水稻害蟲圖像檢測(cè)算法,為水稻生產(chǎn)中害蟲檢測(cè)研究提供技術(shù)支持。

        1 水稻蟲害檢測(cè)模型的構(gòu)建

        1.1 建立模型

        級(jí)聯(lián)R-CNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,其過程上是Faster R-CNN將得到的特征和回歸框進(jìn)行送入檢測(cè)分支再次得到新的邊框,然后再將新邊框和特征送入檢測(cè)分支得最終邊框和類別。通過兩次對(duì)回歸框的微調(diào),讓回歸框可以適應(yīng)更高的IOU閾值,從而提升回歸框的準(zhǔn)確性。詳細(xì)過程為:通過conv結(jié)構(gòu)提取水稻害蟲圖片特征M,經(jīng)過頭部網(wǎng)絡(luò)H0候選區(qū)域生成網(wǎng)絡(luò)RPN,得到害蟲初步候選框位置B0和類別C0;然后將得到初步候選框的位置B0映射到特征M上,應(yīng)用感興趣區(qū)域池化(ROI pooling)將特征M轉(zhuǎn)化成固定大小的水稻害蟲特征向量M1,送入頭部網(wǎng)絡(luò)生成新的害蟲候選框位置B1和類別C1;同理,最后得到水稻害蟲在圖片中的準(zhǔn)確位置B3和類別C3。

        圖1 級(jí)聯(lián)R-CNN結(jié)構(gòu)Fig.1 The structure of cascade R-CNN

        如圖1所示。其中I是水稻害蟲圖像,conv是ResNet50的結(jié)構(gòu),H0為RPN,H1、H2、H3由全連接層組成,為頭部網(wǎng)絡(luò),B0、B1、B2、B3為先驗(yàn)框預(yù)測(cè)、C為類別預(yù)測(cè)、pool為ROI池化。虛線框內(nèi)為Faster RCNN結(jié)構(gòu)。

        1.2 Faster R-CNN算法

        Faster R-CNN為二階目標(biāo)檢測(cè)器,它通過RPN遍歷特征得到預(yù)測(cè)先驗(yàn)框,映射在特征上,然后ROI池化會(huì)對(duì)這些映射在框里的特征提取新特征并規(guī)范大小,送入全連接層或全卷積層,判斷目標(biāo)類別,生成坐標(biāo)偏移,微調(diào)候選框,NMS會(huì)根據(jù)閾值篩選出最大得分的邊框,然后通過損失函數(shù)計(jì)算損失,再反向優(yōu)化網(wǎng)絡(luò)參數(shù)。二階目標(biāo)檢測(cè)器的優(yōu)點(diǎn)在于檢測(cè)精度高,缺點(diǎn)在于檢測(cè)速度慢。由于搜索先驗(yàn)框需要遍歷圖像,所以識(shí)別損耗的時(shí)間都在消耗在了RPN的搜索過程中。

        1.3 模型的優(yōu)化

        優(yōu)化過程主要有三步:在級(jí)聯(lián)R-CNN中使用FPN結(jié)構(gòu);對(duì)先驗(yàn)框預(yù)測(cè)的NMS算法用Soft-NMS算法進(jìn)行替換;對(duì)pool結(jié)構(gòu)代表的ROI池化,替換為ROI校準(zhǔn)算法。通過減少小目標(biāo)特征損失的方式來提升原來的模型對(duì)小目標(biāo)的識(shí)別精度。

        1.3.1 FPN結(jié)構(gòu)

        通過相鄰的高層改變長(zhǎng)寬,低層特征改變深度再相加,相加得到粗略特征,再消去混疊效應(yīng)得到新的特征。該特征具備高層特征語義信息,同時(shí)也具備低層特征中害蟲位置的詳細(xì)特征。最后一層特征和第一層特征不做處理。圖像上不同大小的害蟲特征會(huì)對(duì)應(yīng)不同的提取位置,大的識(shí)別目標(biāo)會(huì)靠后,小的識(shí)別目標(biāo)會(huì)靠前。

