基于改进Faster RCNN的节肢动物目标检测方法

doi:10.11772/j.issn.1001-9081.2021101838

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (1): 88-97.DOI: 10.11772/j.issn.1001-9081.2021101838

基于改进Faster RCNN的节肢动物目标检测方法

郭子豪, 董乐乐, 曲志坚

山东理工大学计算机科学与技术学院，山东淄博 255000

收稿日期:2021-10-28 修回日期:2022-01-06 发布日期:2022-03-04
作者简介:郭子豪（1997—），男，山东临沂人，硕士研究生，CCF会员，主要研究方向：机器学习、计算机视觉；董乐乐（1998—），女，山东聊城人，硕士研究生，主要研究方向：机器学习、过程挖掘；曲志坚（1980—），男，山东青岛人，副教授，博士，CCF会员，主要研究方向：机器学习、进化算法。 email：zhijianqu@sdut.edu.cn；
基金资助:
山东省高等学校青年创新团队发展计划项目（2019KJN048）。

Arthropod object detection method based on improved Faster RCNN

GUO Zihao, DONG Lele, QU Zhijian

School of Computer Science and Technology， Shandong University of Technology， Zibo Shandong 255000， China

Received:2021-10-28 Revised:2022-01-06 Online:2022-03-04
Contact: QU Zhijian， born in 1980， Ph. D.， associate professor. His research interests include machine learning， evolutionary algorithm.
About author:GUO Zihao， born in 1997， M. S. candidate. His research interests include machine learning， computer vision；DONG Lele， born in 1998， M. S. candidate. Her research interests include machine learning， process mining；
Supported by:
This work is partially supported by Outstanding Youth Innovation Teams in Higher Education of Shandong Province （2019KJN048）.

摘要/Abstract

摘要： 自然生态环境下的节肢动物目标检测存在目标背景复杂、尺度差异大以及目标密集等特点，导致目标检测精度和准确率不高。为此，提出一种基于改进Faster RCNN模型的节肢动物目标检测方法AROD RCNN。首先，设计一种有监督的并行空间与通道注意力（SPSCAT）机制，以提高复杂背景环境下节肢动物目标检测的准确率；然后，引入第二代可变形卷积重塑ResNet50中C1~C5块卷积层，并使用特征金字塔网络（FPN）对ResNet50中C2~C6块进行特征融合以解决目标尺度差异较大影响检测精度的问题；最后，通过密集局部回归（DLR）方法对回归阶段进行改进，从而提高模型回归的准确性。实验结果表明，该方法在ArTaxOr数据集上的各类别平均精度（mAP）达到了0.717，较原始Faster RCNN模型提高了0.453，而召回率达到了0.787。可见该方法能够有效解决目标遮挡和复杂背景等问题，在节肢动物密集目标与小目标检测中表现良好。

关键词: 目标检测, 注意力机制, 可变形卷积, 特征金字塔网络, 密集局部回归, 节肢动物

Abstract: Arthropod object detection in natural environment has characteristics of complex object background， large scale difference， and dense objects，resulting in poor object detection accuracy and precision. Therefore， an arthropod object detection method was proposed based on the improved Faster RCNN model， namely AROD RCNN （ARthropod Object Detection RCNN）. Firstly， a Supervised Parallel mechanism with Spatial and Channel ATtention modules （SPSCAT） was designed to improve the accuracy of arthropod object detection in the environment with complex background. Then， the second-generation deformable convolution was introduced to reconstruct the convolutional layer with C1~C5 blocks in ResNet50， and the Feature Pyramid Network （FPN） was adopted to perform feature fusion on the C2~C6 blocks in ResNet50 to solve the problem that large difference in object scale affected detection accuracy. Finally， the Dense Local Regression （DLR） method was used to improve the regression stage， thereby improving the accuracy of the model regression. Experimental results show that on ArTaxOr （Arthropod Taxonomy Orders Object Detection） dataset， the proposed method has the mean Average Precision （mAP） of 0.717， which is 0.453 higher than that of the original model， and has the recall reached 0.787. It can be seen that the proposed method can effectively solve the problems of object occlusion and complex background， and performs well in the detection of dense arthropod objects and small arthropod objects.

Key words: object detection, attention mechanism, deformable convolution, Feature Pyramid Network (FPN), Dense Local Regression (DLR), arthropod

中图分类号:

TP391.4

郭子豪, 董乐乐, 曲志坚. 基于改进Faster RCNN的节肢动物目标检测方法[J]. 计算机应用, 2023, 43(1): 88-97.

GUO Zihao, DONG Lele, QU Zhijian. Arthropod object detection method based on improved Faster RCNN[J]. Journal of Computer Applications, 2023, 43(1): 88-97.

