摘要：有害昆虫的早期识别技术可以有效地降低其对农林作物的威胁。以日本脊吉丁、杨小舟蛾、柳兰叶甲和刺蛾四种有害昆虫为例,探讨基于机器学习鉴别有害昆虫的方法。在获取公有数据2 680张图像并人工标注四种昆虫的基础上,设计了基于YOLO V5的昆虫识别方法,解决小样本情况下识别少量类别精确度问题。实验证明,该技术识别四种昆虫的平均准确率达到96.7%,平均召回率达到97%,置信度在0.5~0.95区间的平均精度mAP值为79.1%。

摘要：通过运用计算机对昆虫特征描述、图像采集和计数技术,研究设计基于Android的佳木斯市昆虫识别计数APP,该APP可为人们提供昆虫检索和识别服务,同时可针对农田虫害暴发起到监测作用。

摘要：樱桃是大连重要特色农产品,而樱桃虫害往往会给农户造成重大损失,因此普及虫害及防治知识对农户具有实际应用价值。基于云技术的樱桃害虫识别系统通过采取TCP/IP协议、部署云端服务器、创建云端图像识别处理器,实现了对用户操作处理和图片识别、传输和存储的即时性,可以轻松进行害虫识别与防治操作。该系统增加了同类软件没有的统计预警功能,交互页面设计贴近农户实际,切实解决了樱桃种植农户在害虫识别和防治过程中存在的问题。

摘要：针对传统图像识别方法中利用人工设计特征提取模板对昆虫的识别精度不高的问题,提出了基于K-means聚类的深度学习网络模型Faster R-CNN对图像中的目标进行识别。该方法用K-means聚类算法,结合BWP指标对训练数据标签的长宽比值进行聚类,用新的聚类中心点代替标准Faster R-CNN网络中生成初始候选框的长宽比值;对生成初始候选框的尺寸加以改进;将训练数据送入改进后的Faster R-CNN网络进行训练。实验结果表明,在识别具有特定长宽比例的目标时,加入聚类策略的Faster R-CNN网络较标准Faster R-CNN网络有较强的鲁棒性,有效克服了叶片豁口或孔洞造成的冗余现象、榆紫叶甲虫甲壳反光的干扰、相邻的榆紫叶甲虫特征的互相影响和其他与榆紫叶甲虫有相似特征的种类昆虫的干扰。最终达到94.73%的识别精度,较标准网络提高了4.15%。该方法可有效克服传统昆虫检测中特征提取模板的局限性,对识别昆虫这种特征细腻,姿态多样的目标有重要意义。

摘要：考虑到化学防治方法在田间病虫害防治问题上的不足,为了更好的结合机器视觉和生物防治方法,改善病虫害防治效果,针对棉蚜天敌图像的识别,提出了基于局部特征提取的昆虫识别方法。通过提取图像对象突出特征点,在特征点空间上比较特征点描述符的欧氏距离来度量不同类别对象之间的相似性。讨论了SIFT和SURF两种局部特征特征提取算子,实验结果表明,基于SURF算子的方法比基于SIFT算子的识别效果更好,识别速度更快,并具有很好的鲁棒性。