        1.3.2 Soft-NMS算法

        NMS的缺點(diǎn)是當(dāng)兩個(gè)目標(biāo)邊框發(fā)生重疊時(shí),得分高的候選框會(huì)把另一個(gè)目標(biāo)的邊框剔除,就導(dǎo)致算法檢測(cè)不到另一個(gè)目標(biāo)的位置。水稻害蟲往往密集的聚集在水稻周圍,當(dāng)重疊時(shí)算法會(huì)漏檢重疊的害蟲。為了避免這種情況,使用Soft-NMS可以通過配合調(diào)節(jié)閾值避免漏檢害蟲。Soft-NMS對(duì)NMS的改進(jìn)在于,當(dāng)最高置信邊框和待處理邊框大于IOU閾值時(shí),重疊度越大,會(huì)使待處理邊框的置信值下降的越快,而非直接刪除。

        Soft-NMS改進(jìn)有兩種形式。其中高斯加權(quán)的形式得分連續(xù),而線性加權(quán)的得分會(huì)因?yàn)榉侄味贿B續(xù)。線性加權(quán)的形式為:

        在算法中用到Soft-NMS算法的是高斯加權(quán)的形式。在訓(xùn)練過程中,RPN中的NMS的IOU閾值設(shè)為0.7,在測(cè)試時(shí)使用Soft-NMS替換NMS,IOU閾值設(shè)為0.5。

        1.3.3 感興趣區(qū)域校準(zhǔn)(ROI Align)

        稻田害蟲圖像中害蟲目標(biāo)數(shù)量多并且偏小,為了能夠提高識(shí)別小目標(biāo)害蟲的識(shí)別精度,用ROI Align替換Faster R-cnn中的ROI pooling結(jié)構(gòu)。原圖上的感興趣區(qū)域在經(jīng)過骨干網(wǎng)絡(luò)后,由于池化作用,尺寸會(huì)縮減,若區(qū)域邊界框四個(gè)錨點(diǎn)的數(shù)值不是整數(shù),需要取整。取整后的邊界框若再映射到原圖,和原來的區(qū)域相比會(huì)發(fā)生偏移。如果提議邊框映射到特征圖上的長(zhǎng)寬不等,當(dāng)需要?jiǎng)澐殖纱笮∠嗤膮^(qū)域,區(qū)域內(nèi)像素?cái)?shù)就不為整數(shù),需要取整,就會(huì)導(dǎo)致實(shí)際區(qū)域不均勻,在進(jìn)行池化操作時(shí)會(huì)再次丟失小目標(biāo)的信息。這兩次取整都會(huì)影響小目標(biāo)檢測(cè)的準(zhǔn)確度。而ROI校準(zhǔn)通過生成浮點(diǎn)數(shù)的像素值代替整數(shù)值像素,能夠解決取整操作導(dǎo)致的小目標(biāo)細(xì)節(jié)特征丟失的問題。

        2 水稻蟲害檢測(cè)模型的實(shí)現(xiàn)

        選取了5種常見的水稻害蟲作為測(cè)試對(duì)象。為方便展示害蟲形象,選取測(cè)試集部分水稻害蟲圖像的局部如圖3所示。從左到右依次為稻蝗、稻飛虱、黑尾葉蟬、螻蛄和黏蟲。原始圖像通過Google、Naver和百度等搜索引擎和學(xué)校試驗(yàn)水稻田內(nèi)手機(jī)拍攝2種方式獲得。拍攝時(shí)間為2018年8月到10月,每月月初第一周內(nèi)實(shí)地拍攝,拍攝設(shè)備為榮耀20,每張圖片分辨率為2 340*1 080。原始圖像中的水稻害蟲包含了各種姿態(tài)、光照、角度,經(jīng)過人工篩選去掉了重復(fù)和錯(cuò)誤的圖像。試驗(yàn)數(shù)據(jù)集總共有2 855張圖片,稻蝗670張,稻飛虱226張,黑尾葉蟬919張,螻蛄823張,黏蟲217張。其中水稻田實(shí)地拍攝圖像250幅,各類水稻害蟲圖像均為50幅。為了均衡化樣本,稻蝗、黑尾葉蟬、螻蛄選取300張,稻飛虱226張,黏蟲217張,維持1∶1.5的比例關(guān)系,共計(jì)1 343張。每張水稻害蟲圖像上至少有1只害蟲。隨機(jī)選擇900張圖片作為訓(xùn)練集,243張作為驗(yàn)證集,200作為測(cè)試集。

