第十届挑战赛A2-基于深度学习的农田害虫识别算法研究

发布时间:2022-06-27 作者:本站原创 浏览量:5349

摘 要:

农田常见的昆虫是人工生态系统的重要组成部分。虫情检测灯能实现自动诱集、杀虫、虫体分散、拍照以及上传数据等作业过程,改善农田环境。虫情检测灯的效果依赖于目标检测算法,采用高效的目标检测算法可以提高效率和精度且降低成本,深度学习是目标检测算法的热点。为此,本文综合了 YOLOv5 与 YOLOX 两种算法的识别结果,通过图像预处理技术和深度学习框架,识别出虫情检测灯样本中的昆虫种类、所在位置、个数,实现了样本中昆虫种类及个数的智能识别,最终取得了高达 0.909 的mAP 值、0.907 的召回率(recall)、0.914 的准确度(precision)。

图像预处理方面:本文利用最近邻重采样、双线性重采样,埃尔米特重采样等上  采样方式,并综合运用各种重采样手段,有效缓解了样本种类极度不均衡问题。同时采取比例缩放方式减轻了 CPU 加载数据所消耗的大量时间,同时裁剪出原高清图中的昆虫图片一并作为训练集,缓解了由于压缩图片而带来的小样本检测能力降低的问题。再通过图像翻转、亮度调节、噪声处理、随机掩膜各种数据增强手段,增强模型的泛化能力。最终将原始数据集格式转化为 YOLO 格式,最终数据集扩展到了之前的五倍左右,极大的增大了训练的样本量,为模型训练提供了牢固基石。

模型训练方面:本文利用 YOLOv5 中 mosaic 数据增强手段大大增加了数据多样性。依赖 k-means 聚类方法动态计算锚框,从而确定单一锚框的尺寸,实现自适应锚框计算。本模型还有自适应图片缩放的方式减少计算量,节省运行时间。利用 Backbone 网络主要负责对输入端的数据进行进一步的特征提取,避免因为加深而带来的梯度消失。利用 YOLOv5 创新性的 Focus 结构,结合 CSP 结构分别进行卷积操作,使得模型吸收、学习到更多不同的特征。在 Neck 网络中采用 FPN+PAN 的结构,实现了自顶向下与自下而上相结合的特征提取方式。提高了模型对小目标的识别。与此同时依赖 YOLOX 带来的创新性 Anchor-free 无锚点的检测器使检测器训练和解码阶段,利用 YOLOX 带来的 Decoupled Head 及 SimOTA 进行高级标签分配。并在最终提出通过 IoU 综合两个模型的识别结果合并标签,最终通过格式化写入文件完成了 result2 与result3 的结果。

关键词:Yolov5  Yolox  数据增强  昆虫识别

点击查看全文