参考文献

1 MYERS A L， MARSHALL J M. Influence of forest fragment composition and structure on ground-dwelling arthropod communities［J］. The American Midland Naturalist， 2021， 186（1）： 76-94. 10.1674/0003-0031-186.1.76
2 NANSEN C， MURDOCK M， PURINGTON R， et al. Early infestations by arthropod pests induce unique changes in plant compositional traits and leaf reflectance［J］. Pest Management Science， 2021， 77（11）：5158-5169. 10.1002/ps.6556
3 王京，金屿淞，黄勇杰，等.采伐胁迫对大兴安岭针阔混交林地表节肢动物群落的长期影响［J］. 林业科学， 2020， 56（12）：177-186. 10.11707/j.1001-7488.20201220 WANG J， JIN Y S， HUANG Y J， et al. Long-term effects of cutting on ground-dwelling arthropod community in coniferous and broadleaf mixed forests in the Daxing'anling Mountains［J］. Scientia Silvae Sinicae， 2020， 56（12）：177-186. 10.11707/j.1001-7488.20201220
4 MALAISE R. A new insect-trap［J］. Entomological Tidskrift， 1937， 58：148-160.
5 綦立正，吴家荣，浦奉华，等. 介绍一种用弥雾机改装的昆虫吸捕器［J］. 昆虫知识， 1993（3）：184-185. QI L Z， WU J R， PU F H， et al. Introduce a kind of insect suction trap refitted with mist sprayer［J］. Entomological Knowledge， 1993（3）：184-185.
6 冯兰萍，张夕林，张建明，等. 褐飞虱的主要捕食性天敌及农药对天敌的影响［J］. 昆虫天敌， 1999（2）：55-60. FENG L P， ZHANG X L， ZHANG J M， et al. Studies on main natural enemies of the rice brown planthopper and effect of pesticide on natural enemies［J］. Natural Enemies of Insects， 1999（2）：55-60.
7 周强，张古忍，张文庆，等. 不同抗性品系稻田捕食性节肢动物群落的结构和动态［J］. 生态学报， 1999， 19（5）：140-143. 10.3321/j.issn:1000-0933.1999.05.024 ZHOU Q， ZHANG G R， ZHANG W Q， et at. The structure and dynamics of the predatory arthropod communities in different resistant variety rice fields［J］. Acta Ecologica Sinica， 1999， 19（5）：140-143. 10.3321/j.issn:1000-0933.1999.05.024
8 谢娟英，侯琦，史颖欢，等. 蝴蝶种类自动识别研究［J］. 计算机研究与发展， 2018， 55（8）：1609-1618. XIE J Y， HOU Q， SHI Y H， et al. The automatic identification of butterfly species［J］. Journal of Computer Research and Development， 2018， 55（8）：1609-1618.
9 ZHU L Q， MA M Y， ZHANG Z， et al. Hybrid deep learning for automated lepidopteran insect image classification［J］. Oriental Insects， 2017， 51（2）： 79-91. 10.1080/00305316.2016.1252805
10 PANG H W， YANG P P， CHEN X L， et al. Insect recognition under natural scenes using R-FCN with anchor boxes estimation［C］// Proceedings of the 2019 International Conference on Image and Graphics， LNCS 11901. Cham： Springer， 2019： 689-701. 10.1007/978-3-030-34120-6_56
11 李策，张栋，杜少毅，等. 一种迁移学习和可变形卷积深度学习的蝴蝶检测算法［J］. 自动化学报， 2019， 45（9）：1772-1782. 10.16383/j.aas.c190104 LI C， ZHANG D， DU S Y， et al. A butterfly detection algorithm based on transfer learning and deformable convolution deep learning［J］. Acta Automatica Sinica， 2019， 45（9）：1772-1782. 10.16383/j.aas.c190104
12 ZHANG X R， CHEN G. An automatic insect recognition algorithm in complex background based on convolution neural network［J］. Traitement du Signal， 2020， 37（5）：793-798. 10.18280/ts.370511
13 袁哲明，袁鸿杰，言雨璇，等.基于深度学习的轻量化田间昆虫识别及分类模型［J］. 吉林大学学报（工学版）， 2021， 51（3）：1131-1139. YUAN Z M， YUAN H J， YAN Y X， et al. Automatic recognition and classification of field insects based on lightweight deep learning model［J］. Journal of Jilin University （Engineering and Technology Edition）， 2021，51（3）：1131-1139.
14 TESEMA S N， BOURENNANE E B. Towards general purpose object detection： deep dense grid based object detection［C］// Proceedings of the 14th International Conference on Innovations in Information Technology. Piscataway： IEEE， 2020： 227-232. 10.1109/iit50501.2020.9299036
15 崔艳鹏，王元皓，胡建伟. 一种改进YOLOv3的动态小目标检测方法［J］. 西安电子科技大学学报， 2020， 47（3）：1-7. 10.19665/j.issn1001-2400.2020.03.001 CUI Y P， WANG Y H， HU J W. Detection method for a dynamic small target using the improved YOLOv3［J］. Journal of Xidian University， 2020， 47（3）：1-7. 10.19665/j.issn1001-2400.2020.03.001
16 ZHANG Y C， WANG M Y， LI Z L. An efficient object detection framework with modified dense connections for small objects optimizations［C］// Proceedings of the 17th ACM International Conference on Computing Frontiers. New York： ACM， 2020： 174-181. 10.1145/3387902.3392620
17 REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015， 28： 91-99.
18 DAI J F， QI H Z， XIONG Y W， et al. Deformable convolutional networks［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 764-773. 10.1109/iccv.2017.89
19 LIN T Y， DOLLáR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944. 10.1109/cvpr.2017.106
20 CAO J L， CHOLAKKAL H， ANWER R M， et al. D2Det： towards high quality object detection and instance segmentation［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 11482-11491. 10.1109/cvpr42600.2020.01150
21 JADERBERG M， SIMONYAN K， ZISSERMAN A， et al. Spatial transformer networks［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015： 2017-2025. 10.1007/s11263-015-0823-z
22 ZHU X Z， HU H， LIN S， et al. Deformable ConvNets v2： more deformable， better results［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 9300-9308. 10.1109/cvpr.2019.00953
23 HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141. 10.1109/cvpr.2018.00745
24 ZHANG X S， WAN F， LIU C， et al. FreeAnchor： learning to match anchors for visual object detection［C/OL］// Proceedings of the 33rd Conference on Neural Information Processing Systems. ［2022-01-05］.https：//proceedings.neurips.cc/paper/2019/file/43ec517d68b6edd3015b3edc9a11367b-Paper.pdf. 10.1109/tpami.2021.3050494
25 KONG T， SUN F C， LIU H P， et al. FoveaBox： beyound anchor-based object detection［J］. IEEE Transactions on Image Processing， 2020， 29： 7389-7398. 10.1109/tip.2020.3002345
26 LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2999-3007. 10.1109/iccv.2017.324
27 BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection［EB/OL］. （2020-04-23）［2022-01-05］.https：//arxiv.org/pdf/2004.10934.pdf.
28 WU Y， CHEN Y P， YUAN L， et al. Rethinking classification and localization for object detection［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 10183-10192. 10.1109/cvpr42600.2020.01020
29 LU X， LI B Y， YUE Y X， et al. Grid R-CNN ［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 7355-7364. 10.1109/cvpr.2019.00754

