趙康迪，單玉剛，袁 杰，趙元龍

（1. 新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊 830017；2. 湖北文理學(xué)院，湖北 襄陽 441000）

玉米是我國重要的糧食作物和工業(yè)原料，保持玉米產(chǎn)量穩(wěn)定對(duì)國家糧食安全起著至關(guān)重要的作用。但每年玉米受到各類害蟲侵害，造成大面積減產(chǎn)，時(shí)刻威脅著玉米生產(chǎn)安全[1-3]。特別是近年來遷徙入境的草地貪夜蛾（Spodoptera frugiperda），這種跨國跨洲的蟲害已經(jīng)在世界各地迅速蔓延，對(duì)玉米生產(chǎn)造成嚴(yán)重?fù)p失[4]。2019 年1 月草地貪夜蛾首次在我國云南省被發(fā)現(xiàn)，之后以迅猛之勢擴(kuò)散至全國26個(gè)省（自治區(qū)、直轄市），玉米受害面積超107萬hm2[5]?，F(xiàn)今外來蟲源持續(xù)遷入，造成的危害可能會(huì)更加嚴(yán)重。因此，在農(nóng)業(yè)領(lǐng)域中，除了要檢測傳統(tǒng)蟲害，還要對(duì)外來蟲害物種做到有效檢測統(tǒng)計(jì)。

隨著信息化技術(shù)的快速發(fā)展，農(nóng)業(yè)信息水平的顯著提高，基于機(jī)器學(xué)習(xí)的檢測方法已被成功運(yùn)用到農(nóng)作物病蟲害識(shí)別領(lǐng)域[6-8]，并且取得了重要的研究成果。鄒永杰等[9]針對(duì)番茄蟲害葉片使用HOG與LBP 2 種特征提取，以互補(bǔ)的方式提取葉片信息，在公開挑戰(zhàn)賽數(shù)據(jù)集上準(zhǔn)確率可以達(dá)到99.49%。盧柳江等[10]使用Haar-like 提取害蟲的特征，通過級(jí)聯(lián)AdaBoost 分類器來識(shí)別害蟲，其模型對(duì)復(fù)雜背景的蟲害圖片識(shí)別率能達(dá)到86.67%。上述機(jī)器學(xué)習(xí)方法能夠有效地對(duì)目標(biāo)進(jìn)行識(shí)別，但基于傳統(tǒng)的機(jī)器學(xué)習(xí)采用的特征提取方法，往往泛化與抗干擾能力比較弱，對(duì)多類別的目標(biāo)檢測效果欠佳。

相比傳統(tǒng)的機(jī)器學(xué)習(xí)，基于深度學(xué)習(xí)的檢測方法省略了特征選擇和提取階段。通過在訓(xùn)練過程中使用大量圖像學(xué)習(xí)相關(guān)數(shù)據(jù)，改善傳統(tǒng)機(jī)器學(xué)習(xí)在特征提取上的局限性，且這一方法在目標(biāo)檢測領(lǐng)域得到了廣泛應(yīng)用[11-13]。郭陽等[14]使用YoloV3 檢測模型針對(duì)水稻的5 類害蟲進(jìn)行檢測，最終蟲害測試的平均精度均值（mAP）達(dá)到91.93%。DU 等[15]為了及時(shí)監(jiān)測玉米草地貪夜蛾危害情況，基于Faster-RCNN 模型提出了一種端到端的草地貪夜蛾檢測模型Pest-RCNN，并對(duì)玉米葉片的取食痕跡采樣，Pest-RCNN 在試驗(yàn)數(shù)據(jù)集上的準(zhǔn)確率達(dá)到了43.6%。邱榮洲等[16]按多種方式對(duì)草地貪夜蛾成蟲圖像進(jìn)行預(yù)處理，其中以增加相似檢測目標(biāo)為方法訓(xùn)練的模型YoloV5s-AB 的識(shí)別準(zhǔn)確率最好，達(dá)到了96.23%，且召回率為91.85%，F(xiàn)1 值為93.99。以上這些基于卷積神經(jīng)網(wǎng)絡(luò)的算法模型，對(duì)各農(nóng)作物的蟲害識(shí)別均取得了較好的試驗(yàn)結(jié)果。但國內(nèi)對(duì)玉米草地貪夜蛾檢測相關(guān)的研究相對(duì)較少，且多以單一成蟲為檢測目標(biāo)。此外，通過深度學(xué)習(xí)得到的訓(xùn)練模型，需要大量的目標(biāo)數(shù)據(jù)樣本與較長的訓(xùn)練時(shí)間，而遷移學(xué)習(xí)可以使用有限的目標(biāo)數(shù)據(jù)與少量時(shí)間達(dá)到理想的檢測精度[17-18]。而且基于卷積神經(jīng)網(wǎng)絡(luò)的Yolo[19]、SSD[20]、Faster-RCNN[21]、Mobilenet 等檢測算法只能對(duì)目標(biāo)進(jìn)行簡單分類、定位，無法完成更精細(xì)的檢測任務(wù)。而實(shí)例分割可以在像素級(jí)別對(duì)目標(biāo)進(jìn)行分類、識(shí)別和定位。同時(shí)針對(duì)由于拍攝角度變化以及蟲害形態(tài)不同，造成目標(biāo)尺度變化大，存在漏檢率欠佳的問題，Detnet模型深層特征圖尺寸不變，能改善對(duì)尺度變化大的檢測目標(biāo)的檢測效果。

