基于Faster R-CNN的美国白蛾图像识别模型研究

摘要：

昆虫监测中美国白蛾Hyphantria Cunea的人工辨识、分类费时费力,且主观性强.本文利用RPN人工神经网络模型对美国白蛾图像数据进行特征提取,并对比分析Inception_v2、ResNet50、ResNetl01网络模型,设计了一种改进的美国白蛾人工神经网络识别模型IHCDM(Improved Hyphantria cunea Artificial Neural Network Recognition Model,IHCDM),采用端到端方法在GPU处理器上对该模型进行了训练,并对其进行了实验验证.结果表明:该模型对美国白蛾的识别准确率可达99.5％,相比于ResNet50与ResNet101网络模型,识别准确率提高了0.5％与0.4％.超参数微调后,在置信度阈值为0.85时,识别准确率99.7％,识别速度0.09 ms/张.IHCDM模型为美国白蛾的快速辨识、分类提供了一种新方法.

关键词：美国白蛾、图像识别、人工神经网络、深度学习

所属期刊栏目：42

分类号：Q968.1;S433(昆虫学)

资助基金：国家自然科学基金面上项目;北京市农林科学院2020创新能力建设项目

在线出版日期：2021-03-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1502-1509