基于卷积神经网络的害虫分类

摘要：

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量.由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战.针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类.首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别.试验表明:所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2％,损失函数Loss为0.031,模型训练时间为197 min.

关键词：深度学习、卷积神经网络、多尺度融合、空洞卷积、害虫分类

所属期刊栏目：43

分类号：S435.121.4+5(病虫害及其防治)

资助基金：广西科技基础和人才专项AD19110034

在线出版日期：2022-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：188-194