基于卷积神经网络的油茶害虫生态识别_梁秀豪.pdf

基于卷积神经网络的油茶害虫生态识别DOI:10.19692/j.issn.1006-1126.20230313摘要：害虫是影响油茶（Camellia spp.）产量的主要因素之一，对其进行准确识别有助于及时防控，减少损失。目前，油茶害虫识别研究缺少相关的数据集，限制了深度学习技术在油茶害虫识别中的应用。为给在生态环境下准确识别油茶害虫提供1种新范式，构建包含1 116张7类害虫的油茶害虫识别图像数据集，采用4种目标检测算法（SSD、YOLOv3、YOLOX和 RetinaNet）在该数据集上进行试验。结果表明，IOU 阈值为 0.5 时，SSD 的平均精度为 93.50%，YOLOX 为 93.50%，RetinaNet为86.80%，YOLOv3为96.60%；SSD的平均召回率为73.20%，YOLOX为75.10%，RetinaNet为78.00%，YOLOv3为76.80%。综合分析，YOLOv3的检测和分类能力最优。关键词：害虫识别；目标检测算法；油茶中图分类号：S794.4文献标识码：A收稿日期：2023-03-16基金项目：广西林业科技推广示范项目（桂林科研2022第17号）；中国东盟（华为）人工智能创新中心补贴项目（桂数发202220-1-14）第一作者：梁秀豪（1997），男，硕士，主要从事林业人工智能研究。通信作者：韦维（1982），男，正高级工程师，主要从事林业信息化研究；王国全（1974），男，教授，主要从事昆虫分类研究。梁秀豪1，杨丽萍1，廖旺姣1，黄丽芸1，陈健武1，阳文林1，蒙芳1，黄超航2，韦维1，王国全3（1.广西壮族自治区林业科学研究院广西特色经济林培育与利用重点实验室广西林业有害生物天敌繁育工程技术研究中心，广西南宁530002；2.浙江师范大学，浙江金华321004；3.广西大学农学院，广西南宁530004）Ecological Identification of Camellia spp.Pests Based onConvolutional Neural NetworksLiang Xiuhao1,Yang Liping1,Liao Wangjiao1,Huang Liyun1,Chen Jianwu1,Yang Wenlin1,Meng Fang1,Huang Chaohang2,Wei Wei1,Wang Guoquan3(1.Guangxi Forestry Research Institute,Guangxi Key Laboratory of Special Non-wood Forests Cultivation and Utilization,GuangxiForest Pests Natural Enemies Breeding Research Center of Engineering Technology,Nanning,Guangxi 530002,China;2.ZhejiangNormal University,Jinhua,Zhejiang 321004,China;3.College of Agriculture,Guangxi University,Nanning,Guangxi 530004,China)Abstract:Pests are one of the most significant factors affecting yields of Camellia spp.,and accurate identification of pests is helpful to control timely and reduce losses.However,relevant datasets were lacked in identification researches of Camellia spp.pests,which limited application of deep learning technology.To provide a newmodel for accurate identification of Camellia spp.pests in ecological environment,a Camellia spp.pests recognition dataset was constructed,which contained 1 116 images of 7 classes of pests.Object detection algorithmsSSD,YOLOv3,YOLOX and RetinaNet were experimented based on the dataset.Results showed that when IOUthreshold was 0.5,average accuracy of SSD was 93.50%,YOLOX was 93.50%,RetinaNet was 86.80%,and YOLOv3 was 96.60%;average recall of SSD was 73.20%,YOLOX was 75.10%,RetinaNet was 78.00%,and YOLOv3 was 76.80%.YOLOv3 had the best abilities of detection and classification by comprehensive analysis.Key words:identification of pests;object detection algorithm;Camellia spp.第52卷第3期2023年 6 月广西林业科学Guangxi Forestry ScienceVol.52No.3Jun.2023广西林业科学第 52 卷油茶（Camellia spp.）