连锁聚合卷积网络用于突出谷物害虫检测
Junwei Yu1,2, Shihao Chen1,2, Nan Liu3
1Key Laboratory of Grain Information Processing and Control (Henan University of Technology), Ministry of Education, Zhengzhou 450001, China.
Insects
|July 26, 2024
概括
一个新的级联聚合卷积网络 (CACNet) 通过模仿人类视觉注意力,准确地检测小谷物害虫. 这项技术可以改善存储谷物的害虫检测和感染评估.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 在储存的谷物中感染害虫会造成重大经济损失.
- 由于它们的大小,变异性和背景杂乱,难以准确检测小谷物害虫.
- 突出的物体检测通过专注于视觉上突出的特征来增强害虫识别.
研究的目的:
- 开发一种新的深度学习模型,用于在储存的谷物中准确检测突出害虫.
- 通过模仿人类视觉注意力机制来提高害虫检测的准确性.
- 为了实现有效的害虫防治和粮食储存中感染严重程度的评估.
主要方法:
- 提出了使用VGG16作为支柱的级联聚合卷积网络 (CACNet).
- 实现了反向级联特征聚合,特征增强和特征聚合操作.
- 策划了谷物虫害数据集,并使用MSRA-B数据集进行验证.
主要成果:
- 在数据集上,CACNet实现了91.9%和90.9%的结构S测量.
- 该模型获得了76.4%和91.0%的加权F测量值.
- 与传统和基于深度学习的突出性检测方法相比,表现优越.
结论:
- 开发的CACNet有效地以高准确度检测小规模的谷物害虫.
- 这项技术显示出实时害虫监测和谷物存储中感染评估的巨大潜力.
- 这种方法对农业和林业的害虫预防和控制具有前景.
