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

        ?

        基于改進(jìn)YOLOv4 的夏玉米主要害蟲(chóng)檢測(cè)方法研究

        2023-11-23 03:26:42段新濤王伸趙晴張杰鄭國(guó)清李國(guó)強(qiáng)
        山東農(nóng)業(yè)科學(xué) 2023年10期
        關(guān)鍵詞:玉米螟害蟲(chóng)玉米

        段新濤,王伸,2,趙晴,張杰,鄭國(guó)清,李國(guó)強(qiáng)

        (1. 河南師范大學(xué)計(jì)算機(jī)與信息工程學(xué)院,河南 新鄉(xiāng) 453007;2. 河南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所/河南省智慧農(nóng)業(yè)工程技術(shù)研究中心,河南 鄭州 450002;3. 農(nóng)業(yè)農(nóng)村部黃淮海智慧農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室,河南 鄭州 450002)

        玉米是世界上種植最廣泛和產(chǎn)量最高的糧食作物,也是我國(guó)重要的糧食、飼料和工業(yè)原料作物[1]。 國(guó)家統(tǒng)計(jì)局2021 年數(shù)據(jù)顯示,我國(guó)玉米種植面積為4.33×107hm2,總產(chǎn)量為2.7×108t[2]。蟲(chóng)害一直是影響玉米生產(chǎn)的重要因素,蟲(chóng)害的暴發(fā)會(huì)使玉米產(chǎn)量大幅度降低,造成巨大的經(jīng)濟(jì)損失。 我國(guó)玉米害蟲(chóng)有200 多種,其中黏蟲(chóng)、棉鈴蟲(chóng)、玉米螟和甜菜夜蛾是夏玉米常見(jiàn)害蟲(chóng)。 如果蟲(chóng)害監(jiān)測(cè)防控不到位,一旦暴發(fā)成災(zāi),將直接影響農(nóng)業(yè)生產(chǎn),危及國(guó)家糧食安全[3]。 因此,準(zhǔn)確監(jiān)測(cè)與診斷玉米常見(jiàn)蟲(chóng)害,并采取有效的防治措施,是保證玉米高產(chǎn)穩(wěn)產(chǎn)的重要途徑。

        在常規(guī)的玉米蟲(chóng)害監(jiān)測(cè)中,農(nóng)技人員多采用人工現(xiàn)場(chǎng)調(diào)查,或利用蟲(chóng)情測(cè)報(bào)燈誘集[4]然后人工調(diào)查。 這種方式效率低,費(fèi)用高,時(shí)效性差。 為提高效率,許多學(xué)者研制了基于智能設(shè)備的害蟲(chóng)蟲(chóng)情田間采集系統(tǒng)[5-7],記錄蟲(chóng)情數(shù)據(jù),實(shí)現(xiàn)了害蟲(chóng)蟲(chóng)情數(shù)據(jù)采集電子化,提高了害蟲(chóng)信息采集效率,同時(shí)減輕了農(nóng)技人員的工作強(qiáng)度,避免數(shù)據(jù)輸入錯(cuò)誤。 隨后,又有學(xué)者將機(jī)器視覺(jué)算法應(yīng)用于害蟲(chóng)計(jì)數(shù)[8-9],實(shí)現(xiàn)害蟲(chóng)的自動(dòng)統(tǒng)計(jì),進(jìn)一步提高了監(jiān)測(cè)精度。 但是由于蟲(chóng)體重疊、雜質(zhì)等背景干擾,這種方式往往會(huì)出現(xiàn)計(jì)數(shù)錯(cuò)誤,無(wú)法滿(mǎn)足野外應(yīng)用場(chǎng)景監(jiān)測(cè)需求。

