基于Faster R-CNN的榆紫葉甲蟲(chóng)識(shí)別方法研究

董本志，聶麗酈，景維鵬，崔 航

東北林業(yè)大學(xué) 信息與計(jì)算機(jī)工程學(xué)院，哈爾濱 150040

1 引言

榆樹(shù)是東北地區(qū)常見(jiàn)樹(shù)種，也是重要的經(jīng)濟(jì)樹(shù)種和觀賞樹(shù)種，但在其生長(zhǎng)過(guò)程中經(jīng)常受到害蟲(chóng)侵?jǐn)_。準(zhǔn)確識(shí)別害蟲(chóng)判別災(zāi)害情況，對(duì)有效治理蟲(chóng)災(zāi)有重要意義，利用圖像處理方法可有效對(duì)其進(jìn)行識(shí)別。

目前利用圖像處理對(duì)昆蟲(chóng)進(jìn)行識(shí)別的方法為：先使用圖像去噪[1]、圖像分割等[2]方法對(duì)圖像進(jìn)行預(yù)處理，然后采用灰度直方圖[3-4]、隨機(jī)森林算法[5]、方向梯度直方圖（Histogram of Oriented Gradient，HOG）[6]、詞袋算法（Bag of Words，BOW）[7-8]等算法提取圖像的特征，最后將提取到的特征送入支持向量機(jī)（Support Vector Machine，SVM）[9]、前饋神經(jīng)網(wǎng)絡(luò)（Back Propagation，BP）[10]、自組織映射網(wǎng)絡(luò)（Self Organizing Map，SOM）[11]等分類器中，對(duì)提取到的特征信息進(jìn)行分類表達(dá)。但上述識(shí)別方法均需人為參與到特征提取模板和特征提取算法的設(shè)計(jì)中，往往加入了先驗(yàn)知識(shí)，具有很強(qiáng)的主觀性，影響分類器的判斷。同時(shí)，針對(duì)昆蟲(chóng)這種目標(biāo)小、紋理特征多樣、結(jié)構(gòu)豐富、姿態(tài)多樣、種間相似度高的目標(biāo)[12]，很難人工設(shè)計(jì)出有效描述昆蟲(chóng)典型特征的模板與算法。

深度學(xué)習(xí)模型由數(shù)據(jù)直接驅(qū)動(dòng)特征的提取，可以利用像素之間的位置特征，自主學(xué)習(xí)出數(shù)據(jù)間許多容易被人忽視的潛在特征，有效解決了特征提取模板針對(duì)性不強(qiáng)的問(wèn)題。深度學(xué)習(xí)模型中卷積神經(jīng)網(wǎng)絡(luò)在圖像處理方面有較廣泛的應(yīng)用，如漢字識(shí)別驗(yàn)證碼[13]、道路中車輛識(shí)別[14]等。目前最成熟且應(yīng)用最廣泛的深度卷積神經(jīng)網(wǎng)絡(luò)模型Faster R-CNN[15]將目標(biāo)檢測(cè)的候選區(qū)域生成、特征提取、分類、位置精修四個(gè)步驟統(tǒng)一到一個(gè)深度網(wǎng)絡(luò)架構(gòu)之內(nèi)，形成了統(tǒng)一的體系結(jié)構(gòu)。識(shí)別復(fù)雜背景中的目標(biāo)時(shí)具有很好的魯棒性和很強(qiáng)的辨別待識(shí)別物體間的細(xì)微差別的能力。同時(shí)，利用數(shù)據(jù)自主驅(qū)動(dòng)模型提取特征，有效克服了傳統(tǒng)識(shí)別分類方法中依賴于人工設(shè)計(jì)特征提取模板的局限性，可較好地識(shí)別出自然環(huán)境中復(fù)雜背景下的目標(biāo)，因此本文采用Faster R-CNN網(wǎng)絡(luò)對(duì)榆紫葉甲蟲(chóng)進(jìn)行框定。但是標(biāo)準(zhǔn)Faster R-CNN網(wǎng)絡(luò)模型是針對(duì)標(biāo)準(zhǔn)數(shù)據(jù)集VOC2007的20分類任務(wù)設(shè)計(jì)的，生成的初始候選框?yàn)楣潭ǖ娜N尺寸、三種比例，用其識(shí)別榆紫葉甲蟲(chóng)時(shí)，初始候選框的長(zhǎng)寬比不符合榆紫葉甲蟲(chóng)的長(zhǎng)寬比形態(tài)學(xué)特征，容易造成候選框冗余過(guò)大。加之榆紫葉甲蟲(chóng)的甲殼反光，在框定榆紫葉甲蟲(chóng)目標(biāo)時(shí)會(huì)出現(xiàn)誤差，在榆紫葉甲蟲(chóng)和榆樹(shù)葉片豁口或孔洞相鄰時(shí)或者兩只榆紫葉甲相鄰時(shí)框定誤差尤其嚴(yán)重。因此，本文使用Faster R-CNN模型識(shí)別榆紫葉甲蟲(chóng)時(shí)，對(duì)初始候選框生成網(wǎng)絡(luò)進(jìn)行改進(jìn)，使其生成的初始候選框更加貼合榆紫葉甲蟲(chóng)本身的特征，減少周圍復(fù)雜環(huán)境造成的影響，以提高識(shí)別精度。

