基于改进Mask R-CNN的苹果园害虫识别方法

摘要：

针对基础卷积神经网络识别苹果园害虫易受背景干扰及重要特征表达能力不强问题,提出一种基于改进Mask R-CNN的苹果园害虫识别方法.首先,基于Haar特征方法对多点采集得到的苹果园害虫图像进行迭代初分割,提取害虫单体图像样本,并对该样本进行多途径扩增,得到用于深度学习的扩增样本数据集.其次,对Mask R-CNN中的特征提取网络进行优化,采用嵌入注意力机制模块CBAM的ResNeXt网络作为改进模型的Backbone,增加模型对害虫空间及语义信息的提取,有效避免背景对模型性能的影响;同时引入Boundary损失函数,避免害虫掩膜边缘缺失及定位不准确问题.最后,以原始Mask R-CNN模型作为对照模型,平均精度均值作为评价指标进行试验.结果表明,改进Mask R-CNN模型平均精度均值达到96.52％,相比于原始Mask R-CNN模型,提高4.21个百分点,改进Mask R-CNN可精准有效识别苹果园害虫,为苹果园病虫害绿色防控提供技术支持.

关键词：苹果园、害虫识别、深度学习、注意力机制、损失函数、Mask R-CNN

所属期刊栏目：54

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;现代农业产业技术体系

在线出版日期：2023-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：253-263,360