昆虫学报

作者：邱荣洲,赵健,何玉仙,陈韶萍,黄美玲,池美香,梁勇,翁启勇

单位：1. 福建省农业科学院植物保护研究所, 福建省作物有害生物监测与治理重点实验室, 福州 350013;2. 福建省农业科学院数字农业研究所, 福州 350003; 3. 漳州市长泰区植保站, 福建漳州 363900

关键词：草地贪夜蛾,机器视觉,深度学习,YOLO算法,种群监测,图像识别,自动计数

【目的】探究深度学习在草地贪夜蛾Spodoptera frugiperda成虫自动识别计数上的可行性，并评估模型的识别计数准确率，为害虫机器智能监测提供图像识别与计数方法。【方法】设计一种基于性诱的害虫图像监测装置，定时自动采集诱捕到的草地贪夜蛾成虫图像，结合采集船形诱捕器粘虫板上草地贪夜蛾成虫图像，构建数据集；应用YOLOv5深度学习目标检测模型进行特征学习，通过草地贪夜蛾原始图像、清除边缘残缺目标、增加相似检测目标(斜纹夜蛾成虫)、无检测目标负样本等不同处理的数据集进行模型训练，得到Yolov5s-A1, Yolov5s-A2, Yolov5s-AB, Yolov5s-ABC 4个模型，对比在不同遮挡程度梯度下的测试样本不同模型检测结果，用准确率(P)、召回率(R)、F1值、平均准确率(average precision, AP)和计数准确率(counting accuracy, CA)评估各模型的差异。【结果】通过原始图像集训练的模型Yolov5s-A1的识别准确率为87.37%，召回率为90.24%，F1值为88.78；清除边缘残缺目标图像集训练得到的模型Yolov5s-A2的识别准确率为93.15%，召回率为84.77%，F1值为88.76；增加斜纹夜蛾成虫样本图像训练的模型Yolov5s-AB的识别准确率为96.23%，召回率为91.85%，F1值为93.99；增加斜纹夜蛾成虫和无检测对象负样本训练的模型Yolov5s-ABC的识别准确率为94.76%，召回率为88.23%，F1值为91.38。4个模型的AP值从高到低排列如下：Yolov5s-AB>Yolov5s-ABC> Yolov5s-A2>Yolov5s-A1，其中Yolov5s-AB与Yolov5s-ABC结果相近；CA值从高到低排列如下：Yolov5s-AB>Yolov5s-ABC>Yolov5s-A2>Yolov5s-A1。【结论】结果表明本文提出的方法应用于控制条件下害虫图像监测设备及诱捕器粘虫板上草地贪夜蛾成虫的识别计数是可行的，深度学习技术对于草地贪夜蛾成虫的识别和计数是有效的。基于深度学习的草地贪夜蛾成虫自动识别与计数方法对虫体姿态变化、杂物干扰等有较好的鲁棒性，可从各种虫体姿态及破损虫体中自动统计出草地贪夜蛾成虫的数量，在害虫种群监测中具有广阔的应用前景。

来源：2021年第12期

《昆虫学报》期刊编辑部

查看昆虫学报杂志2021年第12期