第十届挑战赛A1-基于深度学习的农田害虫定位与识别研究

核心观点

农作物病虫害识别面临着数据集长尾效应和小目标识别困难的问题。本研报针对这一问题，提出了一种基于深度学习的农田害虫图像识别方法，并取得了显著的识别效果。

关键数据

• 原数据集中包含3015张图片，其中576张含有害虫目标，1019个目标被标注。
• 数据集存在明显的长尾效应，部分害虫种类样本数量不足5个。
• 害虫目标之间存在多尺度变化问题，类间和类内目标面积差异较大。
• 通过数据增强，将1019个目标扩充至4401个目标，并按7:1的比例划分训练集和测试集。

研究方法

1. 数据预处理:
   • 针对长尾效应，采用离线数据增强方法，包括常规数据增强、Copy and Paste以及目标与背景融合操作。
   • 针对多尺度问题，采用多尺度训练和测试策略。
2. 模型选择:
   • 采用两阶段目标检测算法Cascade Mask RCNN和Swin-S Cascade Mask RCNN作为基本框架。
   • Swin-Transformer模型作为特征提取网络，其性能优于经典的CNN架构。
3. 模型改进:
   • 使用K-means聚类确定锚框长宽比，以适应数据集中目标检测框的不同宽高比。
   • 使用Smooth L1损失函数和Soft NMS，提升模型对小目标的识别效果。
4. 模型融合:
   • 对两个模型不同epoch的权重进行SWA（随机权重平均）。
   • 将SWA后的Resnet50 Cascade Mask RCNN训练模型和Swin-S Cascade Mask RCNN 训练模型进行多模型融合，并对检测结果进行NMS处理。

研究结论

• 相比于Faster RCNN、Mask RCNN和Cascade Mask RCNN，Swin-S Cascade Mask RCNN模型在mAP指标上表现更优。
• 结合SWA和NMS的多模型融合策略，能够进一步提升模型的识别性能，mAP指标达到0.876。
• 本方法能够有效识别农田害虫，为农作物病虫害的处理提供了一种新的思路。