基于Faster-RCNN的花生害虫图像识别研究.pdfVIP

基于Faster-RCNN的花生害虫图像识别研

究

作者：陶震宇孙素芬罗长寿

来源：《江苏农业科学》2019年第12期

摘要：为实现花生害虫图像的准确分类，共收集花生主要害虫图片2038张，针对目前在

基于Faster-RCNN的图像识别领域较为成熟的VGG-16和ResNet-50这2种网络模型进行对比

研究，并针对ResNet-50模型参数进行调整，提出了基于学习率、训练集和测试集以及验证集

的比例选择、迭代次数等参数改进的ResNet-50卷积神经网络的模型。结果表明：该模型可以

准确高效地提取出花生主要害虫的多层特征图像，在平均识别率上，经过改进的ResNet-50网

络模型在识别花生害虫图像上优于ResNet-50原始网络模型。该模型可以准确地分类花生主要

害虫图像，可在常规情况下实现花生害虫的图像识别。

关键词：Faster-RCNN;ResNet-50模型;花生害虫;图像识别

中图分类号：TP391.41;;文献标志码：A;文章编号：1002-1302（2019）12-0247-03

我国作为世界上传统的农业大国，农业的发展情况对我国的经济发展具有深远的影响。花

生在自然生长过程中很容易受到害虫的侵害和感染，近年来由于气候变化、环境污染等因素的

影响，花生的虫害呈现出增长的趋势，而我国主要的害虫图像识别方法主要还是依靠传统识别

方法，效率较低，因而将在人脸识别等领域较为先进的计算机图像识别技术引入农业领域迫在

眉睫。

近年来，深度学习在图像识别领域发展迅猛，通过建立和模拟人脑的神经系统来解释图像

中的各个特征数据，能够挖掘出图像中所需检测目标的深层次特征，这种数据特征对于识别目

标的分类具有更好的表征能力，这样就避免了传统图像识别方法的缺陷，更精确地识别目标图

像。因而本研究引入当前深度学习中的Faster-RCNN目标检测技术来进行花生害虫图像识别。

1Faster-RCNN

Faster-R-CNN主要由2个部分组成，一是PRN候选框提取，二是FastR-CNN检测。其

中，RPN是全卷积神经网络，作用是提取目标区域候选建议框;FastR-CNN基于RPN提取的建

议区域检测并识别建议区域中的目标。FasterR-CNN采用通过RPN生成的区域，然后再接上

FastR-CNN形成了一个完全的首尾相连的卷积神经网络对象检测模型，RPN与后面的探测网

络一起共享全图像卷积特征。

1.1RPN候选框提取

为了生成建议区域，RPN在预训练的网络模型生成的特征图上滑动1个小网络，这个网络

把特征图上的1个n×n窗口的特征作为输入，对于每个窗口，以窗口的中心点作为基准，通过

不同的对象映射到原圖从而得到一个个建议区域，之后通过对这些建议区域进行softmax分类

与边框回归的学习，从而输出调优后的建议区域分数。

1.2FastR-CNN目标检测

在目标检测模块中，RPN和FastR-CNN的特征通过13个卷积层形成共享，首先通过向

CNN网络输入任意带下的图片，经过CNN网络前后传播至最后的共享卷积层，一方面得到由

RPN网络输入的特征图片，另外一方面向前传播至特定的卷积层，产生更高维度的特征图。

由RPN网络输入的特征图通过RPN网络得到区域建议和区域得分，并将其得分区域建议提供

至RoI池化层，最后通过全连接层后，输出其该区域的得分以及回归后的边框回归。

试验样本集2的生成和网络模型的对比

花生虫害图像2.1获取

本研究通过查找农业虫害害虫数据库、实地拍摄、网络查找等方法采集花生主要害虫图片

共计2038张，分别为东亚飞蝗223张、蝼蛄229张、叶蝉223张、粉虱221张、金龟甲228

张、蓟马224张、蚜虫220张、白色蛴螬225张、甜菜夜蛾245张，用于花生主要害虫图像识

别的训练和测试。害虫图像如图1所示。

模型原理及对比2.2

2.2.1VGG-16VGG（VisualGeometryGroup）是2014年牛津大学科学工程系所创立的，

该系发布了一系列以VGG开头的卷积网络模型，可以应用在人脸识别、图像分类等方面。

VGG-16卷积网络全称为GG-Very-Deep-16CNN，VGG在加深网络层数的同时为了避免参数