基于深度学习的稻飞虱检测算法和装置系统的研制

为解决稻飞虱体积小、田间调查劳动密集且准确性不足的问题,开发了基于Faster R-CNN with Neighborhood Attention Transformer(FNAT)的稻飞虱检测算法,并建立了相应的田间采集装置与识别计数系统,用于提升调查效率。利用自研装置采集稻飞虱图像构建数据集,包含7种不同类别。开发FNAT算法模型,融合NAT和FPN模块,对模型性能进行评估,并建立系统展示识别结果。FNAT算法在所有类别上平均精确率超80%,特定类别超90%,mAP达87.2%,较Baseline模型显著提升。此外,试验自研的调查采集装置采集稻飞虱图片后,系统会自动上传并利用云服务器端的FNAT算法进行快速识别和计数,最后将识别结果发送至客户端。FNAT算法和装置系统能准确检测识别稻飞虱,减轻植保人员工作负担,降低专业门槛,提升数据准确性和一致性。