        圖3 識(shí)別害蟲圖像的局部樣例Fig.3 Local examples of pest identification image

        利用labelImg在圖像上框定水稻害蟲位置并標(biāo)注類別,得到相應(yīng)的xml格式文件。再使用算法將所有xml格式文件匯總,然后轉(zhuǎn)成csv格式文件,并隨機(jī)分出3/5數(shù)量圖片作為訓(xùn)練集,輸出保存訓(xùn)練列表和測(cè)試列表的json文件。按照COCO2017數(shù)據(jù)集格式把數(shù)據(jù)集和json文件擺放在相應(yīng)位置。通常,訓(xùn)練集圖像數(shù)量越多,害蟲姿態(tài),所處環(huán)境越多樣,越有助于提升模型的準(zhǔn)確性和泛化能力,防止過擬合。為此,通過將圖像隨機(jī)旋轉(zhuǎn)角度、從圖像中隨機(jī)裁剪一定大小的區(qū)域、對(duì)圖像進(jìn)行水平或垂直翻轉(zhuǎn)等操作來豐富數(shù)據(jù)多樣性,擴(kuò)充至原來2倍。

        2.1 試驗(yàn)環(huán)境和模型設(shè)置

        代碼是在ubuntu18.04系統(tǒng)上使用python語言在mmdetection框架下編寫的。電腦配置NVIDIA GeForce RTX2080 Super 8G顯卡。使用反向傳播和隨機(jī)梯度下降方法更新網(wǎng)絡(luò)權(quán)重,最小化網(wǎng)絡(luò)損失。按候選區(qū)域生成網(wǎng)絡(luò)RPN批處理大小256、基礎(chǔ)學(xué)習(xí)率0.001、學(xué)習(xí)衰減量0.1、動(dòng)量0.9、迭代次數(shù)32 000、步長(zhǎng)11 200權(quán)值衰減0.000 5、每次迭代圖片數(shù)量16來初始化模型參數(shù)。對(duì)級(jí)聯(lián)R-CNN使用交替訓(xùn)練。未提出的參數(shù)默認(rèn)和級(jí)聯(lián)R-CNN設(shè)置相同。

        2.2 損失函數(shù)

        目標(biāo)檢測(cè)一般使用IoU確定正負(fù)樣本集,如果與某個(gè)感興趣區(qū)域和真實(shí)邊框的IoU>閾值u,就可以認(rèn)為是該區(qū)域是這個(gè)類別下對(duì)應(yīng)的一個(gè)正樣本。假設(shè)gy是真實(shí)目標(biāo)g所對(duì)應(yīng)的類標(biāo)簽,那么感興趣

        區(qū)域x的類標(biāo)簽y是閾值u的函數(shù):

        2.3 評(píng)價(jià)指標(biāo)

        采用mAP作為衡量指標(biāo),mAP數(shù)值越高,表示該算法在數(shù)據(jù)集上對(duì)害蟲定位和預(yù)測(cè)類別的準(zhǔn)確度越高。精確率Pr、準(zhǔn)確率AP和平均準(zhǔn)確率mAP的公式如下所示:

        式中TP表示正確識(shí)別的害蟲,F(xiàn)P表示將背景識(shí)別為害蟲,F(xiàn)N表示將害蟲識(shí)別為背景,TN表示正確識(shí)別背景,C為害蟲類別,Q是害蟲類別總數(shù)。精確率Pr表示的是預(yù)測(cè)為害蟲的樣本中正確識(shí)別的害蟲的比例。準(zhǔn)確率AP是識(shí)別正確的害蟲和背景占總樣本的比例。AP(i)為某一類害蟲預(yù)測(cè)正確的比例,mAP為所有類別預(yù)測(cè)精確率的平均值。