2 基于K-means聚類算法的Faster R-CNN網(wǎng)絡(luò)模型

為得到符合榆紫葉甲蟲(chóng)長(zhǎng)寬比形態(tài)學(xué)特征的初始候選框，可以用聚類算法對(duì)樣本的長(zhǎng)寬值進(jìn)行統(tǒng)計(jì)，得出最理想的候選框長(zhǎng)寬比。目前常用的幾種聚類算法有K-means聚類、層次聚類、SOM聚類、FCM聚類。其中K-means聚類算法是基于距離的聚類算法，使聚類后每個(gè)子類內(nèi)的點(diǎn)到當(dāng)前類中心點(diǎn)的距離之和最小，符合本文的聚類需要。本文以最小化子類內(nèi)的點(diǎn)到當(dāng)前類中心點(diǎn)距離之和為目標(biāo)函數(shù)，通過(guò)計(jì)算評(píng)價(jià)聚類結(jié)果中各子類的類內(nèi)緊密程度與類間分離程度關(guān)系的BWP（Between-Within Proportion）指標(biāo)來(lái)確定最佳聚類中心點(diǎn)個(gè)數(shù)kopt，對(duì)n個(gè)榆紫葉甲蟲(chóng)訓(xùn)練樣本矩形標(biāo)簽的長(zhǎng)寬比值X{x1,x2,…,xn}進(jìn)行聚類。這里kopt的計(jì)算方法見(jiàn)公式（1）。

令聚類中心點(diǎn)個(gè)數(shù)k在[2,n)內(nèi)循環(huán)，計(jì)算各k值對(duì)應(yīng)的所有樣本的BWP值的平均值avgBWP(k)，kopt的值取令avgBWP(k)最大值時(shí)對(duì)應(yīng)的k值，計(jì)算方法見(jiàn)公式（2）。

其中BWP(j,i)是最小類間距離和類內(nèi)距離的衡量指標(biāo)，其計(jì)算方法見(jiàn)公式（3）。

公式（3）中b(j,i)為最小類間距離，是第 j類中第i個(gè)樣本到其他每個(gè)類中樣本的平均距離最小值，其計(jì)算方法見(jiàn)公式（4）；w(j,i)為類內(nèi)距離，是第 j類中第i個(gè)樣本到其第 j類中其他所有樣本的平均距離，其計(jì)算見(jiàn)公式（5）。

其中 j∈[1,ki]，i∈[1,nj]。nj為第 j類的樣本數(shù)；m和j表示類標(biāo)；表示第 j類的第i個(gè)樣本；表示第m類的第 p個(gè)樣本；nm表示第m類的樣本數(shù)；表示平方歐氏距離。

其中nj表示第 j類的樣本數(shù)，表示第 j類的第q個(gè)樣本。

通過(guò)計(jì)算得到kopt的值后，可同時(shí)得到kopt個(gè)聚類中心點(diǎn)，可以用集合A={A1,A2,…,Akopt}表示。A中的元素可以用來(lái)代替標(biāo)準(zhǔn)網(wǎng)絡(luò)生成的初始候選框的長(zhǎng)寬比值0.5、1、2，生成更加符合榆紫葉甲蟲(chóng)長(zhǎng)寬比形態(tài)學(xué)特征的初始候選框，減少框定誤差。

