文献类型：期刊文章

作　　者：郑果[1] 姜玉松[2] 沈永林[3]

ZHENG Guo;JIANG Yusong;SHEN Yonglin(College of Biology and Food Engineering,Chongqing Three Gorges University,Chongqing 404000,China;College of Landscape and Life Sciences,Chongqing University of Arts and Sciences,Chongqing 402100,China;National Engineering Research Center for Geographic Information System,China University of Geosciences(Wuhan),Wuhan 430074,China)

机构地区：[1]重庆三峡学院生物与食品工程学院,重庆404000 [2]重庆文理学院园林与生命科学学院,重庆402100 [3]中国地质大学(武汉)国家GIS工程研究中心,武汉430074

出　　处：《华中农业大学学报》

基　　金：国家自然科学基金面上项目(42271397)。

年　　份：2023

卷　　号：42

期　　号：3

起止页码：143-151

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2023_2024、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。

关 键 词：智慧农业  害虫识别 深度学习  卷积神经网络 空间注意力  图像视觉  虫害监测  

分 类 号：S431.9]