因此，采用Yolact++[22]實(shí)例分割算法，結(jié)合遷移學(xué)習(xí)的方法，把COCO 數(shù)據(jù)集上預(yù)訓(xùn)練的權(quán)重模型遷移到玉米蟲害檢測中，檢測對(duì)象為各生長期的草地貪夜蛾。通過focal loss 優(yōu)化損失函數(shù)，以及引入Detnet[23]模型改進(jìn)Yolact++的性能，以得到精度較高、魯棒性好的分割模型，同時(shí)也為后期精準(zhǔn)施藥和防控作業(yè)提供重要依據(jù)。

1 材料和方法

1.1 圖像采集

以玉米草地貪夜蛾為檢測對(duì)象。由于這類害蟲是近年來遷徙入境而來，相關(guān)的數(shù)據(jù)較少，獲取難度也比較大，所以采用2種方式獲取數(shù)據(jù)：一是使用網(wǎng)絡(luò)爬蟲下載kaggle 網(wǎng)站上的數(shù)據(jù)；二是以實(shí)地拍攝圖像作為數(shù)據(jù)。數(shù)據(jù)集共有710 張，其中422張是從網(wǎng)絡(luò)上獲取的，剩余部分是使用智能手機(jī)實(shí)地不同時(shí)段、多角度對(duì)目標(biāo)采集的。按照草地貪夜蛾的生長時(shí)期把數(shù)據(jù)集分為卵、幼蟲、成蟲3類，其中卵170張、幼蟲260張、成蟲280張，原始圖片數(shù)據(jù)如圖1所示。

圖1 玉米草地貪夜蛾數(shù)據(jù)示例Fig.1 Examples of data from Spodoptera frugiperda

1.2 數(shù)據(jù)預(yù)處理

草地貪夜蛾的原始數(shù)據(jù)總量較少，訓(xùn)練時(shí)容易發(fā)生過擬合現(xiàn)象，同時(shí)數(shù)據(jù)來源的方式不同，不同種類樣本之間存在不均衡現(xiàn)象，這也會(huì)影響最終的訓(xùn)練結(jié)果。為解決這些問題，常采用的方法是對(duì)數(shù)據(jù)離線增強(qiáng)。常用的數(shù)據(jù)增強(qiáng)有翻轉(zhuǎn)、旋轉(zhuǎn)、剪裁、形變、縮放、噪聲、模糊、顏色變換、擦除、填充等。本研究采用了翻轉(zhuǎn)、增加噪聲、模糊、亮度調(diào)節(jié)等方式對(duì)圖片進(jìn)行多重操作，來解決樣本不均衡和過擬合的問題。另外，由于圖像獲取方式不同，圖片存在格式、大小不統(tǒng)一的情況，這也要進(jìn)一步處理，以達(dá)到訓(xùn)練的要求。草地貪夜蛾數(shù)據(jù)增強(qiáng)前后對(duì)比示例如圖2所示。增強(qiáng)后數(shù)據(jù)集如表1所示。

