杨国国，鲍一丹，刘子毅



基于图像显著性分析与卷积神经网络的茶园害虫定位与识别

杨国国，鲍一丹※，刘子毅

（浙江大学生物系统工程与食品科学学院，杭州 310058）

为实现在茶园环境中快速、准确地识别害虫目标，该文提出了一种基于卷积神经网络的深度学习模型来进行害虫定位和识别的方法。该文通过对整个图像进行颜色衰减加速运算，结合超像素区域之间的空间影响，计算各个超区域的显著性值，进而提供害虫目标的潜在区域，最终结合GrabCut算法进行害虫目标的定位和分割。对于分割后的害虫目标，通过优化后的卷积神经网络进行表达和分类，并进一步对卷积神经网络的结构进行了约减。通过对23种茶园主要害虫的识别，试验结果表明，识别准确率在优化前后分别为0.915和0.881，优化后的模型内存需求和运行耗时分别降低至6 MB和0.7 ms，取得了较好的识别效果。

像素；算法；识别；害虫检测；图像显著性分析；深度学习；卷积神经网络

0 引 言

茶树是中国重要的经济作物，如今国内的茶园面积达到了3 529.0万hm2，约占世界茶园面积的50%以上，遍及18个省。茶树在生长过程中，极易遭受多种害虫危害[1]。在现代生态化茶园建设中，害虫种群监测是农业虫害防控的重要环节之一。害虫的防治手段取决于害虫种群数量的多少[2]，更加精准、实时监测害虫种群将为虫害防治决策提供重要依据。目前，农业害虫的种类区分及相应的统计计数主要由人工完成，劳动强度大，工作效率低。……