        2.4 模型的訓(xùn)練和測(cè)試

        訓(xùn)練模型會(huì)因?yàn)槿蝿?wù)不同模型卷積層內(nèi)的卷積核也會(huì)向著不同的方向改變,導(dǎo)致無法共享網(wǎng)絡(luò)權(quán)重,所以采用RPN和級(jí)聯(lián)R-CNN聯(lián)合訓(xùn)練方式進(jìn)行訓(xùn)練。

        第1步,訓(xùn)練RPN。使用框架提供的預(yù)訓(xùn)練模型初始化RPN中的FPN結(jié)構(gòu)的ResNet50的權(quán)重,然后使用水稻害蟲數(shù)據(jù)集對(duì)RPN進(jìn)行微調(diào)。訓(xùn)練完成后得到模型RPN1和重新生成各圖片上害蟲候選區(qū)域B0。

        第2步,訓(xùn)練模型級(jí)聯(lián)R-CNN。同樣使用框架中提供的預(yù)訓(xùn)練模型初始化級(jí)聯(lián)R-CNN的特征提取網(wǎng)絡(luò)FPN結(jié)構(gòu)的ResNet50,使用水稻害蟲訓(xùn)練圖像和害蟲候選區(qū)域B0訓(xùn)練級(jí)聯(lián)R-CNN參數(shù),訓(xùn)練完成后得到模型R-CNN1。

        第3步,再次訓(xùn)練RPN。用模型R-CNN1的參數(shù)初始化模型RPN1中的FPN結(jié)構(gòu)的ResNet50,得到新的模型RPN2。設(shè)置FPN中參數(shù)的學(xué)習(xí)率為零,不更新參數(shù),僅更新RPN2模型中RPN的參數(shù)。重新生成新的各個(gè)圖片對(duì)應(yīng)的害蟲候選區(qū)域B0’。此時(shí),兩個(gè)網(wǎng)絡(luò)共享所有公共卷積層。

        第4步,再次訓(xùn)練R-CNN1。仍然固定FPN結(jié)構(gòu)的ResNet50,使用水稻害蟲訓(xùn)練圖像和害蟲候選區(qū)域B0’訓(xùn)練R-CNN1的頭部網(wǎng)絡(luò)。訓(xùn)練完成后得到模型R-CNN2。最后將RPN2加入R-CNN2后得到水稻害蟲檢測(cè)模型級(jí)聯(lián)R-CNN。先加入形成級(jí)聯(lián)RCNN的結(jié)構(gòu),固定RPN2再訓(xùn)練一樣,但考慮到訓(xùn)練圖像數(shù)量大,訓(xùn)練級(jí)聯(lián)R-CNN會(huì)重復(fù)提取候選區(qū)域,所以先處理再訓(xùn)練從是為了減少訓(xùn)練時(shí)間。

        其中,每次訓(xùn)練RPN進(jìn)行30 000迭代,級(jí)聯(lián)RCNN進(jìn)行35 000次。測(cè)試過程只需調(diào)用級(jí)聯(lián)R-CNN模型即可對(duì)害蟲位置進(jìn)行標(biāo)定,同時(shí)對(duì)害蟲進(jìn)行分類。

        3 結(jié)果與分析

        參考Soft-NMS中敏感性分析實(shí)驗(yàn)[20],用提出的算法在害蟲數(shù)據(jù)集上調(diào)節(jié)NMS閾值Nt和Soft-NMS閾值σ,測(cè)量算法AP的數(shù)值。從圖4得到使用NMS的算法的AP穩(wěn)定在0.3到0.6之間,超出這個(gè)范圍性能會(huì)明顯下降。使用Soft-NMS的算法AP數(shù)值在閾值0.1到0.7之間比使用NMS的算法AP值高,在閾值0.4到0.7的范圍內(nèi)保持在0.9以上,趨于穩(wěn)定。為了可以和其他的模型算法作比較,使用閾值0.5。