圖1 改進(jìn)的Faster R-CNN網(wǎng)絡(luò)示意圖

調(diào)整了初始候選框的生成比例后，進(jìn)一步對(duì)初始候選框的生成尺寸進(jìn)行調(diào)整。標(biāo)準(zhǔn)網(wǎng)絡(luò)生成的初始候選框的三種尺寸固定為1282，2562，5122，但是由于榆紫葉甲蟲(chóng)的尺寸相對(duì)于VOC2007標(biāo)準(zhǔn)數(shù)據(jù)集中的飛機(jī)、汽車、馬等目標(biāo)類別的尺寸來(lái)說(shuō)占據(jù)整張圖像比例很小，屬于小目標(biāo)。而5122這種尺寸對(duì)于榆紫葉甲蟲(chóng)來(lái)說(shuō)冗余過(guò)大，導(dǎo)致位置精修時(shí)的初始候選框邊框平移量過(guò)大，容易造成框定不準(zhǔn)。因此，本文舍棄這種尺寸的候選框，以提高檢測(cè)的準(zhǔn)確率。

改進(jìn)的Faster R-CNN網(wǎng)絡(luò)示意圖如圖1所示。

改進(jìn)主要涉及到初始候選框生成文件generate_anchor.py和候選框?qū)游募roposal Layer.py。首先，在proposal Layer.py文件中的類proposal Layer（Caffe.Layer）里根據(jù)公式（1）～（5）定義一個(gè)用來(lái)對(duì)訓(xùn)練數(shù)據(jù)集標(biāo)簽長(zhǎng)寬比值進(jìn)行聚類的函數(shù)K_means，返回值為kopt和{A1,A2,…,Akopt}。然后，將兩個(gè)返回值傳給generate_anchor.py文件中的generate_anchors函數(shù)，用{A1,A2,…,Akopt}代替標(biāo)準(zhǔn)網(wǎng)絡(luò)中候選框生成比例0.5、1、2。其中g(shù)enerate_anchors函數(shù)根據(jù)傳入的參數(shù)生成生成conv5特征圖上的特征點(diǎn)數(shù)×kopt×2個(gè)初始候選框。在對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練前，先對(duì)訓(xùn)練樣本矩形標(biāo)簽的長(zhǎng)寬比值進(jìn)行聚類，并對(duì)生成初始候選框的面積加以調(diào)整。這樣在Faster R-CNN網(wǎng)絡(luò)后面的全連接層部分，在分類層得分大于0.6的初始候選框會(huì)進(jìn)入后面的位置回歸層進(jìn)行候選框的四個(gè)邊框的精修。由于改進(jìn)后的Faster R-CNN網(wǎng)絡(luò)模型生成的初始候選框更加符合榆紫葉甲蟲(chóng)本身的形態(tài)學(xué)特征，所以初始候選框四周冗余較標(biāo)準(zhǔn)網(wǎng)絡(luò)生成的初始候選框少。對(duì)初始候選框四邊框精修時(shí)，四個(gè)邊框從初始位置平移到標(biāo)準(zhǔn)位置時(shí)的平移量較少，使得復(fù)雜背景對(duì)框定的干擾較少，從而能夠更加準(zhǔn)確地判定出邊框精修的終止位置，達(dá)到更為準(zhǔn)確的對(duì)目標(biāo)榆紫葉甲蟲(chóng)進(jìn)行框定的目的。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)軟件平臺(tái)采用linux Ubuntu 16.04 LTS系統(tǒng)、label Image 1.3.2、pycharm 2.7.3、openCV 2.4.6，硬件環(huán)境是4 GB內(nèi)存，Intel?Core?i5-5450M CPU@2.50 GHz，主頻3.4 GHz的計(jì)算機(jī)。

3.2 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)采集地點(diǎn)為東北林業(yè)大學(xué)帽兒山實(shí)驗(yàn)林場(chǎng)，以其30～40年生的大葉榆、大果榆、裂葉榆、春榆等榆樹(shù)上榆紫葉甲蟲(chóng)為研究對(duì)象。拍攝到3 000張像素大小為4 000×6 000的圖片數(shù)據(jù)。對(duì)數(shù)據(jù)集進(jìn)行篩選以避免錯(cuò)誤、重復(fù)和模糊的圖像并人工標(biāo)注，同時(shí)按照7∶1∶2的比例隨機(jī)抽取訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集、測(cè)試數(shù)據(jù)集。

