烟草甲虫的自动检测方法结合了多尺度的全球残余特征金字塔网络和双路径可变形的注意力
Yuling Chen1,2, Xiaoxia Li1,3, Nianzu Lv4
1School of Information Engineering, Southwest University of Science and Technology, Mianyang, 621010, Sichuan, China.
Scientific reports
|February 28, 2024
概括
这项研究引入了一种先进的方法,用于在图像中检测烟草甲虫,即使像素数量和噪声低. 这种新方法显著提高了检测准确度和用于病虫害识别的召回率.
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:
- 从图像中识别存储害虫,如烟草甲虫,由于对象像素数量低和图像噪声高,因此具有挑战性.
- 在这种情况下,现有的方法经常因信息稀缺和缺乏可识别特征而扎.
研究的目的:
- 提出一种使用深度学习的烟草甲虫自动监测方法.
- 在具有挑战性的图像条件下提高烟草甲虫检测的准确性和可靠性.
主要方法:
- 开发了一个多规模的全球残余特征金字塔网络 (MGrFPN),以捕获丰富的语义和低级特征,减少错过的检测.
- 设计了一种双路径可变形感受场引导注意模块 (DDrGAM),通过考虑空间几何变形来提高特征融合和定位精度.
- 创建了一个新的多场景烟草甲虫数据集,包含28,080个标记图像来模拟现实世界的场景.
主要成果:
- 拟议的MGrFPN-DDrGAM方法在Faster R-CNN框架内实现了91.4%的检测精度和98.4%的回忆,其IOU为0.5.5.
- 在0.7的IOU时,与FPN相比,检测精度提高了32.9%,与FPN相比提高了6.9%.
- 该方法在当前主流检测技术中表现出优越的性能.
结论:
- MGrFPN-DDrGAM方法有效地解决了检测小型和杂的烟草甲虫图像的挑战.
- 拟议的方法在自动化害虫监测系统方面取得了重大进展.
- 这项工作为使用计算机视觉识别农业害虫提供了强大的解决方案.
