基于深度学习的林业害虫检测优化

赵严; 刘应安; 业巧林; 周小亮

doi:10.37188/CJLCD.2022-0077

您当前的位置：

首页 >

文章列表页 >

基于深度学习的林业害虫检测优化

图像处理 | 更新时间：2022-12-07

- 基于深度学习的林业害虫检测优化
- Forestry pest detection optimization based on deep learning
- 液晶与显示 2022年37卷第9期页码：1216-1227
- 作者机构：
  
  南京林业大学信息科学技术学院，江苏南京 210037
- 作者简介：
  
  [ "赵严（1998—），男，江苏宿迁人，硕士研究生，2020年于南京林业大学获得学士学位，主要从事深度学习及目标检测方面的研究。E-mail：yanzhao_njfu@163.com" ]
  [ "刘应安（1965—），男，安徽寿县人，博士，教授，2003年于东南大学获得博士学位，主要从事林业统计分析及数据挖掘方面的研究。E-mail：lyastat@163.com" ]
- 基金信息：
  
  国家自然科学基金(62072246)
- DOI：10.37188/CJLCD.2022-0077
  中图分类号： TP391.4
- 收稿日期：2022-03-08，
  
  修回日期：2022-03-30，
  
  纸质出版日期：2022-09-05
- 稿件说明：
移动端阅览
赵严, 刘应安, 业巧林, 等. 基于深度学习的林业害虫检测优化[J]. 液晶与显示, 2022,37(9):1216-1227.

ZHAO Yan, LIU Ying-an, YE Qiao-lin, et al. Forestry pest detection optimization based on deep learning[J]. Chinese journal of liquid crystals and displays, 2022, 37(9): 1216-1227.
赵严, 刘应安, 业巧林, 等. 基于深度学习的林业害虫检测优化[J]. 液晶与显示, 2022,37(9):1216-1227. DOI： 10.37188/CJLCD.2022-0077.

ZHAO Yan, LIU Ying-an, YE Qiao-lin, et al. Forestry pest detection optimization based on deep learning[J]. Chinese journal of liquid crystals and displays, 2022, 37(9): 1216-1227. DOI： 10.37188/CJLCD.2022-0077.

摘要

目前林业害虫检测研究多数基于传统机器学习算法，且存在精度低、效果差的问题。对此，提出了一种基于深度学习模型YOLOv4的林业害虫检测模型——Pest-YOLOv4。采用K-means++算法聚类先验框，提高了先验框avg-IoU值。将ECA（Efficient Channel Attention）和CBAM（Convolutional Block Attention Module）结合，构成ECA-CBAM注意力机制，使网络更多关注有利于林业害虫检测的特征信息。重新组织网络颈部，构成SPP-PANet，融合多重感受野捕获的特征信息。利用Focal Loss思想改进损失函数，在平衡正负样本比例的同时关注难区分样本的学习。实验结果表明，Pest-YOLOv4林业害虫检测模型mAP达到90.4%，相较于YOLOv4提高4.2%，FPS保持在33.4 f/s，满足林业害虫检测任务的检测精度与实时性要求。

Abstract

At present， most of the research on forestry pest detection is based on traditional machine learning algorithms， and there are some problems such as low accuracy and poor effect. Therefore， a new forestry pest detection model based on YOLOv4， Pest-YOLOv4， is proposed. K-means++ algorithm is used to cluster anchor boxes to obtain a higher avg-IoU value. Combining ECA（Efficient Channel Attention） and CBAM（Convolutional Block Attention Module） to form ECA-CBAM attention mechanism， the network can pay more attention to the characteristic information. Reorganizing the network neck to SPP-PANet， the feature information can be fused with multiple receptive fields effectively. Using Focal Loss to improve the loss function， the learning of samples that are difficult to distinguish is paid attention， and the proportion of positive samples and negative samples are balanced. The experimental results show that Pest-YOLOv4 mAP reaches 90.4%， 4.2% higher than YOLOv4， while the FPS remains at 33.4 f/s， which meets the detection accuracy and real-time requirement of forestry pest detection tasks.

关键词

Keywords

references

生态环境部 . 2020年中国生态环境状况公报（摘录）［J］. 环境保护， 2021 ， 49 （ 11 ）： 47 - 68 . doi: 10.1177/02611929211033513 http://dx.doi.org/10.1177/02611929211033513

Ministry of Ecological Environment . China ecological environment status bulletin 2020 （Excerpt）［J］. Environmental Protection ， 2021 ， 49 （ 11 ）： 47 - 68 . （in Chinese） . doi: 10.1177/02611929211033513 http://dx.doi.org/10.1177/02611929211033513

LECUN Y ， BENGIO Y . Convolutional networks for images， speech， and time-series ［M］//ARBIB M A. The Handbook of Brain Theory and Neural Networks . Cambridge ： MIT Press ， 1995 .

