基于深度学习的诱捕器内红脂大小蠹检测模型

红脂大小蠹是危害我国北方地区松杉类针叶树种的重大林业入侵害虫，其虫情监测是森林虫害防治的重要环节。传统的人工计数方法已经无法满足现代化红脂大小蠹监测的需求。为自动化识别并统计信息素诱捕器捕获的红脂大小蠹，在传统信息素诱捕器中集成摄像头，自动采集收集杯内图像，建立蠹虫数据集。使用K-means聚类算法优化Faster R-CNN深度学习目标检测模型的默认框，并使用GPU服务器端到端地训练该模型，实现了诱捕器内任意姿态红脂大小蠹的目标检测。采用面向个体的定量评价和面向诱捕器的定性评价两种评价方式。实验结果表明：较原始Faster R-CNN模型，该模型在困难测试集上面向个体和诱捕器的精确率-召回率曲线下面积（Area under the curve，AUC）提升了4.33%和3.28%。在整体测试集上个体和诱捕器AUC分别达0.9350、0.9722。该模型的检测速率为1.6s/幅，准确度优于SSD、Faster R-CNN等目标检测模型，对姿态变化、杂物干扰、酒精蒸发等有较好的鲁棒性。改进后的模型可从被诱芯吸引的6种小蠹科昆虫中区分出危害最大的红脂大小蠹，自动化地统计诱捕器内红脂大小蠹数量。     

基于深度学习的森林虫害无人机实时监测方法

无人机遥感是监测森林虫害的先进技术，但航片识别的实时性尚不能快速定位虫害爆发中心、追踪灾情发生发展。该文针对受红脂大小蠹危害的油松林，使用基于深度学习的目标检测技术，提出一种无人机实时监测方法。该方法训练精简的SSD300目标检测框架，无需校正拼接，直接识别无人机航片。改进的框架使用深度可分离卷积网络作为基础特征提取器，针对航片中目标尺寸删减预测模块，优化默认框的宽高比，降低模型的参数量和运算量，加快检测速度。试验选出的最优模型，测试平均查准率可达97.22%，在移动图形工作站图形处理器加速下，单张航片检测时间即可缩短至0.46 s。该方法简化了无人机航片的检测流程，可实现受害油松的实时检测和计数，提升森林虫害早期预警能力。     

面向钻蛀振动实时侦听的深度学习模型压缩

  目的   基于深度学习的钻蛀振动识别模型结合边缘计算可实现林业蛀干害虫钻蛀振动长期监测和实时预警,但要求大幅压缩智能识别模型的参数量和运算量。本研究采用深度学习模型压缩算法,在不损失精度的前提下,对已有的钻蛀振动识别模型进行压缩,减小模型的体积并提升模型在嵌入式平台的识别速度。   方法   首先采集双条杉天牛钻蛀振动和背景噪声两类信号训练人工设计的5层卷积神经网络BoringNet,得到钻蛀振动识别模型;然后分别使用不同裁剪率的滤波器裁剪、模型量化、多目标知识蒸馏对钻蛀振动识别模型进行压缩;最后设计上述压缩算法的组合策略,联合使用3种算法对蛀振动识别模型进行压缩,探究多种组合的模型压缩效果。   结果   3种模型压缩算法组合,裁剪率为60%时模型达到最优,此时模型计算量和参数量分别从原模型的18.06 ×106次和0.54 ×106个降低为3.01 ×106次和0.09 × 106个,模型体积从2 200 kB压缩至134.9 kB,树莓派3B+上的识别时间由原模型的9.04 ms降低至1.65 ms,而模型精度仍能达到99.29%,提升了0.5%。   结论   本研究的深度学习模型压缩方法,可以针对钻蛀振动侦听场景大幅压缩模型参数量和运算量,在保证准确率的前提下实现嵌入式平台的实时识别,促进钻蛀振动识别模型从工作站试验到野外实地部署的转变,为钻蛀振动识别的边缘计算奠定基础。