数据是泰迪杯主办方提供的已经标记好的数据，4k画质的图片，总大小8个G

链接：https://pan.baidu.com/s/1fvmNHGrLvflEovjfCjDLOw?pwd=6666 
提取码：6666 

虫害包括：

八点灰灯蛾

褐飞虱属

白背飞虱

二化螟

蟋蟀

黄足猎蝽

黄毒蛾

粘虫

 

农田虫害识别优秀作品 

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

解决方案

在上述背景研究、问题分析和相关研究的基础之上，我们针对本次农作物害虫识 别任务，采用基于两阶段的目标检测算法 Casecade RCNN 和结合 Swin-Transformer 的 Mask RCNN 算法作为基本框架，进行模型融合，并使用离线数据增强和在线数据增强 组合，以及 SWA（随机权重平均）进一步进行性能的提升。

针对 1.2 提出的四个问题，相应采用以下解决方案：

1) 目前主流的目标检测算法都是基于两阶段的方法（Fast RCNN、Faster RCNN、Mask RCNN等）以及一阶段的方法（YOLO系列、SSD等），相比 于对识别速度的要求，农作物害虫检测更偏向于算法识别精确度的要求，故 选用主流的两阶段目标检测方法作为模型：Cascade Mask RCNN ，并使用目 前在目标检测领域效果最好的 Swin-Transformer 模型作为我们的特征提取层。

2) 针对某些类别目标太小以及个别类别样本数目，我们采用 copy and paste 方 法离线数据增强进行扩充数据集，并且采用随机反转、旋转、高斯噪声等在线数据增强进一步在训练之前处理数据集。以及对训练集和测试集数据使用 多尺度进行训练和预测，增加对小目标的识别效果。

对于目标检测，基于深度学习的主流模型大致分为两类：

（1）两阶段目标检测算

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

产生候选区域（region proposals），然后对候选区域进行分类；

（2）一阶段检测算法：

不需要 region proposals 阶段，直接产生目标的类别概率和位置坐标值，如 Yolo 系列和

SSD。

优缺点分析

优点：

⚫ 通过对农作物害虫图片的数据集处理和进行数据增强，能够有效的应对长尾 效应和多尺度目标问题；

⚫ 选择 Resnet50 Cascade Mask RCNN 和 Swin-S Cascade Mask RCNN 作为主要模 型，更能贴合农作物害虫识别的目标检测任务；

⚫ 采用 K-means 聚类完成锚框长宽比的确定，使用 Smooth L1 损失函数和 Soft NMS，更能符合害虫识别的应用场景；

⚫ 基于随机权重平均和多模型融合的方法，让网络识别效果更好，缓解误检和 漏检的可能性。

缺点：

⚫ 由于采用 Swin-S Cascade Mask RCNN 和 Resnet50 Cascade Mask RCNN 两个模 型进行训练，以及采用训练时和测试时的多尺度，导致模型的训练和检测， 需要耗费大量的显存资源以及时间成本；

⚫ 基于 copy and paste 的数据扩充方法，还是有一定程度存在与背景不符的可能 性，存在少数图片的重叠情况，应该进一步考虑。