本文介绍了一项基于深度学习的储粮害虫检测与识别研究，由北京邮电大学自动化学院的Zhichao Shi、Hao Dang、Zhicai Liu和Xiaoguang Zhou等人完成，并于2020年9月4日发表在《IEEE Access》期刊上。该研究旨在解决储粮害虫自动检测与分类的难题，提出了一种改进的基于R-FCN（Region-based Fully Convolutional Networks）的神经网络架构，能够快速、准确地检测和识别八种常见的储粮害虫。

研究背景与动机

储粮害虫是粮食储存过程中造成损失的直接原因之一。传统的害虫检测方法（如近红外、声学方法和电导率检测）存在采样困难、速度慢、依赖人工等缺点，难以满足快速、准确的害虫检测需求。近年来，基于深度学习的图像识别方法在农业领域取得了显著进展，例如叶片病害识别和害虫分类。然而，储粮害虫的检测与识别仍然面临诸多挑战，尤其是在复杂背景下检测多个害虫时，存在害虫与粮食颗粒混淆、害虫相互遮挡等问题。

研究方法与流程

本研究提出了一种改进的R-FCN神经网络架构，结合了多尺度训练策略、全卷积网络（Fully Convolutional Network）和软非极大值抑制（Soft-NMS）算法，以提高检测精度和速度。

1. 数据集构建与预处理

研究团队构建了两个储粮害虫数据集：数据集1在实验室环境下采集，包含1716张分辨率为2592×1944的图像，平均每张图像包含14只害虫；数据集2模拟实际粮仓环境，包含784张图像，平均每张图像包含8只害虫。数据集经过精细标注，并采用数据增强技术（如水平镜像、高斯噪声、亮度调整、旋转和裁剪）扩展了训练集，最终生成了10296张图像，接近144000只害虫的图像数据。

2. 目标检测网络架构

改进的神经网络架构包括三个阶段：害虫特征提取、害虫区域搜索和害虫预测。具体步骤如下： - 特征提取：采用改进的DenseNet-121作为卷积神经网络（CNN）的骨干网络，通过深度可分离卷积（Depth Separable Convolution）技术减少参数和计算量。 - 区域建议网络（RPN）：RPN模块用于生成潜在害虫区域的候选框，并通过多任务损失函数（包括分类损失和边界框回归损失）进行训练。 - 位置敏感得分图（Position-Sensitive Score Map）：通过位置敏感得分图和位置敏感的ROI池化（Region of Interest Pooling）技术，解决了分类网络对位置不敏感的问题。 - 软非极大值抑制（Soft-NMS）：采用Soft-NMS算法优化重叠检测框的得分衰减，解决了害虫相互遮挡导致的漏检问题。

3. 模型优化

• 改进的DenseNet-121：通过将DenseNet-121的最后一层密集块中的3×3卷积替换为深度可分离卷积，减少了网络参数并提高了检测速度。
• 多尺度训练：在训练过程中随机选择三种输入图像尺度（800×640、1024×800和1280×1024），以提高模型对不同尺度图像的泛化能力。

实验结果与讨论

实验结果表明，改进的R-FCN+++模型在检测精度和速度上均优于现有的目标检测算法。具体结果如下： - 检测精度：在测试集上，改进模型的平均精度（mAP）达到了88.06%，比Faster R-CNN提高了约6.7%。 - 检测速度：单张图像的检测时间从Faster R-CNN的0.217秒降低到0.118秒。 - 实际环境验证：在实际粮仓环境中，模型对两种常见储粮害虫（米象和玉米象）的检测精度有所下降，但仍高于人工检测的效果。

研究结论与意义

本研究提出了一种基于改进R-FCN的储粮害虫检测网络，能够快速、准确地检测和识别多种储粮害虫。通过改进DenseNet-121、引入多尺度训练和Soft-NMS算法，显著提高了检测精度和速度。该研究为储粮害虫的自动化监测提供了有效的技术手段，具有重要的科学价值和应用前景。

研究亮点

1. 高精度检测：改进的R-FCN+++模型在复杂背景下实现了88.06%的平均检测精度，显著优于现有算法。
2. 快速检测：通过优化网络结构和引入深度可分离卷积，单张图像的检测时间降低到0.118秒。
3. 创新算法：首次将Soft-NMS算法应用于储粮害虫检测，有效解决了害虫相互遮挡导致的漏检问题。
4. 实际应用验证：模型在实际粮仓环境中的检测效果符合预期，为未来的实际应用奠定了基础。

未来研究方向

尽管本研究取得了显著成果，但仍存在一些局限性。例如，实际粮仓环境中的图像复杂度较高，模型检测精度有所下降。未来研究将进一步丰富数据集，优化算法，并探索在复杂光照、杂质等条件下的检测性能提升。