        圖4 Faster R-CNN對(duì)超參數(shù)σ(Soft-NMS)和Nt(NMS)的敏感性Fig.4 Faster R-CNN sensitivity to hyper parameters σ(Soft-NMS)and Nt(NMS)

        結(jié)果如表1所示。將級(jí)聯(lián)R-CNN和Faster RCNN、Mask R-CNN在5種水稻害蟲數(shù)據(jù)集上就平均檢測(cè)時(shí)間和AP進(jìn)行了對(duì)比。3個(gè)R-CNN網(wǎng)絡(luò)使用骨干網(wǎng)絡(luò)ResNet50+FPN每次12epoches交替訓(xùn)練得到的,而SSD使用了VGG16的骨干網(wǎng)絡(luò)在訓(xùn)練了120epoaches得到的。因?yàn)镽-CNN訓(xùn)練過程中使用了預(yù)訓(xùn)練模型,就使得訓(xùn)練周期縮短,僅需要較少的周期微調(diào)即可。

        表1 害蟲檢測(cè)方法結(jié)果對(duì)比Table 1 Comparison of pest detection methods

        先比較三個(gè)R-CNN。從表1中看出,相同條件下級(jí)聯(lián)R-CNN的AP最高,而Faster R-CNN則是三者中測(cè)試是最快的。Mask R-CNN和級(jí)聯(lián)R-CNN都是對(duì)Faster R-CNN的改進(jìn),兩者通過增加了檢測(cè)的時(shí)間換取了準(zhǔn)確度。當(dāng)對(duì)檢測(cè)時(shí)間要求不大時(shí),可以優(yōu)先選擇使用級(jí)聯(lián)R-CNN。級(jí)聯(lián)R-CNN在Faster R-CNN的基礎(chǔ)上又級(jí)聯(lián)了兩個(gè)候選區(qū)域預(yù)測(cè)的支路,AP提升了5.63,說明級(jí)聯(lián)對(duì)于進(jìn)一步修正回歸框的作用是十分明顯的。RPN提出的候選區(qū)域大部分包含背景。逐級(jí)提高候選區(qū)域的IoU值,既可以去掉無用的背景區(qū)域,又可以通過逐級(jí)修正候選區(qū)域,而不會(huì)因?yàn)閱我坏母逫oU而擬合數(shù)據(jù)。再比較級(jí)聯(lián)R-CNN和SSD可以明確發(fā)現(xiàn),SSD在檢測(cè)上優(yōu)勢(shì)十分明顯,但缺點(diǎn)是準(zhǔn)確率很低。

        蝗蟲、稻飛虱、黑尾葉蟬、螻蛄和黏蟲和識(shí)別的平均準(zhǔn)確率分別為94.51%、91.83%、92.72%、96.75%、和94.93%,平均準(zhǔn)確率均值94.15%。因?yàn)橄N蛄和其余4類形態(tài)結(jié)構(gòu)上有較大差異,所以AP是最高的。由圖5可以看出,使用ROI池化的模型對(duì)會(huì)漏掉顏色昏暗比較模糊的目標(biāo),但使用ROI校準(zhǔn)的模型,可以檢測(cè)到之前對(duì)漏掉的模糊的小目標(biāo)。有極少的稻飛虱由于過小,模糊不清而不能被檢測(cè)到。從圖片上可以看到,改模型對(duì)光線較昏暗情況下的目標(biāo)也能檢測(cè)到。由圖6可以看出加入Soft-NMS算法后能夠分辨重疊的害蟲,避免了漏檢。對(duì)于圖中蝗蟲接近的情況,使用NMS會(huì)丟失背部的蝗蟲,而使用Soft-NMS做檢測(cè)時(shí),則能將背部的害蟲標(biāo)注出來。