圖2 增強(qiáng)后的草地貪夜蛾數(shù)據(jù)Fig.2 Enhanced data of Spodoptera frugiperda

表1 草地貪夜蛾圖像數(shù)據(jù)集Tab.1 Image data set of Spodoptera frugiperda

1.3 Yolact++模型結(jié)構(gòu)

所采用的Yolact++模型結(jié)構(gòu)如圖3 所示，模型中的提取網(wǎng)絡(luò)是以Resnet101 為基礎(chǔ)的主干結(jié)構(gòu)。挑選特征提取層中3 個(gè)特征圖作為輸入，通過特征圖金字塔（FPN）結(jié)構(gòu)得到P3—P5 這3 個(gè)特征圖。然后使用2個(gè)卷積對(duì)P5連續(xù)操作得到P6、P7這2個(gè)特征圖。Yolact++將得到的特征圖接入到2 個(gè)并行分支網(wǎng)絡(luò)Protonet 和Prediction head 中，得到Prototype-mask 與全部類別、位置和mask的置信度。接著把Prediction head 的結(jié)果輸入到Fast-NMS，通過將得到的輸出與Prototype-mask 進(jìn)行裁切和疊加操作獲得整個(gè)模型的檢測結(jié)果。

圖3 Yolact++網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Yolact++network structure

1.4 主干網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)

Yolact++主干網(wǎng)絡(luò)是以Resnet101 為基礎(chǔ)的特征提取網(wǎng)絡(luò)，在試驗(yàn)過程中替換Resnet101 為Detnet59 模 型。Detnet59 網(wǎng) 絡(luò) 結(jié) 構(gòu) 是 在Resnet50 的基礎(chǔ)上改進(jìn)的，保持Resnet50的前4層不變，將更深的2 層卷積層替換成Detnet 模型，結(jié)構(gòu)如圖4 所示。Detnet 的主干模型結(jié)構(gòu)與原始Resnet 結(jié)構(gòu)如圖5 所示，它們的不同在于Detnet 將Resnet 中的3×3 的卷積層替換成空洞卷積，同時(shí)保持深層的特征圖尺寸不變，降低深層特征圖的通道數(shù)目。

圖4 Detnet的FPN結(jié)構(gòu)Fig.4 FPN structure of Detnet

圖5 Detnet主干網(wǎng)模型Fig.5 The Detnet backbone model

試驗(yàn)中的Detnet 前4 層同樣使用殘差結(jié)構(gòu)網(wǎng)絡(luò)，只是有間隔地使用可形變卷積（DCN），并以可形變采樣方式取代剛性網(wǎng)格采樣，達(dá)到提升檢測準(zhǔn)確率的效果。DCN 是指能夠動(dòng)態(tài)調(diào)整卷積核每個(gè)元素位置的特殊卷積，用來改善特征提取效果。實(shí)際使用中是每隔3 個(gè)卷積層替換1 個(gè)3×3 的卷積層為DCN 層。這樣既保證了檢測速度，又有效地提高了檢測精度。

1.5 損失函數(shù)優(yōu)化與模型評(píng)價(jià)函數(shù)

Yolact++模型中使用了多種損失函數(shù)，主要是分類置信度損失（Class confidence loss）、邊界框位置損失（Box localization loss）、掩膜損失（Mask loss）。其中，分類置信度損失與邊界框位置損失的算法多采 用 類 似SSD、Fast-RCNN、Yolo 的 損 失 函 數(shù)Softmax loss與SmoothL1。

