數據是泰迪杯主辦方提供的已經標記好的數據，4k畫質的圖片，總大小8個G

鏈接：https://pan.baidu.com/s/1fvmNHGrLvflEovjfCjDLOw?pwd=6666?
提取碼：6666?

蟲害包括：

八點灰燈蛾

褐飛虱屬

白背飛虱

二化螟

蟋蟀

黃足獵蝽

黃毒蛾

粘蟲

?

農田蟲害識別優秀作品?

https://www.tipdm.org/u/cms/www/202206/27143450a8sn.pdf?

解決方案

在上述背景研究、問題分析和相關研究的基礎之上，我們針對本次農作物害蟲識 別任務，采用基于兩階段的目標檢測算法 Casecade RCNN 和結合 Swin-Transformer 的 Mask RCNN 算法作為基本框架，進行模型融合，并使用離線數據增強和在線數據增強 組合，以及 SWA（隨機權重平均）進一步進行性能的提升。

針對 1.2 提出的四個問題，相應采用以下解決方案：

1) 目前主流的目標檢測算法都是基于兩階段的方法（Fast RCNN、Faster RCNN、Mask RCNN等）以及一階段的方法（YOLO系列、SSD等），相比 于對識別速度的要求，農作物害蟲檢測更偏向于算法識別精確度的要求，故 選用主流的兩階段目標檢測方法作為模型：Cascade Mask RCNN ，并使用目 前在目標檢測領域效果最好的 Swin-Transformer 模型作為我們的特征提取層。

2) 針對某些類別目標太小以及個別類別樣本數目，我們采用 copy and paste 方 法離線數據增強進行擴充數據集，并且采用隨機反轉、旋轉、高斯噪聲等在線數據增強進一步在訓練之前處理數據集。以及對訓練集和測試集數據使用 多尺度進行訓練和預測，增加對小目標的識別效果。

對于目標檢測，基于深度學習的主流模型大致分為兩類：

（1）兩階段目標檢測算

法：Fast RCNN、Faster RCNN、Mask RCNN、Cascade Mask RCNN 等，這些方法首先

產生候選區域（region proposals），然后對候選區域進行分類；

（2）一階段檢測算法：

不需要 region proposals 階段，直接產生目標的類別概率和位置坐標值，如 Yolo 系列和

SSD。

優缺點分析

優點：

? 通過對農作物害蟲圖片的數據集處理和進行數據增強，能夠有效的應對長尾 效應和多尺度目標問題；

? 選擇 Resnet50 Cascade Mask RCNN 和 Swin-S Cascade Mask RCNN 作為主要模 型，更能貼合農作物害蟲識別的目標檢測任務；

? 采用 K-means 聚類完成錨框長寬比的確定，使用 Smooth L1 損失函數和 Soft NMS，更能符合害蟲識別的應用場景；

? 基于隨機權重平均和多模型融合的方法，讓網絡識別效果更好，緩解誤檢和 漏檢的可能性。

缺點：

? 由于采用 Swin-S Cascade Mask RCNN 和 Resnet50 Cascade Mask RCNN 兩個模 型進行訓練，以及采用訓練時和測試時的多尺度，導致模型的訓練和檢測， 需要耗費大量的顯存資源以及時間成本；

? 基于 copy and paste 的數據擴充方法，還是有一定程度存在與背景不符的可能 性，存在少數圖片的重疊情況，應該進一步考慮。

?