基于YOLO-V5l与ResNet50的农田害虫检测

摘要

目前,我国农田受虫害影响日渐严重,虫情分析可以针对不同区域的农田虫情状况,制定不同的治理农田害虫方案。传统的虫情分析靠人工收集与统计,耗时耗力,随着深度学习技术在计算机视觉领域的发展,本文提出结合YOLO-V5l目标检测与ResNet50神经网络搭建农田害虫检测模型。昆虫在图像数据中呈现时具有体态多样、鳞片缺失、肢体脱落等特点,对目标检测与分类的影响较大,因此本文将28种害虫按照体态,颜色等进行粗分类为A~G七种后,利用YOLO-V5l模型对其进行检测与计数,再将检测结果代入ResNet50识别模型中确定其种类。这种方法极大降低了农田害虫检测的误检率。并且,本文提出一种预测增强算法,对待检测害虫图像进行增强后,分别带入识别模型中,对识别的结果取其加权平均,得到最终结果。单一的YOLO-V5l模型的mAP.5:.95为71.4%,平均精确率80.91%,漏检率5.39%。本文提出的虫情检测模型其平均精确率为89.56%,提升了对农田害虫的识别准确率。该模型将改善原始人工统计的缺点,推进我国智慧农业的发展。