本研究邊界框位置損失函數(shù)使用SmoothL1，如公式（1）所示，而分類置信度損失函數(shù)使用Softmax函數(shù)，如公式（2）所示。

其中，x為預(yù)測框和真實(shí)框之間的差值，N為批樣本大小，C為類別總數(shù)，z是一組預(yù)測結(jié)果。

掩膜損失函數(shù)原模型僅使用二分類交叉熵?fù)p失函數(shù)解決正負(fù)樣本不均衡問題。由于草地貪夜蛾的檢測圖像中難易樣本差距比較大，可以使用focal loss的方法，讓損失函數(shù)更加關(guān)注難樣本，提高檢測準(zhǔn)確率。本研究將focal loss 與二進(jìn)制交叉熵?fù)p失函數(shù)結(jié)合，優(yōu)化后的掩膜損失函數(shù)如下。

其中，M是預(yù)測掩膜，Mgt是真實(shí)掩膜，λ為權(quán)重系數(shù)。此外，引入超參數(shù)α與γ使用變形后的二進(jìn)制交叉熵，能有效加強(qiáng)對(duì)樣本中難樣本的學(xué)習(xí)，以獲得更加準(zhǔn)確的檢測效果。

模型中使用了多種評(píng)價(jià)標(biāo)準(zhǔn)：精確率（Precision）、漏檢率（Miss rate，F(xiàn)NR）、誤檢率（False alarm，F(xiàn)PR）、準(zhǔn)確率（Accuracy，Acc）與平均精度均值（Mean average precision，mAP）。訓(xùn)練過程中利用在不同交并比（IOU）情況下計(jì)算的mAP值來評(píng)價(jià)權(quán)重模型的優(yōu)越性，公式如下：

其中，Nclass為類別總量，PclassAve為不同類別平均精度。

1.6 遷移學(xué)習(xí)

傳統(tǒng)的深度學(xué)習(xí)在數(shù)以萬計(jì)的數(shù)據(jù)基礎(chǔ)上通過長時(shí)間、多輪次的訓(xùn)練，才能達(dá)到理想的訓(xùn)練效果，而使用遷移學(xué)習(xí)可以有效提高訓(xùn)練效率。遷移學(xué)習(xí)通常將數(shù)據(jù)集分為源數(shù)據(jù)集和目標(biāo)數(shù)據(jù)集兩類。源數(shù)據(jù)集是指與任務(wù)檢測目標(biāo)無關(guān)，且數(shù)據(jù)量比較大的數(shù)據(jù)集；目標(biāo)數(shù)據(jù)集是指任務(wù)檢測對(duì)象的各種分類構(gòu)成的數(shù)據(jù)集，但這些數(shù)據(jù)量相對(duì)源數(shù)據(jù)集比較小。

草地貪夜蛾的檢測研究缺少訓(xùn)練數(shù)據(jù)集，自身收集制作的樣本較少，所以在研究中使用遷移學(xué)習(xí)的方法，模型訓(xùn)練過程設(shè)計(jì)如圖6 所示。通過COCO 數(shù)據(jù)集作為源數(shù)據(jù)集訓(xùn)練初始權(quán)重模型，然后以草地貪夜蛾數(shù)據(jù)集作為目標(biāo)數(shù)據(jù)集。將源數(shù)據(jù)集上預(yù)訓(xùn)練的權(quán)重參數(shù)用于草地貪夜蛾檢測模型的初始化，然后根據(jù)實(shí)際檢測的目標(biāo)類型具體調(diào)整各層初始參數(shù)。最后使用目標(biāo)數(shù)據(jù)集先優(yōu)化最后一層，然后解凍進(jìn)行全局訓(xùn)練，得到最終的草地貪夜蛾網(wǎng)絡(luò)權(quán)重。這樣可以在較少的蟲害樣本與訓(xùn)練時(shí)間下，達(dá)到較高的檢測精度。

圖6 遷移學(xué)習(xí)模型訓(xùn)練流程Fig.6 Transfer learning model training process

1.7 模型訓(xùn)練

對(duì)遷移學(xué)習(xí)模型進(jìn)行草地貪夜蛾檢測訓(xùn)練，具體訓(xùn)練流程如下。

1.7.1 數(shù)據(jù)預(yù)處理 將初始的710張蟲害圖片進(jìn)行翻轉(zhuǎn)、增加噪聲、模糊、加減曝光等多重操作擴(kuò)充數(shù)據(jù)。同時(shí)把不同格式的圖片統(tǒng)一為jpg，圖片大小修改為550×550。