是我国南方重要的木本食用油料植物，1次种植多年受益，具有良好的经济、生态和社会效益。近年来，随着油茶种植面积增加，有害生物灾害频发，油茶果质量和产量受到一定程度影响。传统油茶有害生物辨识主要依赖人工识别，由于熟悉油茶病虫害的森保专家和技术人员缺口较大，常因未能及时准确判断病虫害种类并采取相应防治措施造成损失，油茶害虫快速识别成为油茶生产的迫切需求1-2。及时准确识别害虫是林木有害生物种群动态监测和科学防控的关键3-4。随着计算机技术飞速发展，研究人员尝试通过图像处理、模式识别和机器学习等方法自动识别病虫害。管泽鑫等5采用贝叶斯判别法和图像处理技术对水稻（Oryza sativa）稻瘟病、纹枯病和白叶枯病 3 种病害进行识别。马超等6将方向梯度直方图特征与支持向量机方法结合，提出1种水稻病害检测方法，对5种水稻病害进行识别。李冠林等7结合传统图像处理方法、K-means聚类算法和支持向量机方法，提出1种小麦（Triticum aestivum）叶锈病和条锈病图像分类方法。李震等8结合图像处理方法 Sobel边缘检测算子和 K-means 聚类算法，对红蜘蛛（Tetranychuscinnbarinus）进行识别。朱莉等9引入GrabCut算法，设计1种基于颜色特征的害虫视觉识别方法，对菜蝽（Eurydema dominulus）、菜青虫（Pieris rapae）、猿叶甲、跳甲及蚜虫种油菜（Brassica napus）害虫进行识别。随 着 图 形 处 理 器（Graphics processing unit，GPU）的快速发展和卷积神经网络的兴起，卷积神经网络在图像分类与识别中取得了一定突破。卷积神经网络 AlexNet10和 GoogLeNet11在 ILSVRC 图像分类比赛中将分类错误率分别降低至 16.4%和6.67%。基于卷积神经网络的图像识别技术迎来了飞跃式发展，国内外学者开展了基于卷积网络的农林害虫图像识别应用研究。石新丽等12结合图像处理技术、模式识别和目标检测算法YOLO对5类玉米（Zea mays）害虫进行识别，其识别和分类效果均较好。类成敏等13提出1种多尺度注意力残差网络对4种桃（Prunus persica）树害虫进行识别，该方法识别准确率为93.27%。刘裕等14设计了1种基于多尺度双路注意力胶囊网络的水稻害虫识别方法，在数据集 IP102 上进行验证，识别准确率达到 95.31%。彭红星等15设计了1种农作物害虫识别模型，在自建害虫数据集上进行试验，其识别率为79.49%。董伟等16构建了蔬菜害虫分类识别数据集和检测计数数据集，设计基于深度卷积神经网络的识别模型和检测计数模型，平均识别率为94.50%，均值平均精度为 76.60%。王洪磊17采用目标检测算法 YOLOv5s识别15种林业害虫及其不同的生理状态，准确率较高。目前，害虫识别研究主要集中在水稻、蔬菜、玉米和竹子等作物上，油茶害虫识别和检测的研究相对滞后。谢林波等18引入图像处理方法和机器学习方法，基于BoW模型进行油茶害虫图像识别，并对油茶害虫进行分类，其数据集的种类仅有尺蠖、叶蜂和毒蛾 3种。油茶害虫识别研究缺少多种类和数量的害虫数据集。本研究构建1个包含7类害虫的油茶害虫识别数据集，使用目标检测算法SSD、YOLOv3、YOLOX和RetinaNet对油茶害虫进行识别，以期获得1种生态环境下准确识别油茶害虫的新范式。1材料与方法1.1数据集本研究的数据于正常光照下在广西壮族自治区内各油茶产区采集，由森保专家进行分类。所有图像均采用单反相机与微距镜头组合（佳能5Dmark系列+EF 100mm f2.8L IS、奥林巴斯E-M5 MarkII+ED 60mm F2.8 Macro等）或手机微距在野外拍摄，该数据集为野外生态数据集。数据集包括7类油茶害虫图像，分别为丽盾蝽（Chrysocoris grandis）、油茶宽盾蝽（Poecilocoris latus）、白蛾蜡蝉（Lawana imitata）、眼纹疏广蜡蝉（Euricania ocellus）、碧蛾蜡蝉（Geishadistinctissima）、褐缘蛾蜡蝉（Salurnis marginella）和黑尾大叶蝉（Bothrogonia ferruginea），每类油茶害虫的图像数量分别为 105、157、129、270、186、169 和100张，共计1 116张。数据集的图像包含1类1个害虫、1 类多个害虫或多类多个害虫。使用 LabelImg进行标注，数据保存为PASCAL VOC格式。进行害虫目标识别时，将图像分为丽盾蝽、油茶宽盾蝽、白蛾蜡蝉、眼纹疏广蜡蝉、碧蛾蜡蝉、褐缘蛾蜡蝉、黑尾大叶蝉及背景8类进行标签制作；除害虫目标外，图像的其他部分自动标注为背景。按7 3的比例随机划分训练集和测试集。各类油茶害虫训练集和测试集包含的图像数量见表1；油茶害虫图像如图1所示。1.2方法采用目标检测算法SSD19、YOLOv320、YOLOX21和RetinaNet22在构建的油茶害虫数据集上进行验证，这些目标检测算法均为基于深度学习的回归方法，均属于一阶段目标检测。SSD的核心设计理念为采用多尺度特征图用于检测，采用卷积提取检测362第 3 期梁秀豪，杨丽萍，廖旺姣，等：基于卷积神经网络的油茶害虫生态识别结果（YOLO采用全连接层提取检测结果）；SSD借鉴Faster R-CNN中锚（Anchor）的理念，每个单元设置尺度或长宽比不同的先验框，预测的边界框以这些先验框为基准，可一定程度上减少训练难度。本研究采用ResNet34作为SSD的主干网络，损失函数为位置误差和置信度误差的加权和。YOLOv3注重整体网络核心架构的提升，主干网络从 YOLOv223的 DarkNet-19 上升至 DarkNet-53，其网络特征提取能力提高，分类能力增强；利用FPN，采用多尺度特征图对不同大小的目标进行检测；采用多标签的方式代替 YOLO 和 YOLOv2 的Softmax单标签方式，损失函数为位置误差、置信度误差和分类