        圖5 稻飛虱圖像檢測(cè)結(jié)果Fig.5 Image detection results of rice planthopper

        圖6 左右兩圖分別為用Soft-NMS替換NMS之前和之后Fig.6 The left and right figures are before and after replacing the NMSwith Soft-NMS

        以級(jí)聯(lián)R-CNN為骨架網(wǎng)絡(luò),從左到右依次累加優(yōu)化方法模型表現(xiàn)如表2所示。從上可以看出FPN和ROI Align對(duì)模型優(yōu)化的效果比較明顯,分別使mAP提升了1.74%和2.32%,而Soft-NMS對(duì)模型的提升為0.62%。

        表2 逐步疊加優(yōu)化方法模型AP的變化情況Table 2 The change of APin the stepwise superposition optimization method

        4 結(jié)論

        通過對(duì)級(jí)聯(lián)R-CNN進(jìn)行優(yōu)化,使其可以適應(yīng)復(fù)雜背景下的小目標(biāo)的水稻害蟲識(shí)別。通過使用特征金字塔FPN、軟非極大值抑制Soft-NMS和感性興趣區(qū)域校準(zhǔn)ROI Align來優(yōu)化級(jí)聯(lián)R-CNN,總體提升了4.68個(gè)百分點(diǎn),平均識(shí)別準(zhǔn)確率達(dá)到了94.15%。對(duì)比了SSD、Mask R-CNN、Faster R-CNN在相同的條件下水稻害蟲的識(shí)別準(zhǔn)確率,該算法較SSD、Mask R-CNN、Faster R-CNN分別高出了18.42,2.42,5.63個(gè)百分點(diǎn)。能夠提高害蟲小目標(biāo)圖像的檢測(cè)能力和重疊目標(biāo)識(shí)別能力。

        猜你喜歡
        級(jí)聯(lián)害蟲水稻
        什么是海水稻
        水稻種植60天就能收獲啦
        軍事文摘(2021年22期)2021-11-26 00:43:51
        蝸牛一覺能睡多久?
        冬季果樹常見蛀干害蟲的防治
        一季水稻
        文苑(2020年6期)2020-06-22 08:41:52
        水稻花
        文苑(2019年22期)2019-12-07 05:29:00
        棗樹害蟲的無公害防治
        級(jí)聯(lián)LDPC碼的STBC-OFDM系統(tǒng)
        電子制作(2016年15期)2017-01-15 13:39:09
        基于級(jí)聯(lián)MUSIC的面陣中的二維DOA估計(jì)算法
        農(nóng)業(yè)害蟲的冬季防治
        91在线观看国产自拍| 国产欧美日韩久久久久| 在线播放a欧美专区一区| 亚洲av激情久久精品人| 日韩女同在线免费观看| 一本精品99久久精品77| 亚洲女人被黑人巨大进入| 无码人妻丰满熟妇区免费| 亚洲禁区一区二区三区天美| 成人免费a级毛片无码片2022| 国产av一区二区精品久久凹凸| 亚洲国产福利成人一区二区| 亚洲精品在线一区二区| 亚洲精品国产精品国自产| 99久久久无码国产aaa精品| 黑人一区二区三区在线| 成人大片免费视频播放一级| 精品人妻午夜一区二区三区四区| 在线视频 亚洲精品| 最新国内视频免费自拍一区| 欧美巨鞭大战丰满少妇| 国产乱子伦一区二区三区| 538亚洲欧美国产日韩在线精品| 极品少妇人妻一区二区三区| 日本19禁啪啪吃奶大尺度| 视频一区二区在线播放| 久久久国产精品五月天伊人| 人妻久久久一区二区三区蜜臀| 亚洲av永久无码精品国产精品| 97久久综合区小说区图片专区 | 天堂av一区二区麻豆| 成人无码av免费网站| 后入内射欧美99二区视频| 91色婷婷成人精品亚洲| 国产一区二区三区仙踪林| 无码骚夜夜精品| 成人国产精品免费网站| 在线观看中文字幕二区| 国产激情久久久久影院老熟女免费 | 亚洲成av人片一区二区密柚| 野花社区www高清视频|