典型文献
基于实例分割的玉米虫害检测研究
文献摘要：
为实现玉米虫害精准、快速识别,提出基于实例分割的卷积神经网络结合迁移学习的虫害检测方法.以草地贪夜蛾的卵、幼虫、成虫为检测对象,使用数据增强对图像数据进行扩充,将Yolact++模型在COCO数据集上的预训练权重迁移至草地贪夜蛾的检测.使用focal loss中解决难易样本不均衡的思想,优化模型中的损失函数.以Detnet模型改进Yolact++模型中Resnet主干模型部分,提高对小目标检测的效果.训练过程中使用卷积层先冻结再解冻、局部与全局相结合的训练方法,获得最优权重模型,并对模型进行测试.结果表明:该方法与YoloV3+迁移学习、SSD+迁移学习、Yolact+迁移学习、Yolact++等检测算法相比,对复杂背景图像检测有更好的准确率与漏检率,测试的准确率达到96.32％,漏检率为5.51％,误检率为5.33％.
文献关键词：
玉米虫害;草地贪夜蛾;实例分割;迁移学习;Yolact++;Detnet
中图分类号：
[3]
农业科学（S）
/
植物保护（S4）
/
病虫害及其防治（S43）
/
农作物病虫害及其防治（S435）
/
禾谷类作物病虫害（S435.1）
/
玉米病虫害（S435.13）
/
玉米虫害（S435.132）
作者姓名：
赵康迪;单玉刚;袁杰;赵元龙
作者机构：
新疆大学电气工程学院,新疆乌鲁木齐830017;湖北文理学院,湖北襄阳441000
文献出处：
引用格式：
[1]赵康迪;单玉刚;袁杰;赵元龙-.基于实例分割的玉米虫害检测研究)[J].河南农业科学,2022(12):153-161
A类：
Detnet,YoloV3+,SSD+,Yolact+
B类：
实例分割,玉米虫害,快速识别,迁移学习,草地贪夜蛾,幼虫,成虫,使用数据,数据增强,图像数据,Yolact++,COCO,预训练,重迁,移至,focal,loss,难易,样本不均衡,损失函数,模型改进,Resnet,小目标检测,训练过程,卷积层,冻结,解冻,训练方法,最优权重,检测算法,复杂背景,背景图,图像检测,漏检率,误检率
AB值：
0.344392
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
