文献类型：期刊文章

作　　者：曾伟辉[1,2,3] 唐欣[1] 胡根生[1] 梁栋[1]

ZENG Weihui;TANG Xin;HU Gensheng;LIANG Dong(National Engineering Research Center for Agro-Ecological Big Data Analysis&Application,Anhui University,Hefei 230601,China;School of Internet,Anhui University,Hefei 230039,China;Guochuang Software Co.,Ltd.,University of Science and Technology of China,Hefei 230088,China)

机构地区：[1]安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心,合肥230601 [2]安徽大学互联网学院,合肥230039 [3]科大国创软件股份有限公司,合肥230088

出　　处：《中国农业大学学报》

基　　金：安徽省自然科学基金面上项目(2108085MC95);安徽省科技重大专项(202003a06020016);安徽省高校自然科学研究项目(KJ2020ZD03,KJ2020A0039);农业生态大数据分析与应用技术国家地方联合工程研究中心开放课题(AE202004)。

年　　份：2022

卷　　号：27

期　　号：3

起止页码：63-74

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法。采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和通道注意机制相结合的卷积块注意模块(Convolutional block attention module,CBAM)引入到胶囊网络中,提高模型对水稻害虫特征的表达能力,使模型关注重要特征,抑制不必要的特征。其中胶囊网络主要用来更加敏锐地发现小样本图像中水稻害虫的相对位置和角度等信息。结果表明:在对复杂背景下小样本水稻害虫的识别时,本研究方法准确识别率达99.19%,优于支持向量机(Support vector machine,SVM)、k近邻(k-nearest neighbors,kNN)等浅层网络方法,也优于VGG16、GoogLeNet以及Mobilenet等深度网络方法,可实现复杂背景下的小样本水稻害虫的准确识别。

关 键 词：水稻害虫 害虫识别 卷积神经网络  胶囊网络  注意力机制  

分 类 号：S435.112] TP391.4]