DOI:10.11829/j.issn.1001-0629.2022-0157梁俊欢，董峦，阿斯娅·曼力克，孙宗玖，魏鹏，马海燕，艾尼玩·艾买尔，阿仁，郑逢令.基于ResNet深度残差网络的白喉乌头检测.草业科学,2023,40(1):144-151.LIANGJH,DONGL,Asiya·Manlike,SUNZJ,WEIP,MAHY,Ainiwan·Aimaier,Aren,ZHENGFL.DetectionofAconitumleucostomumbasedonaResNetdeepresidualnetwork.PrataculturalScience,2023,40(1):144-151.基于ResNet深度残差网络的白喉乌头检测梁俊欢1，董峦2，阿斯娅·曼力克3,4，孙宗玖1，魏鹏3,4，马海燕3,4，艾尼玩·艾买尔3,4，阿仁3,4，郑逢令3,4（1.新疆农业大学草业学院,新疆乌鲁木齐830052；2.新疆农业大学计算机与信息工程学院,新疆乌鲁木齐830052；3.新疆畜牧科学院草业研究所,新疆乌鲁木齐830057；4.新疆畜牧科学院天山北坡草地生态环境野外定位观测研究站,新疆乌鲁木齐830057）摘要：在人类活动和气候变化的影响下，毒害草的蔓延威胁着生态安全和畜牧业的健康发展，白喉乌头(Aconitumleucostomum)是新疆伊犁地区危害最为严重的毒害草之一。为了实现天然草原异质背景下快速、精准、自动检测毒害草的目标，以白喉乌头为研究对象，利用无人机航拍正射影像构建白喉乌头数据集。基于Faster-RCNN和SSD算法，采用ResNet50和ResNet101两种深度的主干网络提取特征，对比不同方法的检测精度。结果表明：通过对比测试集的检测精度Faster-RCNN_ResNet50的mAP(平均精确度)值最高，达到64.74%，而SSD_ResNet50的mAP最低，仅为48.70%，Faster-RCNN_ResNet101的mAP值为63.37%，而SSD_ResNet101的为52.55%。本研究对从航拍正射影像中检测白喉乌头有借鉴意义和参考价值。关键词：毒害草；深度学习；卷积神经网络；无人机遥感；目标识别；Faster-RCNN；SSD文献标志码：A文章编号：1001-0629(2023)01-0144-08DetectionofAconitumleucostomumbasedonaResNetdeepresidualnetworkLIANGJunhuan1,DONGLuan2,Asiya·Manlike3,4,SUNZongjiu1,WEIPeng3,4,MAHaiyan3,4,Ainiwan·Aimaier3,4,Aren3,4,ZHENGFengling3,4(1.CollegeofGrasslandScience,XinjiangAgriculturalUniversity,Urumqi830052,Xinjiang,China;2.CollegeofComputerandInformationEngineering,XinjiangAgriculturalUniversity,Urumqi830052,Xinjiang,China;3.GrasslandResearchInstituteofXinjiangAcademyofAnimalScience,Urumqi830057,Xinjiang,China;4.XinjiangAcademyofAnimalScienceFieldOrientationObservat...
