CMRD-Net:一个基于深度学习的Cnaphalocrocis medinalis损伤症状旋转检测框架,用于现场调查
Tianjiao Chen1,2, Rujing Wang1,2,3, Jianming Du1
1Institute of Intelligent Machines, Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, China.
Frontiers in plant science
|June 26, 2023
概括
这项研究介绍了CMRD-Net,这是一个新的旋转物体检测框架,用于识别叶 (Cnaphalocrocis medinalis) 损伤. 该方法在复杂的现场条件下显著提高了检测精度.
科学领域:
- 农业昆虫学 农业昆虫学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确评估Cnaphalocrocis medinalis (大米叶) 的损害对于有效的害虫防治至关重要.
- 现有的水平界限框检测方法在现实领域条件下与任意的方向,各种形状和损伤症状的重叠作斗争.
研究的目的:
- 开发一个先进的旋转物体检测框架,CMRD-Net,专门用于检测Cnaphalocrocis medinalis损伤症状.
- 克服传统方法在处理复杂,现场的虫害损害视觉数据方面的局限性.
主要方法:
- 开发CMRD-Net,包括一个水平到旋转区域提案网络 (H2R-RPN) 和一个旋转到旋转区域卷积神经网络 (R2R-RCNN).
- H2R-RPN提取轮换区域提案,并采用自适应的积极样本选择来解决面向实例的挑战.
- R2R-RCNN使用旋转的特征对齐建议,并使用面向对齐的特征检测损伤症状.
主要成果:
- 拟议的CMRD-Net在定制数据集上实现了73.7%的平均精度 (AP),超过了最先进的旋转物体检测算法.
- 实验结果表明,与水平检测方法相比,Cnaphalocrocis medinalis损伤的实地调查的性能优越.
结论:
- 在复杂的农业环境中,CMRD-Net为检测Cnaphalocrocis medinalis损伤症状提供了强大而准确的解决方案.
- 开发的框架非常适合用于自动化的现场监测和害虫管理策略.