3.3 實(shí)驗(yàn)結(jié)果及分析

根據(jù)本文樣本數(shù)據(jù)集得出聚類中心數(shù)kopt=3，中心點(diǎn)分別為A1=0.64、A2=0.99、A3=1.27。用三個(gè)新的生成初始候選框的長(zhǎng)寬比值代替標(biāo)準(zhǔn)網(wǎng)絡(luò)的生成初始候選框的長(zhǎng)寬比值0.5、1、2，網(wǎng)絡(luò)改進(jìn)前后的初始候選框生成的尺寸和比例框圖如圖2所示。其中，圖2（a）為按照標(biāo)準(zhǔn)初始候選框生成比例和尺寸規(guī)則生成的候選框情況，圖2（b）為加入聚類策略和調(diào)整了初始候選框的尺寸的網(wǎng)絡(luò)的生成候選框情況。兩圖均為以O(shè)點(diǎn)為中心生成的候選框，圖2（a）中的三個(gè)藍(lán)色框?yàn)樽畲蟪叽绲娜N比例候選框，三個(gè)紅色框?yàn)橹虚g尺寸的三種比例候選框，三個(gè)黃色框?yàn)樽钚〕叽绲娜N比例的候選框。

圖2 網(wǎng)絡(luò)改進(jìn)前后的初始候選框生成比例和尺寸框圖

從圖2中可以看出，藍(lán)色候選框尺寸對(duì)于榆紫葉甲蟲(chóng)來(lái)說(shuō)冗余過(guò)大，在后面全連接層精修回歸過(guò)程中易受復(fù)雜背景中諸多特征的干擾，造成誤圈。紅色框和黃色框的長(zhǎng)寬比例不符合榆紫葉甲蟲(chóng)本身的長(zhǎng)寬比形態(tài)學(xué)特征，在邊框精修時(shí)四個(gè)邊框平移的位移過(guò)大，易受復(fù)雜背景的干擾。在某一局部區(qū)域計(jì)算的損失小于規(guī)定閾值時(shí)就會(huì)停止回歸，造成邊框平移中斷或者平移過(guò)大，出現(xiàn)框定過(guò)大或者過(guò)小的情況。圖2（b）中去掉了藍(lán)色尺寸的三種比例的候選框。同時(shí)，針對(duì)紅色框和黃色框的情況，在相同尺寸下利用聚類生成新的初始候選框的長(zhǎng)寬比，使其更加符合榆紫葉甲蟲(chóng)本身的生物學(xué)特性。在后面的回歸過(guò)程受復(fù)雜的背景影響較小，可排除大部分復(fù)雜背景干擾圈定更為準(zhǔn)確。

榆紫葉甲蟲(chóng)和葉片豁口或孔洞相鄰時(shí)，標(biāo)準(zhǔn)網(wǎng)絡(luò)模型與加入聚類策略和調(diào)整了生成候選框尺寸Faster RCNN網(wǎng)絡(luò)輸出結(jié)果對(duì)比圖如圖3所示。其中，圖3（a）～（e）為標(biāo)準(zhǔn)網(wǎng)絡(luò)的檢測(cè)效果圖，圖3（f）～（j）為改進(jìn)后的網(wǎng)絡(luò)輸出結(jié)果圖。圖3（a）與（f）、（b）與（g）、（c）與（h）、（d）與（i）、（e）與（j）分別為同一張圖像的兩個(gè)模型的輸出結(jié)果。圖中黃色圓圈部分為和榆紫葉甲蟲(chóng)相鄰的葉片豁口或孔洞。

從圖3（a）～（e）可以看出，由于榆紫葉甲蟲(chóng)的形狀、顏色等特征與葉片豁口相似，會(huì)出現(xiàn)框定榆紫葉甲蟲(chóng)范圍時(shí)將臨近的葉片豁口也框定進(jìn)去，造成框定范圍冗余的現(xiàn)象。并且由于榆紫葉甲蟲(chóng)的甲殼反光，標(biāo)準(zhǔn)模型會(huì)將一部分榆紫葉甲蟲(chóng)識(shí)別為背景，出現(xiàn)框定不全的現(xiàn)象。而改進(jìn)后的網(wǎng)絡(luò)模型，減少了葉片豁口對(duì)榆紫葉甲蟲(chóng)框定結(jié)果的影響，框定范圍比較準(zhǔn)確，如圖3（f）～3（j）所示。實(shí)驗(yàn)結(jié)果證明，經(jīng)過(guò)對(duì)生成初始候選框網(wǎng)絡(luò)的改進(jìn)，在框定有葉片豁口干擾的榆紫葉甲蟲(chóng)圖片時(shí)，取得了優(yōu)于標(biāo)準(zhǔn)候選框的效果。

