基于SSD的粮仓害虫检测研究

doi:10.3778/j.issn.1002-8331.1906-0350

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (11): 214-218.DOI: 10.3778/j.issn.1002-8331.1906-0350

基于SSD的粮仓害虫检测研究

邓壮来，汪盼，宋雪桦，王昌达，陈娟，吴立亚

1.江苏大学计算机科学与通信工程学院，江苏镇江 212013
2.江苏仅一联合智造有限公司，江苏丹阳 212300

出版日期:2020-06-01 发布日期:2020-06-01

Research on Granary Pest Detection Based on SSD

DENG Zhuanglai, WANG Pan, SONG Xuehua, WANG Changda, CHEN Juan, WU Liya

1.School of Computer Science and Communication Engineering, Jiangsu University, Zhenjiang, Jiangsu 212013, China
2.Joyea Co., Ltd., Danyang, Jiangsu 212300, China

Online:2020-06-01 Published:2020-06-01

摘要/Abstract

摘要：

为了对粮仓害虫进行有效地检测，减少粮食损失，提出一种基于SSD的粮仓害虫检测方法。该方法利用多个尺度的卷积特征图来检测害虫。通过轻量化模型结构和优化损失函数来提高SSD的训练速度和检测效率。实验将6类高爆发的粮仓害虫图像进行训练和测试，结果表明：该方法相比较于当前主流的目标检测方法在对粮仓害虫检测中具有更高的mAP。

关键词: 粮仓害虫, 粮食损失, 目标检测, SSD, mAP

Abstract:

In order to effectively detect the pests in granary and reduce the loss of grain, this paper presents a method of pest detection for grain silos based on SSD. Multiple convolution feature maps are used to detect pests in this method. The training speed and detection efficiency of SSD are improved by lightweight model structure and loss function optimization. In this experiment, 6 kinds of high-outbreak granary pest images are trained and tested, and the results show that this method has a higher mAP in the detection of granary pests compared with the current mainstream object detection method.

Key words: granary pest, loss of grain, object detection, Single Shot MultiBox Detector（SSD）, mAP

邓壮来，汪盼，宋雪桦，王昌达，陈娟，吴立亚. 基于SSD的粮仓害虫检测研究[J]. 计算机工程与应用, 2020, 56(11): 214-218.

DENG Zhuanglai, WANG Pan, SONG Xuehua, WANG Changda, CHEN Juan, WU Liya. Research on Granary Pest Detection Based on SSD[J]. Computer Engineering and Applications, 2020, 56(11): 214-218.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[3]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[4]	王博，宋丹，王洪玉. 无人机自主巡检系统的关键技术研究[J]. 计算机工程与应用, 2021, 57(9): 255-263.
[5]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[6]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[7]	董旭彬，赵清华. 改进Mask R-CNN在航空影像目标检测的研究应用[J]. 计算机工程与应用, 2021, 57(8): 133-144.
[8]	徐少杰，曹雏清，王永娟. 视觉SLAM在室内动态场景中的应用研究[J]. 计算机工程与应用, 2021, 57(8): 175-179.
[9]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[10]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[11]	董鹏，周烽，赵悰悰，王亚飞，米泽田，付先平. 基于双目视觉的水下海参尺寸自动测量方法[J]. 计算机工程与应用, 2021, 57(8): 271-278.
[12]	刘紫燕，袁磊，朱明成，马珊珊，陈霖周廷. 融合SPP和改进FPN的YOLOv3交通标志检测[J]. 计算机工程与应用, 2021, 57(7): 164-170.
[13]	马巧梅，王明俊，梁昊然. 复杂场景下基于改进YOLOv3的车牌定位检测算法[J]. 计算机工程与应用, 2021, 57(7): 198-208.
[14]	侯旋，薛飞，陈涛. 无人机目标检测量子多模式识别优化算法[J]. 计算机工程与应用, 2021, 57(7): 228-236.
[15]	沈新烽，姜平，周根荣. 改进SSD算法在零部件检测中的应用研究[J]. 计算机工程与应用, 2021, 57(7): 257-262.

基于SSD的粮仓害虫检测研究

Research on Granary Pest Detection Based on SSD

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics