基于深度学习的诱捕器内红脂大小蠹检测模型.PDFVIP

２０１８年 １２月 农 业 机 械 学 报 第 ４９卷 第 １２期 ｄｏｉ：１０．６０４１／ｊ．ｉｓｓｎ．１０００１２９８．２０１８．１２．０２３ 基于深度学习的诱捕器内红脂大小蠹检测模型 １ １ １ ２ １ １ 孙　钰 　张冬月 　袁明帅　任利利 　刘文萍 　王建新 （１．北京林业大学信息学院，北京 １０００８３；２．北京林业大学林学院，北京 １０００８３） 摘要：红脂大小蠹是危害我国北方地区松杉类针叶树种的重大林业入侵害虫，其虫情监测是森林虫害防治的重要 环节。传统的人工计数方法已经无法满足现代化红脂大小蠹监测的需求。为自动化识别并统计信息素诱捕器捕 获的红脂大小蠹，在传统信息素诱捕器中集成摄像头，自动采集收集杯内图像，建立蠹虫数据集。使用 Ｋｍｅａｎｓ聚 类算法优化 ＦａｓｔｅｒＲ ＣＮＮ深度学习目标检测模型的默认框，并使用 ＧＰＵ服务器端到端地训练该模型，实现了诱 捕器内任意姿态红脂大小蠹的目标检测。采用面向个体的定量评价和面向诱捕器的定性评价两种评价方式。实 验结果表明：较原始 ＦａｓｔｅｒＲ ＣＮＮ模型，该模型在困难测试集上面向个体和诱捕器的精确率 召回率曲线下面积 （Ａｒｅａｕｎｄｅｒｔｈｅｃｕｒｖｅ，ＡＵＣ）提升了４３３％和３２８％。在整体测试集上个体和诱捕器 ＡＵＣ分别达０９３５０、０９７２２。 该模型的检测速率为 １６ｓ／幅，准确度优于 ＳＳＤ、ＦａｓｔｅｒＲ ＣＮＮ等目标检测模型，对姿态变化、杂物干扰、酒精蒸发 等有较好的鲁棒性。改进后的模型可从被诱芯吸引的６种小蠹科昆虫中区分出危害最大的红脂大小蠹，自动化地 统计诱捕器内红脂大小蠹数量。 关键词：红脂大小蠹；信息素诱捕器；深度学习；目标检测；ＦａｓｔｅｒＲ ＣＮＮ；Ｋｍｅａｎｓ 中图分类号：ＴＰ３９１４；Ｓ７６３２ 文献标识码：Ａ 文章编号：１０００１２９８（２０１８）１２０１８００８ ＤｅｔｅｃｔｉｏｎＭｏｄｅｌｏｆＩｎｔｒａｐＲｅｄＴｕｒｐｅｎｔｉｎｅＢｅｅｔｌｅＢａｓｅｄｏｎＤｅｅｐＬｅａｒｎｉｎｇ １ １ １ ２ １ １ ＳＵＮＹｕ　ＺＨＡＮＧＤｏｎｇｙｕｅ　ＹＵＡＮＭｉｎｇｓｈｕａｉ　ＲＥＮＬｉｌｉ　ＬＩＵＷｅｎｐｉｎｇ　ＷＡＮＧＪｉａｎｘｉｎ （１．ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＢｅｉｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ ２．ＣｏｌｌｅｇｅｏｆＦｏｒｅｓｔｒｙ，ＢｅｉｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅｒｅｄｔｕｒｐｅｎｔｉｎｅｂｅｅｔｌｅ（ＲＴＢ）ｉｓａｍａｊｏｒｆｏｒｅｓｔｒｙｉｎｖａｓｉｖｅｉｎｓｅｃｔｔｈａｔｄａｍａｇｅｓｔｈｅ ｃｏｎｉｆｅｒｏｕｓｓｐｅｃｉｅｓｏｆｐｉｎｅｔｒｅｅｓｉｎｎｏｒｔｈｅｒｎＣｈｉｎａ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｍｏｎｉｔｏｒｉｎｇｏｆＲＴＢｐｌａｙｓａｎｉｍｐｏｒｔａｎｔ ｒｏｌｅｉｎｆｏｒｅｓｔｒｙｐｅｓｔｃｏｎｔｒｏｌｌｉｎｇ．Ｈｏｗｅｖｅｒ，ｔｒａｄｉｔｉｏｎａｌｔｒａｐｂａｓｅｄｍｏｎｉｔｏｒｉｎｇｄｅｐｅｎｄｓｏｎｈｕｍａｎｅｘｐｅｒｔｓｔｏ ｍａｎｕａｌｌｙｒｅｃｏｇｎｉｚｅａｎｄｃｏｕｎｔｐｅｓｔｓ，ｗｈｉｃｈｐｒｏｈｉｂｉｔｓｔｈｅｍｏｄｅｒｎＲＴＢｍｏｎｉｔｏｒｉｎｇ．Ｔｏａｕｔｏｍａｔｉｃａｌｌｙ ｒｅｃｏｇｎｉｚｅａｎｄｃｏｕｎｔＲＴＢｃａｐｔｕｒｅｄｂｙｐｈｅｒｏｍｏｎｅｔｒａｐｓ，ａＲＧＢｃａｍｅｒａｗａｓｉｎｔｅｇｒａｔｅｄｉｎｔｒａｄｉｔｉｏｎａｌｃｕｐ ｔｒａｐｔｏｃａｐｔｕｒｅｉｎｔｒａｐｉｍａｇｅｓａｎｄｂｕｉｌｄｔｈｅｂａｒｋｂｅｅｔｌｅｓｄａｔａｓｅｔ．Ｔｈｅｄｅｆａｕｌｔｂｏｘｅ