        近幾年,隨著人工智能技術(shù)的快速發(fā)展,部分學(xué)者將基于深度學(xué)習(xí)(deep learning)的目標(biāo)檢測(cè)算法應(yīng)用于作物病蟲(chóng)害檢測(cè)[10-12]。 相比于傳統(tǒng)的害蟲(chóng)檢測(cè)方法,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法更加精確,具有很強(qiáng)的自適應(yīng)性和魯棒性。 YOLO(You Only Look Once)[13-17]是一種單階段目標(biāo)檢測(cè)算法,具有檢測(cè)速度快、實(shí)時(shí)性強(qiáng)等特點(diǎn)。 李靜等[18]提出一種基于改進(jìn)的GoogLeNet 卷積神經(jīng)網(wǎng)絡(luò)模型,用于識(shí)別玉米螟蟲(chóng)害。 牛學(xué)德等[19]提出一種輕量級(jí)CNN-MobileNetV3 模型,用于識(shí)別玉米、番茄、馬鈴薯3 類(lèi)作物17 種葉部病害。 陳峰等[20]利用機(jī)器視覺(jué)和卷積神經(jīng)網(wǎng)絡(luò),構(gòu)建東北寒地玉米害蟲(chóng)識(shí)別方法,用于檢測(cè)玉米螟、草地貪夜蛾、玉米黏蟲(chóng)、玉米雙斑螢葉甲等害蟲(chóng)。 綜上,YOLO 系列算法適用于田間害蟲(chóng)檢測(cè),具有高準(zhǔn)確率、高檢測(cè)速度等特點(diǎn),但當(dāng)檢測(cè)對(duì)象較小且對(duì)象之間相互遮擋時(shí),檢測(cè)效果不理想。

        為此,本研究首先改進(jìn)誘捕裝置,以提高誘捕效率;然后以YOLOv4 模型為基礎(chǔ),構(gòu)建YOLOv4-Corn 模型。 該模型引入SENet 模塊,增強(qiáng)模型對(duì)關(guān)鍵信息的篩選能力,以解決小目標(biāo)特征信息提取不充分等問(wèn)題;采用柔性非極大值抑制(Soft-NMS)算法,改善模型對(duì)目標(biāo)密集區(qū)域的檢測(cè)能力,以解決因堆疊導(dǎo)致的漏檢率高等問(wèn)題。 本研究將集成性誘捕裝置與目標(biāo)檢測(cè)算法相結(jié)合,為夏玉米田間害蟲(chóng)監(jiān)測(cè)預(yù)警提供技術(shù)支撐,提高作物害蟲(chóng)監(jiān)測(cè)預(yù)警的信息化水平。

        1 材料與方法

        1.1 圖像采集

        于2021 年夏玉米生長(zhǎng)季,在河南省農(nóng)業(yè)科學(xué)院(原陽(yáng))試驗(yàn)示范基地開(kāi)展圖像采集。 在試驗(yàn)地安裝玉米害蟲(chóng)誘集與拍攝裝置,以采集黏蟲(chóng)、棉鈴蟲(chóng)、玉米螟和甜菜夜蛾等夏玉米主要害蟲(chóng)。 害蟲(chóng)誘集與拍攝裝置(圖1)由太陽(yáng)能供電組件、測(cè)報(bào)誘集單元、害蟲(chóng)清理單元、拍攝單元等組成。 這個(gè)裝置是在前期硬件[21]基礎(chǔ)上進(jìn)行改進(jìn)的,增加了害蟲(chóng)清理單元。 測(cè)報(bào)誘集單元選用黏蟲(chóng)、棉鈴蟲(chóng)、玉米螟和甜菜夜蛾性誘芯(北京中捷四方生物科技股份有限公司生產(chǎn))。 拍攝單元的攝像頭選用1 200 萬(wàn)像素微型網(wǎng)絡(luò)攝像頭,圖像分辨率為4 000 × 3 000 像素。 圖像采集時(shí),在測(cè)報(bào)誘集單元放置4 種誘芯,以誘集目標(biāo)害蟲(chóng)。 每48 h 采集一次害蟲(chóng)圖像。 圖像采集后,害蟲(chóng)清理單元自動(dòng)清理害蟲(chóng)蟲(chóng)體。 整個(gè)夏玉米生長(zhǎng)季,共采集有效圖像1 500 張,從中篩選出清晰度高的照片447張。