CORTES C ， VAPNIK V . Support-vector networks ［J］. Machine Learning ， 1995 ， 20 （ 3 ）： 273 - 297 . doi: 10.1007/bf00994018 http://dx.doi.org/10.1007/bf00994018

EBRAHIMI M A ， KHOSHTAGHAZA M H ， MINAEI S ， et al . Vision-based pest detection based on SVM classification method ［J］. Computers and Electronics in Agriculture ， 2017 ， 137 ： 52 - 58 . doi: 10.1016/j.compag.2017.03.016 http://dx.doi.org/10.1016/j.compag.2017.03.016

SETHY P K ， BHOI C ， BARPANDA N K ， et al . Pest detection and recognition in rice crop using SVM in approach of bag-of-words ［C］// International Conference on Communication and Signal Processing . Melmaruvathur，India ： IEEE ， 2017 .

LIU Z C ， ZHANG G H ， YANG H Y ， et al . Application of object detection algorithm in identification of rice weevils and maize weevils ［C］// Proceedings of the 2018 2nd International Conference on Deep Learning Technologies . Chongqing ： ACM ， 2018 ： 76 - 80 . doi: 10.1145/3234804.3234820 http://dx.doi.org/10.1145/3234804.3234820

REN S Q ， HE K M ， GIRSHICK R ， et al . Faster R-CNN： Towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 6 ）： 1137 - 1149 . doi: 10.1109/tpami.2016.2577031 http://dx.doi.org/10.1109/tpami.2016.2577031

LIU J ， WANG X W . Tomato diseases and pests detection based on improved Yolov3 convolutional neural network ［J］. Frontiers in Plant Science ， 2020 ， 11 ： 898 . doi: 10.3389/fpls.2020.00898 http://dx.doi.org/10.3389/fpls.2020.00898

REDMON J ， FARHADI A . YOLOv3： An incremental improvement ［J］. arXiv ， 2018 ： 1804 .02767.

袁哲明，袁鸿杰，言雨璇，等 . 基于深度学习的轻量化田间昆虫识别及分类模型［J］. 吉林大学学报（工学版）， 2021 ， 51 （ 3 ）： 1131 - 1139 ．

YUAN Z M ， YUAN H J ， YAN Y X ， et al . Automatic recognition and classification of field insects based on lightweight deep learning model ［J］. Journal of Jilin University （Engineering and Technology Edition）， 2021 ， 51 （ 3 ）： 1131 - 1139 . （in Chinese）

CHEN J W ， LIN W J ， CHENG H J ， et al . A smartphone-based application for scale pest detection using multiple-object detection methods ［J］. Electronics ， 2021 ， 10 （ 4 ）： 372 . doi: 10.3390/electronics10040372 http://dx.doi.org/10.3390/electronics10040372

BOCHKOVSKIY A ， WANG C Y ， LIAO H Y M . YOLOv4： Optimal speed and accuracy of object detection ［J］. arXiv ， 2020 ： 2004 .10934.

ZHA M F ， QIAN W B ， YI W L ， et al . A lightweight YOLOv4-based forestry pest detection method using coordinate attention and feature fusion ［J］. Entropy ， 2021 ， 23 （ 12 ）： 1587 . doi: 10.3390/e23121587 http://dx.doi.org/10.3390/e23121587

HOU Q B ， ZHOU D Q ， FENG J S . Coordinate attention for efficient mobile network design ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . Nashville ： IEEE ， 2021 ： 13708 - 13717 . doi: 10.1109/cvpr46437.2021.01350 http://dx.doi.org/10.1109/cvpr46437.2021.01350

WANG C Y ， LIAO H Y M ， WU Y H ， et al . CSPNet： A new backbone that can enhance learning capability of CNN ［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops . Seattle ： IEEE ， 2020 ： 1571 - 1580 . doi: 10.1109/cvprw50498.2020.00203 http://dx.doi.org/10.1109/cvprw50498.2020.00203

HE K M ， ZHANG X Y ， REN S Q ， et al . Spatial pyramid pooling in deep convolutional networks for visual recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2015 ， 37 （ 9 ）： 1904 - 1916 . doi: 10.1109/tpami.2015.2389824 http://dx.doi.org/10.1109/tpami.2015.2389824

LIU S ， QI L ， QIN H F ， et al . Path aggregation network for instance segmentation ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition . Salt Lake City ： IEEE ， 2018 ： 8759 - 8768 . doi: 10.1109/cvpr.2018.00913 http://dx.doi.org/10.1109/cvpr.2018.00913

LIN T Y ， DOLLÁR P ， GIRSHICK R ， et al . Feature pyramid networks for object detection ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition . Honolulu ： IEEE ， 2017 ： 936 - 944 . doi: 10.1109/cvpr.2017.106 http://dx.doi.org/10.1109/cvpr.2017.106

ZHENG Z H ， WANG P ， LIU W ， et al . Distance-IoU loss： Faster and better learning for bounding box regression ［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence . Palo Alto ： AAAI Press ， 2020 ： 12993 - 13000 . doi: 10.1609/aaai.v34i07.6999 http://dx.doi.org/10.1609/aaai.v34i07.6999