1.7.2 輸入玉米蟲害圖像 將擴(kuò)充后的蟲害數(shù)據(jù)集的80%作為訓(xùn)練樣本輸入網(wǎng)絡(luò)模型，數(shù)據(jù)集的10%作為驗(yàn)證集，在訓(xùn)練過程中對(duì)模型進(jìn)行測評(píng)。

1.7.3 參數(shù)遷移 使用在COCO數(shù)據(jù)集上訓(xùn)練的權(quán)重，作為蟲害檢測模型的初始化權(quán)重。通過學(xué)習(xí)率、動(dòng)量因子以及批樣本大小、全連接層的神經(jīng)元個(gè)數(shù)等訓(xùn)練參數(shù)的設(shè)置，優(yōu)化網(wǎng)絡(luò)模型的初始參數(shù)。

1.7.4 凍結(jié)卷積層參數(shù) 通過損失函數(shù)的更新迭代，凍結(jié)池化層和卷積層的參數(shù)，更新并優(yōu)化最后一層的全連接層權(quán)重。設(shè)置批樣本大小為8，學(xué)習(xí)率為0.001。觀察損失函數(shù)與mAP 值變化幅度，當(dāng)變化幅度稍顯穩(wěn)定后，設(shè)置批樣本大小為4，初始學(xué)習(xí)率為0.001，學(xué)習(xí)率更新系數(shù)為0.1，學(xué)習(xí)率更新迭代次數(shù)為7 500/25 000/35 000，然后進(jìn)行全局的權(quán)重更新迭代實(shí)現(xiàn)微調(diào)，以達(dá)到更好的訓(xùn)練效果。且訓(xùn)練過程中每100 步計(jì)算并保存1 次此時(shí)網(wǎng)絡(luò)模型的mAP值，每10步記錄1次損失函數(shù)值。

1.7.5 模型效果評(píng)價(jià) 訓(xùn)練結(jié)束后，使用數(shù)據(jù)集最后的10%作為測試集。通過驗(yàn)證集的評(píng)價(jià)結(jié)果，挑選訓(xùn)練過程中最優(yōu)模型作為最終結(jié)果，使用最優(yōu)模型在測試集上測試，以驗(yàn)證模型的準(zhǔn)確率與泛用性。

2 結(jié)果與分析

本試驗(yàn)使用的硬件環(huán)境：CPU 是R7-5800H，8核16 線程，睿頻4.4 GHz，GPU 是NVIDAIA GeForce RTX2060，6 G顯存。使用的軟件環(huán)境：windows10 系統(tǒng)環(huán)境下使用cuda 10.0、python 3.7以及anaconda與pycharm 軟件搭建pytorch 環(huán)境。按照模型訓(xùn)練過程，將改進(jìn)后的模型進(jìn)行40 000 步訓(xùn)練。試驗(yàn)結(jié)束后，讀取訓(xùn)練過程中保存的log 文件，獲取驗(yàn)證集的總損失（Total loss）與IOU為0.50時(shí)mAP值。根據(jù)訓(xùn)練迭代次數(shù)畫出相應(yīng)的Total loss 與mAP 值曲線，如圖7 所示。訓(xùn)練在25 000 步時(shí)，Total loss 與mAP 值曲線開始趨于穩(wěn)定。最終訓(xùn)練過程的Total loss 在0.7 左右，而訓(xùn)練過程中，box 與mask 的mAP 值穩(wěn)定在98%左右。

圖7 迭代過程Fig.7 Iterative process

2.1 模型訓(xùn)練與性能分析

按訓(xùn)練方式不同將訓(xùn)練得到的模型分為3 類：直接使用數(shù)據(jù)增強(qiáng)后的數(shù)據(jù)集作為初始訓(xùn)練，輸入到Y(jié)olact++卷積神經(jīng)網(wǎng)絡(luò)模型中，可得到網(wǎng)絡(luò)模型A；利用遷移學(xué)習(xí)的方法，使用Yolact++模型訓(xùn)練，從而得到網(wǎng)絡(luò)模型B；使用遷移學(xué)習(xí)同時(shí)改進(jìn)模型，優(yōu)化損失函數(shù)，引入Detnet模型可得到模型C。訓(xùn)練過程中3類模型在驗(yàn)證集上的測試結(jié)果如表2所示。

