顾清博士团队：基于改进Mask R-CNN模型的工厂化养蚕蚕体识别与计数（《智慧农业（中英文）》2022年第2期）

引文格式：何锐敏, 郑可锋, 尉钦洋, 张小斌, 张俊, 朱怡航, 赵懿滢, 顾清. 基于改进Mask R-CNN模型的工厂化养蚕蚕体识别与计数[J]. 智慧农业(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.

点击直达知 阅读

点击直达官 阅读（全文，免费）

基于改进Mask R-CNN模型的工厂化养蚕蚕体识别与计数

何锐敏1, 郑可锋2, 尉钦洋1, 张小斌2, 张俊1, 朱怡航2, 赵懿滢2, 顾清2

（1.嵊州陌桑高科股份有限公司，浙江 绍兴 312400；2.浙江省农业科学院数字农业研究所，浙江 杭州 310021）

摘 要：精准饲喂是全龄人工饲料工厂化养蚕节本增效的核心技术之一，家蚕自动化识别与计数是实现精准饲喂的关键环节。本研究基于机器视觉系统获取工厂化养蚕过程中蚕在4龄和5龄期的数字图像，利用改进深度学习模型Mask R-CNN检测蚕体和残余饲料。通过在Mask R-CNN模型框架中加入像素重加权策略和边界框细调策略，从噪声数据中训练一个鲁棒性更好的目标检测模型，实现模型性能的优化，提高对蚕体和饲料边界的检测和分割能力。改进Mask R-CNN模型对蚕的检测和分割交并比阈值为0.5时的平均精度（Average Precision at IoU=0.5，AP50）分别为0.790和0.795，识别准确率为96.83%；对残余饲料的检测和分割AP50分别为0.641和0.653，识别准确率为87.71%。模型部署在NVIDIA Jetson AGX Xavier开发板上，单张图像平均检测时间为1.32 s，最长检测时间为2.05 s，运算速度可以满足养蚕盒单元在生产线上移动实时检测的要求。该研究为工厂化养蚕精准饲喂信息系统和投喂装置的研发提供了核心算法，可提高人工饲料的利用率，提升工厂化养蚕生产管理水平。

关键词：

文章图片

图1 裁剪后的蚕和残余饲料原始图像及不同预处理结果

Fig. 1 Original images after cropping and different pretreatment results

图2 特征金字塔 络结构示意图

Fig. 2 The structure of feature pyramid network （FPN）

图3 基于改进Mask R-CNN模型的工厂化养蚕蚕体和残余饲料识别检测流程

Fig. 3 The workflow of the silkworm and residual feed recognition and detection based on the improved Mask R-CNN model

图 4 基于改进Mask R-CNN模型的蚕体和残余饲料检测结果

Fig. 4 The prediction results of silkworm and residual feed based on the improved Mask R-CNN model

图5 蚕体重叠情况下的检测结果

Fig. 5 Detection results for overlapped silkworms

顾清 副研究员

顾清，博士，浙江省农业科学院数字农业研究所副研究员。主要从事农业智能系统与信息化软件开发、空间数据分析与建模、作物表型提取与数字育种研究等工作。近年来主持或参与国家基金青年项目、国家重点研发计划子课题、省重点研发计划子课题等各类项目20余项，发表SCI及中文核心论文20余篇，获得软件著作权及发明专利30余项。

本期支持单位

京蓝云智物联 技术有限公司

浙江臻善科技股份有限公司

潍柴雷沃重工股份有限公司

小

店

欢迎光临选购

微信交流服务群

入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

信息发布

科研团队介绍及招聘信息、学术会议及相关活动的宣传推广