        圖1 玉米害蟲(chóng)誘集與拍攝裝置示意圖

        1.2 數(shù)據(jù)集構(gòu)建

        使用圖像標(biāo)注工具LabelImg 標(biāo)注采集到的玉米害蟲(chóng)圖像,生成VOC 數(shù)據(jù)集。 圖像標(biāo)注時(shí),將黏蟲(chóng)、棉鈴蟲(chóng)、玉米螟、甜菜夜蛾分別標(biāo)注為1、2、3、4;為盡可能避免背景的干擾,以害蟲(chóng)蟲(chóng)體的最小外接矩形作為標(biāo)注框,盡量減少標(biāo)注框內(nèi)的無(wú)用像素。 圖像標(biāo)注后,采用mosaic(馬賽克)數(shù)據(jù)增強(qiáng)方法,將數(shù)據(jù)集擴(kuò)充至5 047 張,然后將增強(qiáng)后的數(shù)據(jù)集按照9 ∶1的比例隨機(jī)劃分為(訓(xùn)練集+驗(yàn)證集)和測(cè)試集,(訓(xùn)練集+驗(yàn)證集)中訓(xùn)練集和驗(yàn)證集的劃分比例仍為9∶1。

        1.3 玉米主要害蟲(chóng)檢測(cè)模型設(shè)計(jì)

        YOLOv4 算法[22]是一種單階段目標(biāo)檢測(cè)算法,是在YOLOv3 目標(biāo)檢測(cè)架構(gòu)的基礎(chǔ)上添加最優(yōu)秀的優(yōu)化策略。 YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)由主干網(wǎng)絡(luò)(Backbone)、頸部網(wǎng)絡(luò)(Neck)和檢測(cè)頭(Head)3部分組成。 主干網(wǎng)絡(luò)為CSPDarkNet53。 頸部網(wǎng)絡(luò)也稱(chēng)加強(qiáng)特征提取網(wǎng)絡(luò),由CBL 組件、SPP 模塊和FPN+PAN 組成。 檢測(cè)頭為YOLOv3。

        玉米害蟲(chóng)圖像(416×416)進(jìn)入CSPDkNet53主干網(wǎng)絡(luò)進(jìn)行5 次下采樣,不斷提取目標(biāo)的特征信息,從淺層P1 層到達(dá)深層P5 層,分別獲得5個(gè)不同尺度的特征層(208×208,104×104,52×52,26×26,13×13)。 在輸出最后一個(gè)特征層后,加入SPP 空間金字塔池化層,分別利用13×13、9×9、5×5、1×1(無(wú)處理)四個(gè)不同尺度的最大池化進(jìn)行處理。 經(jīng)過(guò)SPP 模塊處理后,分離出更顯著的圖像特征。

        由于YOLOv4 對(duì)大中型顯著性目標(biāo)有較好的檢測(cè)效果,但對(duì)分辨率低、體積小的小目標(biāo)很難檢測(cè)到。 為此,本研究從兩方面改進(jìn)YOLOv4 模型,提出了YOLOv4-Corn 模型。 改進(jìn)后的模型網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖2。

        圖2 改進(jìn)后的YOLOv4-Corn 網(wǎng)絡(luò)結(jié)構(gòu)

        1.3.1 引入通道注意力機(jī)制SENet 模塊YOLOv4 算法提取圖像特征時(shí),對(duì)于圖像各個(gè)通道以相同的權(quán)重進(jìn)行信息提取,導(dǎo)致對(duì)不明顯特征的檢測(cè)精度較低,可能造成小目標(biāo)特征丟失。而SENet 采用重新標(biāo)定的方法,通過(guò)獲取輸入特征層的每一個(gè)通道的權(quán)值,根據(jù)權(quán)值大小對(duì)通道信息進(jìn)行篩選,以增強(qiáng)網(wǎng)絡(luò)對(duì)有用信息的提取,解決小目標(biāo)特征信息提取不充分等問(wèn)題。 引入SENet 模塊,可給害蟲(chóng)蟲(chóng)體分配更大的權(quán)重,使YOLOv4 網(wǎng)絡(luò)更多的注意力用于圖片中玉米害蟲(chóng)蟲(chóng)體特征信息的提取。

