引文格式：何銳敏, 鄭可鋒, 尉欽洋, 張小斌, 張俊, 朱怡航, 趙懿滢, 顧清. 基于改進Mask R-CNN模型的工廠化養蠶蠶體識别與計數[J]. 智慧農業(中英文), 2022, 4(2): 163-173.
HE Ruimin, ZHENG Kefeng, WEI Qinyang, ZHANG Xiaobin, ZHANG Jun, ZHU Yihang, ZHAO Yiying, GU Qing. Identification and Counting of Silkworms in Factory Farm Using Improved Mask R-CNN Model[J]. Smart Agriculture, 2022, 4(2): 163-173.
點選直達知網閱讀
點選直達官網閱讀（全文，免費）
基于改進Mask R-CNN模型的工廠化養蠶蠶體識别與計數
何銳敏1, 鄭可鋒2, 尉欽洋1, 張小斌2, 張俊1, 朱怡航2, 趙懿滢2, 顧清2
（1.嵊州陌桑高科股份有限公司，浙江 紹興 312400；2.浙江省農業科學院數字農業研究所，浙江 杭州 310021）
摘 要：精準飼喂是全齡人工飼料工廠化養蠶節本增效的核心技術之一，家蠶自動化識别與計數是實作精準飼喂的關鍵環節。本研究基于機器視覺系統擷取工廠化養蠶過程中蠶在4齡和5齡期的數字圖像，利用改進深度學習模型Mask R-CNN檢測蠶體和殘餘飼料。通過在Mask R-CNN模型架構中加入像素重權重政策和邊界框細調政策，從噪聲資料中訓練一個魯棒性更好的目标檢測模型，實作模型性能的優化，提高對蠶體和飼料邊界的檢測和分割能力。改進Mask R-CNN模型對蠶的檢測和分割交并比門檻值為0.5時的平均精度（Average Precision at IoU=0.5，AP50）分别為0.790和0.795，識别準确率為96.83%；對殘餘飼料的檢測和分割AP50分别為0.641和0.653，識别準确率為87.71%。模型部署在NVIDIA Jetson AGX Xavier開發闆上，單張圖像平均檢測時間為1.32 s，最長檢測時間為2.05 s，運算速度可以滿足養蠶盒單元在生産線上移動實時檢測的要求。該研究為工廠化養蠶精準飼喂資訊系統和投喂裝置的研發提供了核心算法，可提高人工飼料的使用率，提升工廠化養蠶生産管理水準。
關鍵詞：
文章圖檔
圖1 裁剪後的蠶和殘餘飼料原始圖像及不同預處理結果
Fig. 1 Original images after cropping and different pretreatment results
圖2 特征金字塔網絡結構示意圖
Fig. 2 The structure of feature pyramid network （FPN）
圖3 基于改進Mask R-CNN模型的工廠化養蠶蠶體和殘餘飼料識别檢測流程
Fig. 3 The workflow of the silkworm and residual feed recognition and detection based on the improved Mask R-CNN model
圖 4 基于改進Mask R-CNN模型的蠶體和殘餘飼料檢測結果
Fig. 4 The prediction results of silkworm and residual feed based on the improved Mask R-CNN model
圖5 蠶體重疊情況下的檢測結果
Fig. 5 Detection results for overlapped silkworms
通信作者簡介
顧清 副研究員
顧清，博士，浙江省農業科學院數字農業研究所副研究員。主要從事農業智能系統與資訊化軟體開發、空間資料分析與模組化、作物表型提取與數字育種研究等工作。近年來主持或參與國家基金青年項目、國家重點研發計劃子課題、省重點研發計劃子課題等各類項目20餘項，發表SCI及中文核心論文20餘篇，獲得軟體著作權及發明專利30餘項。
來源：《智慧農業（中英文）》2022年第2期
轉載請聯系編輯部授權
本期支援機關
京藍雲智物聯網技術有限公司
浙江臻善科技股份有限公司
濰柴雷沃重工股份有限公司
小
店
歡迎光臨選購
微信交流服務群
為友善農業科學領域讀者、作者和審稿專家學術交流，促進智慧農業發展，為更好地服務廣大讀者、作者和審稿人，編輯部建立了微信交流服務群，有關專業領域内的問題讨論、投稿相關的問題均可在群裡咨詢。
入群方法：加小編微信331760296，備注：姓名、機關、研究方向，小編拉您進群，機構營銷廣告人員勿擾。
資訊釋出
科研團隊介紹及招聘資訊、學術會議及相關活動的宣傳推廣