Hiroaki Kuzuhara、Hironori Takimoto、Yasuhiro Sato 和 Akihiro Kanagawa 等研究人员在2020年9月23日至26日于泰国清迈举行的第59届日本仪器与控制工程师学会（SICE）年会上发表了一篇题为“基于深度学习的害虫检测与识别方法”的学术论文。该研究由冈山县立大学计算机科学与系统工程研究生院的Hiroaki Kuzuhara、冈山县立大学计算机科学与工程学院的Hironori Takimoto和Akihiro Kanagawa，以及日本科学技术振兴机构（JST）PRESTO/龙谷大学食品与农业研究所的Yasuhiro Sato共同完成。论文旨在通过深度学习技术实现农业害虫的自动检测与识别，从而支持智能农业的发展。
农业害虫对全球农业生产造成了严重的经济损失，因此，准确识别和监测害虫对于农业经济的稳定和食品安全至关重要。然而，传统的害虫识别方法依赖于农业专家的知识，且由于害虫种类繁多、形态相似，手动识别效率低下。近年来，计算机视觉领域的深度学习技术，特别是卷积神经网络（CNN, Convolutional Neural Network）在目标检测方面取得了显著进展。然而，现有的CNN方法在处理小目标（如害虫）时存在不足，且缺乏大规模的害虫数据集。因此，本研究提出了一种基于CNN的两阶段害虫检测与识别方法，旨在解决小目标检测的难题，并通过数据增强技术优化模型训练。
研究主要分为两个阶段：第一阶段使用YOLOv3（You Only Look Once version 3）作为区域建议网络（Region Proposal Network），初步检测图像中可能存在的害虫区域；第二阶段使用Xception模型对第一阶段检测到的区域进行重新识别，以区分害虫与背景。此外，研究还提出了一种基于图像处理的数据增强方法，用于训练YOLOv3和Xception模型。
YOLOv3是一种实时目标检测算法，能够从原始像素直接预测目标类别和位置。然而，YOLOv3在处理小目标时往往存在漏检或过检问题。为了解决这一问题，研究在第一阶段将YOLOv3的检测阈值设置为较低值，以提高小目标的检测率，尽管这可能导致过检。通过这种方式，YOLOv3能够生成大量潜在的害虫区域建议。
在第二阶段，研究使用Xception模型对YOLOv3生成的区域建议进行重新识别。Xception是一种基于深度可分离卷积（Depthwise Separable Convolution）的CNN模型，具有较高的计算效率和分类性能。研究将Xception模型的输出分为三类：Phyllotreta striolata（条纹跳甲）、Phyllotreta atra（黑跳甲）和背景。通过这种两阶段方法，研究能够有效抑制YOLOv3的过检现象，并提高害虫识别的准确性。
由于现有的害虫数据集规模较小，研究提出了一种基于图像处理的数据增强方法。该方法通过将分割后的害虫图像与自然背景图像结合，生成大量训练数据。具体步骤包括：从采集的害虫图像中提取害虫区域作为前景图像，从自然图像数据集中随机选择背景图像，并通过裁剪、翻转、缩放等操作对前景和背景图像进行处理。最后，将前景图像与背景图像结合，并通过添加高斯噪声、伽马变换和高斯模糊等操作进一步丰富数据。
研究通过实验验证了所提出方法的有效性。使用YOLOv3单独进行检测时，虽然检测到了1316个害虫区域，但其中78%为过检。通过引入Xception模型进行重新识别，研究成功抑制了大量背景区域的过检现象，并提高了害虫识别的准确性。具体而言，两阶段方法的精确率（Precision）从0.16提高到0.77，召回率（Recall）保持在0.34左右，F值（F-measure）从0.21显著提高到0.50。
本研究提出了一种基于深度学习的两阶段害虫检测与识别方法，能够有效处理小目标和过检问题。通过将YOLOv3作为区域建议网络，并结合Xception模型进行重新识别，研究在害虫检测和识别方面取得了显著进展。此外，研究提出的数据增强方法为训练深度学习模型提供了有效的数据支持。该方法在智能农业领域具有重要的应用价值，能够为害虫监测和防治提供技术支持。
研究还对比了传统方法与所提出方法的性能，进一步验证了两阶段方法的优越性。此外，研究详细讨论了YOLOv3和Xception模型的训练过程，包括数据准备、参数设置和优化策略，为相关研究提供了参考。