        SENet 工作過(guò)程分為3 部分:①SENet 先對(duì)輸入特征圖進(jìn)行全局平均池化,使單個(gè)通道的特征層被池化成一個(gè)具體的數(shù)據(jù),得到大小為C×1×1的特征圖(C 為特征圖通道數(shù)),獲得全局特征;②通過(guò)賦值操作,賦予兩層全連接層各自一個(gè)權(quán)重值,來(lái)構(gòu)建不同通道互相之間的依賴(lài)性;③通過(guò)sigmoid 函數(shù)激活歸一化權(quán)重,獲得大小為C×1×1的權(quán)重值,在對(duì)應(yīng)位置與原輸入特征圖相乘,促使權(quán)重值加權(quán)到原先特征圖上,使得模型對(duì)關(guān)鍵信息有更強(qiáng)的提取能力。

        本研究在YOLOv4 模型主干網(wǎng)絡(luò)輸出的3 個(gè)特征層(52×52×256、26×26×512、13×13×1 024)和第一次上采樣后的特征層(13×13×1 024)后,分別增加SENet 模塊。 以YOLOv4 主干網(wǎng)絡(luò)輸出的第一個(gè)特征層(52×52×256)為例,將其作為SENet 的輸入,首先對(duì)輸入的52×52×256 特征圖進(jìn)行平均池化得到1×1×256 的特征圖,將特征圖的寬和高壓縮成一維,這個(gè)一維參數(shù)可以獲得52×52 的全局視野,感受區(qū)域更廣。 壓縮成1×1×256 后,經(jīng)過(guò)2 個(gè)全連接層來(lái)減少參數(shù)量,最后經(jīng)sigmoid 激活函數(shù)得到1×1×256 的權(quán)重值,再與初始的52×52×256 特征層進(jìn)行矩陣相乘,得到每個(gè)通道都帶有權(quán)重值的特征層。 至此,在YOLOv4模型中引入SENet 模塊,工作完成。

        1.3.2 柔性非極大值抑制(Soft-NMS)算法 采用非極大值抑制(non maximum suppression,NMS)去除重復(fù)框,是YOLOv4 算法必備的后處理步驟,可降低誤檢。 NMS 原理是將檢測(cè)框按得分排序,然后保留得分最高的框,同時(shí)刪除與該框重疊面積大于一定比例的其他框。 從田間采集到的玉米害蟲(chóng)圖像,常出現(xiàn)蟲(chóng)體堆疊等情況,在采用NMS算法去除重復(fù)框時(shí),由于檢測(cè)目標(biāo)緊密靠近且相互遮擋,檢測(cè)結(jié)果中會(huì)出現(xiàn)多個(gè)不同置信度的檢測(cè)框,如果按照原來(lái)的方法進(jìn)行處理,首先選中置信度最高的預(yù)測(cè)框,那么其余檢測(cè)框在后續(xù)的交并比較中,將由于與置信度最高的預(yù)測(cè)框重疊面積過(guò)大而被刪除,造成漏檢率增大。

        柔性非極大值抑制(Soft-NMS)算法[23]則是將某一類(lèi)別的預(yù)測(cè)框按置信度排序,把最高分值的框設(shè)定為基準(zhǔn)框,然后將剩余的框分別與其做交并比(Intersection over Union,IoU)計(jì)算,刪除大于設(shè)定閾值的,保留小于閾值的,并依次循環(huán),從而消除冗余重復(fù)的預(yù)測(cè)框,找到物體最佳位置。

        本研究即采用Soft-NMS 算法,首先按照置信度排序,選擇得分最高的檢測(cè)框?yàn)榛鶞?zhǔn),然后使用懲罰函數(shù)對(duì)其余檢測(cè)框進(jìn)行處理和重新排序,再次計(jì)算置信度得分,保留置信度最高的檢測(cè)框,依此類(lèi)推,最終實(shí)現(xiàn)蟲(chóng)體目標(biāo)的很好篩選,有效解決了由于玉米害蟲(chóng)重疊面積過(guò)大而導(dǎo)致被檢測(cè)網(wǎng)絡(luò)誤刪從而造成漏檢的問(wèn)題。

        1.4 評(píng)價(jià)指標(biāo)

        本研究利用精確率(precision,P)、召回率(recall,R)、F1 值、平均精度(AP)來(lái)評(píng)估模型的綜合性能,見(jiàn)公式(1)~(3)。 檢測(cè)精度各指標(biāo)的優(yōu)先級(jí)由高到低為AP、F1 值、P、R。