相鄰榆紫葉甲蟲(chóng)框定結(jié)果對(duì)比，如圖4所示。其中，圖4（a）～（e）為標(biāo)準(zhǔn)網(wǎng)絡(luò)的檢測(cè)效果圖，圖4（f）～（j）為改進(jìn)候選框生成網(wǎng)絡(luò)的輸出結(jié)果圖。圖4（a）與（f）、（b）與（g）、（c）與（h）、（d）與（i）、（e）與（j）分別為同一張圖像的兩個(gè)模型的輸出結(jié)果。

從圖4中可以看出，圖4（a）將兩只榆紫葉甲蟲(chóng)框定到一起；圖4（b）中將一只榆紫葉甲蟲(chóng)包含于另一只的范圍內(nèi)；圖4（c）中兩只榆紫葉甲蟲(chóng)范圍均未框定完全；圖4（d）中框定的榆紫葉甲蟲(chóng)范圍冗余過(guò)大；圖4（e）中的兩只榆紫葉甲蟲(chóng)范圍均未圈定完全。這是由于兩只榆紫葉甲蟲(chóng)特征相似且位置相臨，相似的特征對(duì)框定結(jié)果造成干擾，而改進(jìn)候選框生成網(wǎng)絡(luò)模型有效的解決了標(biāo)準(zhǔn)網(wǎng)絡(luò)模型出現(xiàn)的問(wèn)題，如圖4（f）～（j）。由此可見(jiàn)，在兩只榆紫葉甲蟲(chóng)相鄰的情況中，改進(jìn)后的網(wǎng)絡(luò)比標(biāo)準(zhǔn)網(wǎng)絡(luò)框定效果更好。

圖3 榆紫葉甲蟲(chóng)和葉片豁口或孔洞相鄰時(shí)網(wǎng)絡(luò)模型改進(jìn)前后輸出效果對(duì)比圖

圖4 相鄰榆紫葉甲蟲(chóng)框定結(jié)果對(duì)比圖

圖5 候選框生成網(wǎng)絡(luò)改進(jìn)前后的榆紫葉甲蟲(chóng)和與其特征相似的昆蟲(chóng)識(shí)別效果對(duì)比

由于榆樹(shù)花甲蟲(chóng)和盾瘤胸葉甲蟲(chóng)也是榆樹(shù)常見(jiàn)害蟲(chóng)之一，且和榆紫葉甲蟲(chóng)形態(tài)類似，在采集圖像時(shí)很容易采集到這兩種蟲(chóng)，造成錯(cuò)誤框定，如圖5所示。其中，圖5（a）～（e）為標(biāo)準(zhǔn)網(wǎng)絡(luò)的檢測(cè)效果圖，圖5（f）～（j）為改進(jìn)候選框生成網(wǎng)絡(luò)輸出結(jié)果圖。圖5（a）與（f）、（b）與（g）、（c）與（h）、（d）與（i）、（e）與（j）分別為同一張圖像的兩個(gè)模型的輸出結(jié)果，圖5（a）與（f）、（b）與（g）、（c）與（h）為盾瘤胸葉甲，圖5（d）與（i）、（e）與（j）為榆樹(shù)花甲蟲(chóng)。由實(shí)驗(yàn)結(jié)果可以看出，標(biāo)準(zhǔn)網(wǎng)絡(luò)模型存在誤將與榆紫葉甲蟲(chóng)形態(tài)相似的昆蟲(chóng)框定出來(lái)的現(xiàn)象，而改進(jìn)候選框生成網(wǎng)絡(luò)后的模型不會(huì)輸出這樣的結(jié)果圖，只將榆紫葉甲蟲(chóng)框定出來(lái)，其余種類的昆蟲(chóng)將不會(huì)框定出來(lái)。

分類實(shí)驗(yàn)中，對(duì)于結(jié)果的處理，一般僅用一種指標(biāo)很難得到對(duì)算法的正確評(píng)估的。所以，一般用精準(zhǔn)率（Precision，P），召回率（Recall，R）來(lái)共同對(duì)算法進(jìn)行評(píng)估。衡量的最終指標(biāo)是識(shí)別的平均精度值A(chǔ)P。一般將以召回率和準(zhǔn)確率為橫縱軸的PR曲線與兩坐標(biāo)軸圍成的面積作為衡量指標(biāo)。