兰旭婷，郭中华，李昌昊 . 基于注意力与特征融合的光学遥感图像飞机目标检测［J］. 液晶与显示， 2021 ， 36 （ 11 ）： 1506 - 1515 ． doi: 10.37188/CJLCD.2021-0088 http://dx.doi.org/10.37188/CJLCD.2021-0088

LAN X T ， GUO Z H ， LI C H . Attention and feature fusion for aircraft target detection in optical remote sensing images ［J］. Chinese Journal of Liquid Crystals and Displays ， 2021 ， 36 （ 11 ）： 1506 - 1515 . （in Chinese） . doi: 10.37188/CJLCD.2021-0088 http://dx.doi.org/10.37188/CJLCD.2021-0088

谢书翰，张文柱，程鹏，等 . 嵌入通道注意力的YOLOv4火灾烟雾检测模型［J］. 液晶与显示， 2021 ， 36 （ 10 ）： 1445 - 1453 ．

XIE S H ， ZHANG W Z ， CHEN P ， et al . Firesmoke detection model based on YOLOv4 with channel attention ［J］. Chinese Journal of Liquid Crystals and Displays ， 2021 ， 36 （ 10 ）： 1445 - 1453 . （in Chinese）

WOO S ， PARK J ， LEE J Y ， et al . CBAM： Convolutional block attention module ［C］// Proceedings of the 15th European Conference on Computer Vision （ECCV） . Munich ： Springer ， 2018 ： 3 - 19 . doi: 10.1007/978-3-030-01234-2_1 http://dx.doi.org/10.1007/978-3-030-01234-2_1

WANG Q L ， WU B G ， ZHU P F ， et al . ECA-Net： Efficient channel attention for deep convolutional neural networks ［C］// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . Seattle ： IEEE ， 2020 . doi: 10.1109/cvpr42600.2020.01155 http://dx.doi.org/10.1109/cvpr42600.2020.01155

蒋镕圻，彭月平，谢文宣，等 . 嵌入scSE模块的改进YOLOv4小目标检测算法［J］. 图学学报， 2021 ， 42 （ 4 ）： 546 - 555 ．

JIANG R Q ， PENG Y P ， XIE W X ， et al . Improved YOLOv4 small target detection algorithm with embedded scSE module ［J］. Journal of Graphics ， 2021 ， 42 （ 4 ）： 546 - 555 . （in Chinese）

LIN T Y ， GOYAL P ， GIRSHICK R ， et al . Focal loss for dense object detection ［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision . Venice ： IEEE ， 2017 ： 2999 - 3007 . doi: 10.1109/iccv.2017.324 http://dx.doi.org/10.1109/iccv.2017.324

ROMDHANE T F ， ALHICHRI H ， OUNI R ， et al . Electrocardiogram heartbeat classification based on a deep convolutional neural network and focal loss ［J］. Computers in Biology and Medicine ， 2020 ， 123 ： 103866 . doi: 10.1016/j.compbiomed.2020.103866 http://dx.doi.org/10.1016/j.compbiomed.2020.103866

董琪琪，刘剑飞，郝禄国，等 . 基于改进SSD算法的学生课堂行为状态识别［J］. 计算机工程与设计， 2021 ， 42 （ 10 ）： 2924 - 2930 .

DONG Q Q ， LIU J F ， HAO L G ， et al . Student action recognition based on improved SSD algorithm ［J］. Computer Engineering and Design ， 2021 ， 42 （ 10 ）： 2924 - 2930 . （in Chinese）

左彦哲 . 基于深度学习的害虫识别系统［D］. 北京：北京林业大学， 2018 ．

ZUO Y Z . Pest recognition system based on deep learning ［D］. Beijing ： Beijing Forestry University ， 2018 . （in Chinese）

左天兴，黄桂英，贾丽萍，等 . 虫情测报仪在玉溪红塔山自然保护区森林害虫监测与防治中的应用［J］. 林业调查规划， 2018 ， 43 （ 3 ）： 121 - 124 ． doi: 10.3969/j.issn.1671-3168.2018.03.024 http://dx.doi.org/10.3969/j.issn.1671-3168.2018.03.024

ZUO T X ， HUANG G Y ， JIA L P ， et al . Application of pest detector in forest pests monitoring and control of Hongtashan nature reserve ［J］. Forest Inventory and Planning ， 2018 ， 43 （ 3 ）： 121 - 124 . （in Chinese） . doi: 10.3969/j.issn.1671-3168.2018.03.024 http://dx.doi.org/10.3969/j.issn.1671-3168.2018.03.024

LIU W ， ANGUELOV D ， ERHAN D ， et al . SSD： Single shot multibox detector ［C］// 14th European Conference on Computer Vision . Amsterdam ： Springer ， 2016 ： 21 - 37 . doi: 10.1007/978-3-319-46448-0_2 http://dx.doi.org/10.1007/978-3-319-46448-0_2

浏览量

418

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于自适应遮挡恢复与拓扑姿态双向感知的三维手部重建方法

基于改进YOLOv8n-Pose的疲劳驾驶检测

基于改进ShuffleNetV2网络的遥感场景分类模型

基于卷积注意力机制的无透镜对抗编码成像