        式中,TP(true positives)代表被正確檢出的目標(biāo)害蟲(chóng);TN(true negatives)代表被正確檢出的非目標(biāo)害蟲(chóng);FP(false positives)代表被誤檢的目標(biāo)害蟲(chóng);FN(false negatives)代表被漏檢的目標(biāo)害蟲(chóng)。其中,F(xiàn)1 值是精確率與召回率的調(diào)和平均數(shù),可以兼顧到精確度和召回率;AP 表示模型在各個(gè)召回率下的精確率平均值。

        2 結(jié)果與分析

        2.1 實(shí)驗(yàn)平臺(tái)和參數(shù)設(shè)置

        所有模型在CPU 為intel(R) Core(TM) i7-9700 CPU @ 3.0 GHz、GPU 為NVIDIA GeForce RTX 2070、顯存為16 GB 的臺(tái)式計(jì)算機(jī)上訓(xùn)練和測(cè)試。 操作系統(tǒng)為Ubuntu 18.04,CUDA 庫(kù)版本為10.2,深度學(xué)習(xí)框架為Python 3.6、Pytorch 1.4.0。

        訓(xùn)練參數(shù)設(shè)置:將訓(xùn)練設(shè)置為凍結(jié)和解凍兩個(gè)階段,凍結(jié)階段模型主干被凍結(jié),特征提取網(wǎng)絡(luò)不發(fā)生改變,僅對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào),共設(shè)置50 個(gè)迭代周期(epoch),樣本批量大小(batchsize)設(shè)置為8,學(xué)習(xí)率(learning rate)設(shè)置為0.001;解凍階段模型主干網(wǎng)絡(luò)不被凍結(jié),網(wǎng)絡(luò)所有參數(shù)都會(huì)發(fā)生改變,共設(shè)置50 個(gè)迭代周期,樣本批量大小設(shè)置為4,學(xué)習(xí)率設(shè)置為0.0001。

        2.2 消融試驗(yàn)結(jié)果分析

        為驗(yàn)證改進(jìn)部分對(duì)蟲(chóng)害檢測(cè)模型的影響,采用消融試驗(yàn)方法驗(yàn)證各改進(jìn)策略的有效性,結(jié)果見(jiàn)表1。 其中,模型1 為原YOLOv4 網(wǎng)絡(luò),模型2為引入SENet 模塊的YOLOv4 網(wǎng)絡(luò),模型3 為引入Soft-NMS 算法的YOLOv4 網(wǎng)絡(luò),模型4 為YOLOv4-Corn 網(wǎng)絡(luò)。 從結(jié)果可知,本研究所采用的改進(jìn)措施均能明顯提高YOLOv4 模型對(duì)4 種害蟲(chóng)的檢測(cè)性能。 相較于模型1,模型2 的平均精度提高1.47 ~4.99 個(gè)百分點(diǎn),F(xiàn)1 值提高0.01 ~0.04,召回率提高0.74 ~3.75 個(gè)百分點(diǎn),準(zhǔn)確率提高0.94~3.74 個(gè)百分點(diǎn);模型3 的平均精度提高1.11~5.68 個(gè)百分點(diǎn),F(xiàn)1 值提高0~0.02,召回率提高0.24~2.59 個(gè)百分點(diǎn),準(zhǔn)確率提高0.01 ~3.00個(gè)百分點(diǎn);模型4 的平均精度提高1.83~7.00 個(gè)百分點(diǎn),F(xiàn)1 值提高0.01~0.04,召回率提高0.93 ~3.44 個(gè)百分點(diǎn),準(zhǔn)確率提高0.88~4.45個(gè)百分點(diǎn)。

        表1 消融試驗(yàn)結(jié)果

        2.3 不同模型性能比較

        為驗(yàn)證改進(jìn)后模型的檢測(cè)性能,在相同軟硬件環(huán)境下比較本研究構(gòu)建的YOLOv4-Corn 模型與Faster R-CNN、YOLOv3、YOLOv4 對(duì)4 種玉米害蟲(chóng)的檢測(cè)效果。 由表2 可見(jiàn),與Faster R-CNN、YOLOv3 和YOLOv4 模型相比,YOLOv4-Corn 對(duì)4種害蟲(chóng)的檢測(cè)性能均較高,其中F1 值分別提高0.21~0.37、0.01~0.02 和0.01 ~0.03,召回率分別提高18.03~30.3、1.15~3.67個(gè)百分點(diǎn)和0.93~3.44個(gè)百分點(diǎn),準(zhǔn)確率分別提高22.31 ~43.29、0.96~5.55個(gè)百分點(diǎn)和0.88 ~4.45 個(gè)百分點(diǎn),平均精度分別提高21.42 ~45.07、1.85 ~5.69 個(gè)百分點(diǎn)和1.83~7.00 個(gè)百分點(diǎn)。

