S-RPN: Sampling-balanced region proposal network for small crop pest detection

abstract

        有效的害虫防治是农业食品安全领域的关键因素。因此，对作物害虫的自动监测和精确识别在农业种植过程中具有较高的实用价值。多年来，随着基于深度学习的方法的发展，害虫的识别和检测结果迅速提高。这些方法虽然很有前途，但在检测非常小规模的作物害虫方面的效率和精度仍然有限，从而降低了它们的有效性。其主要原因是，目前基于深度学习的方法可能无法为图像中的小害虫物体提取出足够详细的外观特征，这使得训练分类器来检测和区分背景或类似物体中的小害虫变得困难。为了解决小害虫的识别和检测问题，在本文中，我们寻求重新构建当前的区域建议网络，并在不同的尺度上执行更多的细节，以方便小害虫的检测。在视觉注意系统的启发下，我们首先在剩余网络中引入注意机制，以获得更丰富的害虫特征外观，特别是小物体害虫的详细特征；然后，为了使区域建议网络(RPN)获得更高质量的目标建议，便于检测，提出了一个采样平衡的区域建议生成网络，以提高害虫检测精度。此外，我们设计了一种新的自适应感兴趣区域(RoI)选择方法来从特征金字塔的不同层次学习特征。在所提出的AgriPest21数据集上进行了多次实验，我们的方法可以达到89.0%的平均召回率，mAP达到78.7%，优于其他最先进的方法，包括SSD, RetinaNet, Free-Anchor, PISA, Grid RCNN, and Cascade RCNN

1. Introduction

        农业发展受到各种因素的限制，特别是作物害虫，对农业生产产生了负面影响。作物