從表2 可以看出，IOU 為0.50 時(shí)，基于遷移學(xué)習(xí)的mask 與box 的mAP 值都在96%以上。相比不引入遷移學(xué)習(xí)，基于遷移學(xué)習(xí)的2種訓(xùn)練方法，均有更高地識(shí)別定位與分割精度，且能夠很好地解決數(shù)據(jù)集小、訓(xùn)練時(shí)長不足的問題。因此，基于遷移學(xué)習(xí)的網(wǎng)絡(luò)模型能夠更有效地提取玉米的蟲害信息特征。

從表2 還能看出，相比原網(wǎng)絡(luò)模型，改進(jìn)后的Yolact++模型有更高的mAP 值，但僅通過最優(yōu)模型對(duì)比存在偶然性。因此，在相同條件下，針對(duì)3種方法的不同進(jìn)行詳細(xì)驗(yàn)證。在訓(xùn)練過程中，對(duì)3 種模型采集IOU 為0.50 時(shí)的mAP 值，如圖8 所示。由圖8 可知，改進(jìn)后的模型訓(xùn)練與只在原有的網(wǎng)絡(luò)模型基礎(chǔ)上使用遷移學(xué)習(xí)相比，無論是box 還是mask 均有更高的mAP 值。改進(jìn)后的遷移學(xué)習(xí)訓(xùn)練方法更具有優(yōu)越性。

圖8 3種模型迭代過程的mAP值Fig.8 The mAP in iteration process of the three models

表2 不同訓(xùn)練模型在不同IOU值時(shí)定位和掩膜的mAP值Tab.2 The mAP of localization and mask for different training models with different IOU value %

2.2 模型檢測效果

根據(jù)模型分類性能測試的結(jié)果，在遷移學(xué)習(xí)條件下，將引入Detnet 模型并優(yōu)化掩膜損失函數(shù)得到的模型，與不使用遷移學(xué)習(xí)直接使用目標(biāo)數(shù)據(jù)訓(xùn)練得到的模型進(jìn)行對(duì)比預(yù)測。預(yù)測用的數(shù)據(jù)圖片是測試集中500 張相對(duì)難檢測的樣本圖片，測試效果如圖9 所示。從試驗(yàn)結(jié)果來看，針對(duì)小目標(biāo)、多目標(biāo)，甚至是部分遮擋的情況，使用遷移學(xué)習(xí)，以及改善模型優(yōu)化損失函數(shù)的方法，不僅能夠精準(zhǔn)地對(duì)目標(biāo)進(jìn)行定位與識(shí)別，而且還能得到準(zhǔn)確的分割效果。整體檢測效果較為理想。

圖9 模型測試效果Fig.9 Model test results

2.3 算法比較

為了驗(yàn)證本試驗(yàn)所采用方法的效果，在遷移學(xué)習(xí)的基礎(chǔ)上，使用不同卷積神經(jīng)網(wǎng)絡(luò)算法Yolact、SSD 和YoloV3 進(jìn)行對(duì)比試驗(yàn)（表3）。其中，模型1是不使用遷移學(xué)習(xí)，對(duì)Yolact++模型訓(xùn)練得到的；模型2 是使用遷移學(xué)習(xí)，對(duì)Yolact++網(wǎng)絡(luò)模型損失函數(shù)優(yōu)化并引入Detnet 模型訓(xùn)練得到的。使用這5 種不同的權(quán)重模型進(jìn)行測試對(duì)比，測試對(duì)象為測試集中100 張有復(fù)雜背景的圖片、相似蟲害特征的正常玉米圖片100 張以及數(shù)據(jù)集外又實(shí)地手機(jī)拍攝的300 張。從表3 可以看出，基于遷移學(xué)習(xí)的實(shí)例分割方法（模型2），在測試集上準(zhǔn)確率可以達(dá)到96.32%，漏檢率為5.51%，整體檢測效果優(yōu)于其他算法。并且基于遷移學(xué)習(xí)的玉米蟲害檢測算法，使用少量的訓(xùn)練數(shù)據(jù)與訓(xùn)練時(shí)間得到的檢測效果，遠(yuǎn)優(yōu)于不使用遷移學(xué)習(xí)的方法。因此，本研究提出的方法對(duì)玉米草地貪夜蛾這類蟲害有著較高的檢測能力，對(duì)農(nóng)作物保護(hù)與草地貪夜蛾監(jiān)控預(yù)防有著重要意義。