        表2 四種網(wǎng)絡(luò)模型性能指標(biāo)比較

        從YOLOv4-Corn 對(duì)4 種害蟲(chóng)的檢測(cè)性能來(lái)看,YOLOv4-Corn 對(duì)甜菜夜蛾的檢測(cè)性能最優(yōu),F(xiàn)1 值和平均精度分別為0.99 和99.07%;其次為棉鈴蟲(chóng),F(xiàn)1 值和平均精度分別為0.97 和96.59%;對(duì)玉米螟的檢測(cè)性能最差,F(xiàn)1 值和平均精度分別為0.93 和93.34%。

        2.4 檢測(cè)效果分析

        為直觀展示模型檢測(cè)性能,分別用YOLOv4與YOLOv4-Corn 對(duì)同一誘集圖像進(jìn)行檢測(cè),結(jié)果如圖3 所示。 經(jīng)目視解譯、人工計(jì)數(shù),該檢測(cè)圖像中有36 頭黏蟲(chóng)、7 頭棉鈴蟲(chóng)、14 頭玉米螟和4 頭甜菜夜蛾;利用YOLOv4 模型能檢測(cè)出4 種害蟲(chóng),除漏檢1 頭黏蟲(chóng)外,其余均準(zhǔn)確檢出;利用YOLOv4-Corn 模型則完全準(zhǔn)確地檢測(cè)出4 種害蟲(chóng),沒(méi)有出現(xiàn)漏檢、誤檢的情況。 可見(jiàn),針對(duì)玉米害蟲(chóng)較稀疏的圖像,YOLOv4-Corn 和YOLOv4 均能表現(xiàn)出良好的檢測(cè)性能,但針對(duì)玉米害蟲(chóng)較密集的圖像,YOLOv4-Corn 的檢測(cè)性能更優(yōu)。 表明改進(jìn)模型對(duì)檢測(cè)目標(biāo)的識(shí)別能力有一定加強(qiáng)作用,檢測(cè)效果更好,檢測(cè)能力更強(qiáng),能夠滿(mǎn)足實(shí)際應(yīng)用場(chǎng)景下玉米害蟲(chóng)的檢測(cè)精度要求。

        圖3 不同模型的玉米害蟲(chóng)檢測(cè)效果

        3 討論與結(jié)論

        準(zhǔn)確監(jiān)測(cè)害蟲(chóng)蟲(chóng)情動(dòng)態(tài),提前采取綠色防治措施,既有利于合理使用農(nóng)藥,減少環(huán)境污染,又可以保證作物產(chǎn)量。 本研究基于性誘測(cè)報(bào)原理,針對(duì)玉米主要害蟲(chóng)特性,設(shè)計(jì)了玉米害蟲(chóng)誘集與拍攝裝置, 并提出一種適合小目標(biāo)檢測(cè)的YOLOv4 - Corn 模型。 YOLOv4 - Corn 模型在YOLOv4 模型的基礎(chǔ)上做了兩方面的改進(jìn):①引入SENet 模塊。 通過(guò)學(xué)習(xí)每個(gè)特征通道的權(quán)重,依據(jù)權(quán)重增強(qiáng)有用特征的表達(dá),提升模型對(duì)關(guān)鍵信息的篩選能力,解決了小目標(biāo)害蟲(chóng)難以被檢測(cè)的問(wèn)題;②引入Soft-NMS 算法。 通過(guò)在非極大值抑制過(guò)程中加入懲罰函數(shù),改善模型對(duì)目標(biāo)密集區(qū)域的檢測(cè)能力,解決了玉米害蟲(chóng)堆疊導(dǎo)致的漏檢問(wèn)題。 并通過(guò)消融試驗(yàn)驗(yàn)證了改進(jìn)策略的有效性。 表明該模型適用于黃淮海夏玉米種植區(qū)黏蟲(chóng)、棉鈴蟲(chóng)、玉米螟、甜菜夜蛾的檢測(cè)。 這與李靜[18]、陳峰[20]等的研究結(jié)果基本一致。

