基于卷积神经网络下昆虫种类图像识别应用研究

昆虫种类图像识别是农业智能化识别虫害的重要方式,精准高效识别昆虫种类是进行针对性防治虫害的前提.利用昆虫数据集ArTaxOr及Insect_det,基于卷积神经网络下图像分类如MobileNet,ResNet及目标检测(FasterRCNN)、Yolo技术,运用迁移学习进行模型训练,并对比分析训练结果,获取最优昆虫种类图像识别模型.将构建的最优模型采用EasyEdge平台进行部署,从而实现了模型到端的全流程开发模式,为后续昆虫种类图像识别场景化应用研究提供依据参考.

图像识别技术在识别昆虫种类中的应用

建立了改进的适用于移动设备的实现端到端检测的以MobileNetV3为骨架的昆虫识别PPYOLO模型。通过棉铃虫、黏虫和稻纵卷叶螟图像的获取和数据的增强及标注,建立了insects-base数据集,分析了Faster-RCNN和PPYOLO模型在移动终端上的适用性。通过实验比较了3个预训练模型的识别精度,结果表明:在考虑移动端的适用性与精准度的前提下,基于insects-set自定义的预训练模型为最优PPYOLO模型,利用该模型识别3种农业害虫的mAP值达到0.8218。

大花黄牡丹濒危因素与保育策略

大花黄牡丹以植株高大、花朵硕大为显著特点,是极其珍贵的牡丹观赏、育种品种。大花黄牡丹种子在自然条件下萌发周期长、种群更新缓慢,加之人类对环境的破坏,导致幼苗严重不足,种群的维持依赖于老龄个体,加深了大花黄牡丹的濒危程度。基于此,分析大花黄牡丹这一濒危植物的濒危因素,提出了一些相应的大花黄牡丹保育策略及发展方向。