表3 不同卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)比Tab.3 Comparison of different CNN algorithms

同時(shí)為了進(jìn)一步驗(yàn)證試驗(yàn)的效果，通過修改主干網(wǎng)絡(luò)來驗(yàn)證試驗(yàn)方法的有效性。試驗(yàn)過程中采用的是改進(jìn)的Detnet 網(wǎng)絡(luò)結(jié)構(gòu)，然后與Resnet50 以及原始基礎(chǔ)的Resnet101 主干提取網(wǎng)絡(luò)對(duì)比，按照上述模型2 的訓(xùn)練方法，在相同的硬件環(huán)境與初始參數(shù)下，同樣使用這500 張圖片作為測試集進(jìn)行測試，測試結(jié)果如表4 所示。3 種基于遷移學(xué)習(xí)的檢測方法均優(yōu)越于表3 中的常用算法，并且改進(jìn)的Detnet 主干提取網(wǎng)絡(luò)的準(zhǔn)確率、漏檢率與誤檢率均優(yōu)于Resnet50 與Resnet101 的網(wǎng)絡(luò)，特別是漏檢率有著較大差距。Detnet的網(wǎng)絡(luò)結(jié)構(gòu)除對(duì)目標(biāo)有更好的準(zhǔn)確率外，同時(shí)也對(duì)大小尺度跨距較大的不同目標(biāo)的漏檢效果有明顯的改善。

表4 遷移學(xué)習(xí)下不同主干網(wǎng)絡(luò)對(duì)比Tab.4 Comparison of different backbone networks under transfer learning

3 結(jié)論與討論

以草地貪夜蛾為檢測對(duì)象，提出了基于實(shí)例分割的卷積神經(jīng)網(wǎng)絡(luò)結(jié)合遷移學(xué)習(xí)的蟲害檢測方法。在遷移學(xué)習(xí)條件下，優(yōu)化損失函數(shù)，改進(jìn)主干提取網(wǎng)絡(luò)引進(jìn)Detnet網(wǎng)絡(luò)，并與其他檢測方法進(jìn)行對(duì)比。結(jié)果表明，本研究中玉米蟲害檢測網(wǎng)絡(luò)模型的準(zhǔn)確率達(dá)到96.32%，針對(duì)各生長周期的草地貪夜蛾能夠做到像素級(jí)精準(zhǔn)檢測。該方法中使用的遷移學(xué)習(xí)，在小樣本目標(biāo)檢測中具有一定的有效性與優(yōu)越性；同時(shí)在小樣本的遷移學(xué)習(xí)訓(xùn)練過程中，使用focal loss 針對(duì)難易樣本不平衡問題，優(yōu)化掩膜損失函數(shù)，引進(jìn)Detnet 模型降低檢測目標(biāo)尺度變化大的影響，能有效提升模型精度，降低漏檢率。同時(shí)該方法為進(jìn)一步應(yīng)用智能機(jī)器精準(zhǔn)采集蟲害信息提供了方法支持，對(duì)草地貪夜蛾防治決策的制訂具有重要意義。

本試驗(yàn)中對(duì)算法的優(yōu)化提高了玉米蟲害檢測的準(zhǔn)確率，但就實(shí)際而言玉米蟲害種類繁多，諸如螟蟲、黏蟲等都會(huì)嚴(yán)重威脅到玉米的產(chǎn)量安全。所以下一步將進(jìn)行多類別害蟲檢測研究，采集不同時(shí)節(jié)和地區(qū)的多種玉米蟲害信息，擴(kuò)充玉米蟲害數(shù)據(jù)集，豐富檢測種類，提高模型應(yīng)用價(jià)值。