準(zhǔn)確率的計(jì)算公式如下：

召回率的計(jì)算公式如下：

TP（True Positives）是模型預(yù)測(cè)為正樣本實(shí)際為正樣本的特征數(shù)量，F(xiàn)P（False Positives）是模型預(yù)測(cè)為正樣本但實(shí)際是負(fù)樣本的特征數(shù)量。TN（True Nagetives）是模型預(yù)測(cè)為負(fù)樣本實(shí)際也為負(fù)樣本的特征數(shù)量，F(xiàn)N（False Nagetives）是模型預(yù)測(cè)為負(fù)樣本但實(shí)際為正樣本的特征數(shù)。其中，準(zhǔn)確率P指檢索出的榆紫葉甲蟲(chóng)數(shù)量與此次檢索得到的檢測(cè)框的數(shù)量的比值，衡量的是查準(zhǔn)率。召回率R指檢索出的榆紫葉甲蟲(chóng)數(shù)量與數(shù)據(jù)集中所有榆紫葉甲的數(shù)量的比值，衡量的是查全率。因?yàn)闇?zhǔn)確率和召回率不可兼得，本文選擇AP作為衡量實(shí)驗(yàn)效果好壞的指標(biāo)。將曲線與橫縱坐標(biāo)圍成的面積作為AP的值。

改進(jìn)前后模型的PR（Precision-Recall）曲線如圖6所示。

圖6 改進(jìn)候選框生成網(wǎng)絡(luò)模型和標(biāo)準(zhǔn)網(wǎng)絡(luò)模型的PR曲線

從圖6中可以看出，改進(jìn)后的網(wǎng)絡(luò)框架測(cè)試結(jié)果的AP曲線與橫縱坐標(biāo)軸的面積大于標(biāo)準(zhǔn)框架輸出的測(cè)試結(jié)果與坐標(biāo)軸的面積，即改進(jìn)后的網(wǎng)絡(luò)框架的輸出平均精度高于標(biāo)準(zhǔn)網(wǎng)絡(luò)框架。同時(shí)通過(guò)圖3～圖5實(shí)驗(yàn)輸出效果對(duì)比圖可以看出，改進(jìn)后的模型輸出的識(shí)別效果圖圈定的目標(biāo)范圍更加精準(zhǔn)，且不會(huì)出現(xiàn)誤識(shí)別其他種類昆蟲(chóng)的情況，識(shí)別精度從90.58%提升至94.73%。

4 結(jié)束語(yǔ)

本文提出了一種基于聚類算法的自適應(yīng)Faster R-CNN網(wǎng)絡(luò)模型用以榆紫葉甲蟲(chóng)的識(shí)別：通過(guò)利用K-means算法結(jié)合BWP指標(biāo)對(duì)訓(xùn)練數(shù)據(jù)的矩形標(biāo)簽的長(zhǎng)寬比值進(jìn)行聚類，利用聚類中心點(diǎn)代替標(biāo)準(zhǔn)網(wǎng)絡(luò)中生成初始候選框的長(zhǎng)寬比例，使生成的初始候選框更加符合榆紫葉甲蟲(chóng)長(zhǎng)寬比形態(tài)學(xué)特征，減少邊框精修時(shí)的平移量，提高了識(shí)別精度。實(shí)驗(yàn)結(jié)果表明，本文提出的基于K-means的Faster R-CNN算法有效解決了傳統(tǒng)識(shí)別算法中特征提取模板的局限性，并針對(duì)初始候選框不貼合待識(shí)別目標(biāo)造成的誤差加以改進(jìn)，提高了識(shí)別準(zhǔn)確率。改進(jìn)后的網(wǎng)絡(luò)在框定單只榆紫葉甲蟲(chóng)、榆紫葉甲蟲(chóng)與葉片豁口或孔洞相鄰、榆紫葉甲蟲(chóng)相鄰時(shí)和其他與榆紫葉甲特征類似種類的昆蟲(chóng)的框定效果均優(yōu)于標(biāo)準(zhǔn)網(wǎng)絡(luò)。測(cè)試相同數(shù)據(jù)集時(shí)的準(zhǔn)確率優(yōu)于標(biāo)準(zhǔn)網(wǎng)絡(luò)模型，證明了改進(jìn)后的網(wǎng)絡(luò)的優(yōu)越性。