基于空间金字塔池化和深度卷积神经网络的作物害虫识别

TP391.4; 为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别.通过改进YO-LOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%.试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别....

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 35; no. 19; pp. 209 - 215
Main Authors 张博, 张苗辉, 陈运忠
Format Journal Article
LanguageChinese
Published 河南省大数据分析与处理重点实验室,开封,475004%河南省大数据分析与处理重点实验室,开封475004 01.10.2019
河南大学地理学博士后科研流动站,开封475004
Subjects
反卷积
space pyramid pooling
算法
algorithms
深度卷积神经网络
deep convolutional neural network
decon-volution
pest classification
图像识别
空间金字塔池化
image recognition
害虫分类
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2019.19.025

Cover

More Information
Summary:TP391.4; 为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别.通过改进YO-LOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%.试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2019.19.025