        與Faster R-CNN、YOLOv3、YOLOv4 模型相比,YOLOv4-Corn 模型對(duì)4 種玉米害蟲(chóng)都有較好的檢測(cè)效果,其中,對(duì)黏蟲(chóng)的檢測(cè)平均精度為95.89%,F(xiàn)1 值為0.95;對(duì)棉鈴蟲(chóng)的檢測(cè)平均精度為96.59%,F(xiàn)1 值為0.97;對(duì)玉米螟的平均檢測(cè)精度為93.34%,F(xiàn)1 值為0.93;對(duì)甜菜夜蛾的平均檢測(cè)精度為99.07%,F(xiàn)1 值為0.99。 表明YOLOv4-Corn 模型可以滿(mǎn)足田間玉米害蟲(chóng)檢測(cè)任務(wù)的需求,能很好地解決害蟲(chóng)目標(biāo)過(guò)小以及相互遮擋問(wèn)題,從而高效、準(zhǔn)確地檢測(cè)出目標(biāo)害蟲(chóng),為夏玉米田間害蟲(chóng)監(jiān)測(cè)預(yù)警提供技術(shù)支撐。

        本研究構(gòu)建的YOLOv4-Corn 模型僅適用于黏蟲(chóng)、棉鈴蟲(chóng)、玉米螟、甜菜夜蛾4 種玉米害蟲(chóng),對(duì)于其他玉米害蟲(chóng)的檢測(cè)能力還有待進(jìn)一步試驗(yàn)驗(yàn)證。 今后將進(jìn)一步優(yōu)化YOLOv4-Corn 模型的網(wǎng)絡(luò)結(jié)構(gòu),以滿(mǎn)足更多種玉米害蟲(chóng)的檢測(cè)任務(wù)。

        猜你喜歡
        玉米螟害蟲(chóng)玉米
        收玉米啦!
        二代玉米螟防治方法
        蝸牛一覺(jué)能睡多久?
        冬季果樹(shù)常見(jiàn)蛀干害蟲(chóng)的防治
        二代玉米螟發(fā)生趨勢(shì)預(yù)報(bào)
        我的玉米送給你
        玉米
        大灰狼(2018年6期)2018-07-23 16:52:44
        棗樹(shù)害蟲(chóng)的無(wú)公害防治
        農(nóng)業(yè)害蟲(chóng)的冬季防治
        臨河地區(qū)玉米螟的發(fā)生與綜合防治措施
        后入丝袜美腿在线观看| 精品91精品91精品国产片| 日本国主产一区二区三区在线观看| 亚洲第一黄色免费网站| 少妇熟女天堂网av| 国产裸体歌舞一区二区| 久久精品国产88久久综合| 女主播啪啪大秀免费观看| 成人中文乱幕日产无线码 | 亚州五十路伊人网| 亚洲成av人片极品少妇| 久久亚洲精品成人av无码网站 | 高清精品一区二区三区| 乌克兰少妇xxxx做受6| 538在线视频| 久久精品国产亚洲av成人文字| 国产h视频在线观看| 免费成人毛片| 青青青视频手机在线观看| 色狠狠一区二区三区中文| 国产人妻人伦精品1国产盗摄| 岛国大片在线免费观看 | 色熟妇人妻久久中文字幕| 成人美女黄网站色大免费的| 91老司机精品视频| 精品少妇一区二区三区四区| 无码免费无线观看在线视| 亚洲18色成人网站www| 91福利国产在线观看网站| 日本女优中文字幕在线播放| 精品国产av色一区二区深夜久久 | 日韩精品电影在线观看| 人妻av中文字幕精品久久| 日本精品久久久久中文字幕| 天天做天天躁天天躁| 亚洲精品白浆高清久久| 亚洲午夜精品一区二区麻豆av| 老熟妇仑乱视频一区二区| 日本久久久免费高清| av高潮一区二区三区| 大胸少妇午夜三级|