华中农业大学吴鹏飞副教授等：基于改进Mask-RCNN算法的作物害虫分类识别

阅读文章原文：http://www.tcsae.org/article/doi/10.11975/j.issn.1002-6819.202309191

《农业工程学报》2024年第40卷第7期刊载了华中农业大学等单位张佳敏、闫科、王一非、刘杰、曾娟、吴鹏飞与黄求应的论文——“基于改进Mask-RCNN算法的作物害虫分类识别”。该研究由国家重点研发计划项目（项目号：2022YFD1400400）等资助。

引文信息：张佳敏，闫科，王一非，等. 基于改进Mask-RCNN算法的作物害虫分类识别[J]. 农业工程学报，2024，40(7)：202-209.

DOI: 10.11975/j.issn.1002-6819.202309191

智能虫情测报灯对农业生产中及时察觉虫害、虫灾问题有重大作用，准确的害虫分类识别为虫情测报提供可靠数据支撑的关键。该研究对智能虫情测报灯所需核心识别算法进行改进，针对分类目标多尺度、存在多种相似非目标害虫干扰、易产生目标粘连等问题，提出一种基于改进Mask-RCNN(mask region-based convolutional neural network)模型的害虫图像智能识别模型。

该模型使用DeAnchor算法改进Mask-RCNN的锚框引导机制，使用NDCC(novelty detection consistent classifiers)训练分类器进行联合分类和检测，改善非目标杂虫的误识别问题。改进后模型对无杂虫、不同虫体密度图像的识别准确率最高达到96.1%，最密集时可达90.6%，在仅有非目标的图片识别中，误检率降至9%，非目标与目标共存且密度为40虫/图的误检率降至15%。

试验表明，该文所提模型在现有分类模型的基础上，增强了对密集区域的检测能力，改善了非目标误识别问题，在实际检测环境下的害虫分类识别精度更高，可为虫害防治工作提供数据参考。