[1]	王静红, 周志霞, 王辉, 李昊康. 双路自编码器的属性网络表示学习[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2338-2344.
[2]	刘源, 董永权, 贾瑞, 杨昊霖. 面向个性化课程推荐的分层分期注意力网络模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2358-2363.
[3]	崔雨萌, 王靖亚, 刘晓文, 闫尚义, 陶知众. 融合注意力和裁剪机制的通用文本分类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2396-2405.
[4]	齐爱玲, 王宣淋. 基于中层细微特征提取与多尺度特征融合细粒度图像识别[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2556-2563.
[5]	金泽熙, 李磊, 刘继. 基于改进领域分离网络的迁移学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2382-2389.
[6]	姜钧舰, 刘达维, 刘逸凡, 任酉贵, 赵志滨. 基于孪生网络的小样本目标检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2325-2329.
[7]	段升位, 程欣宇, 王浩舟, 王飞. 基于改进的YOLOv5的大坝表面病害检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2619-2629.
[8]	梁美佳, 刘昕武, 胡晓鹏. 基于改进YOLOv3的列车运行环境图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2611-2618.
[9]	魏远, 林彦, 郭晟楠, 林友芳, 万怀宇. 融合出发地与目的地时空相关性的城市区域间出租车需求预测[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2100-2106.
[10]	李忠雨, 孙浩东, 李娇. 轻量化篮球裁判手势识别算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2173-2181.
[11]	拓雨欣, 薛涛. 融合指针网络与关系嵌入的三元组联合抽取模型[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2116-2124.
[12]	姬张建, 张明, 王子龙. 基于改进VarifocalNet的高精度目标检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2147-2154.
[13]	秦源源, 张鸿. 基于注意力特征金字塔网络的肺结节检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2311-2318.
[14]	郑帅, 张晓龙, 邓鹤, 任宏伟. 基于多尺度特征融合和网格注意力机制的三维肝脏影像分割方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2303-2310.
[15]	梁敏, 刘佳艺, 李杰. 融合迭代反馈与注意力机制的图像超分辨重建方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2280-2287.

基于改进Faster RCNN的节肢动物目标检测方法

Arthropod object detection method based on improved Faster RCNN

RichHTML

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