论文部分内容阅读
油菜是我国重要的经济作物之一,其产量影响着我国国民经济的发展。每年油菜虫害对油菜产量和质量造成很大影响,对油料产业的发展构成严重威胁。因此,对油菜虫害的准确识别检测是油菜虫害的有效防治的重要前提。传统的油菜虫害检测方法容易受到背景、光照、角度、害虫姿态等因素的影响而导致鲁棒性不高。针对该问题,本文以5类常见油菜害虫为研究对象,提出基于深度卷积神经网络的油菜虫害检测模型。实验证明该方法准确率高达94.12%,但在小尺度油菜虫害检测上存在定位不准确,识别率低的问题。在此基础上,本文提出了改进的油菜虫害检测方法,最终准确实现了多尺度油菜虫害的检测。本文的主要研究工作如下:(1)针对传统油菜虫害检测方法鲁棒性不好的问题,本文提出基于Faster R-CNN的油菜虫害检测模型。通过实验表明,该方法比目前已有的油菜虫害检测方法提高了2个百分点的准确率,但在小尺度油菜害虫的检测上存在一定困难。(2)针对原模型存在的问题,本文通过修改网络结构,增加小尺度锚框,提出了改进的油菜虫害检测模型,提高了小尺度油菜害虫的检测性能。另外还引入难负样本挖掘方法消除正负样本不均衡问题,增强了模型的判别能力。(3)设计实验并对模型改进前后的检测性能进行比较分析,还探讨锚框数量、卷积特征融合层数以及难负样本挖掘方法对改进后的油菜虫害检测模型性能的影响。实验结果表明,基于改进的油菜虫害检测模型的平均准确率高达95.01%,比改进前提高了大约1个百分点。该方法能有效实现多尺度油菜虫害的检测,表现出较好的泛化能力。基于改进的油菜虫害检测方法解决了传统油菜虫害检测方法鲁棒性不高的问题,更好地准确实现油菜虫害检测,能有效减少油菜虫害危害从而降低油菜损失。