PestNet: Ein End-to-End-Deep-Learning-Ansatz zur großflächigen multi-klasse Schädlingserkennung und -klassifizierung

Die multi-klasse Schädlingserkennung ist eines der entscheidenden Elemente im Schadensmanagement, das neben der Klassifikation auch die Lokalisierung umfasst, was aufgrund der offensichtlichen Unterschiede zwischen den Schädlingsarten weitaus schwieriger ist als die generische Objekterkennung. Dieses Papier schlägt einen regionenbasierten End-to-End-Ansatz namens PestNet für die großflächige multi-klasse Schädlingserkennung und -klassifizierung vor, basierend auf Deep Learning. PestNet besteht aus drei Hauptbestandteilen. Zunächst wird ein neuartiges Modul für die kanalräumliche Aufmerksamkeit (CSA) vorgeschlagen, das in das konvolutionale neuronale Netzwerk (CNN) für die Merkmalsextraktion und -verbesserung integriert werden soll. Das zweite Modul wird als Region Proposal Network (RPN) bezeichnet, das zur Bereitstellung von Regionenvorschlägen als potenzielle Schädlingspositionen auf der Grundlage von extrahierten Merkmalskarten aus Bildern verwendet wird. Die positionssensitiven Punktekarten (PSSM), die dritte Komponente, werden verwendet, um vollständig verbundene (FC) Schichten zur Schädlingserkennung und zur Regression von Begrenzungsrahmen zu ersetzen. Darüber hinaus wenden wir kontextuelle Regionen von Interesse (RoIs) als kontextuelle Informationen der Schädlingseigenschaften an, um die Erkennungsgenauigkeit zu verbessern. Wir evaluieren PestNet anhand unseres neu gesammelten großflächigen Schädlinge-Bilddatensatzes, dem Multi-class Pests Dataset 2018 (MPD2018), der mit unserer speziell entwickelten, aufgabenbezogenen Bildakquisitionsausrüstung aufgenommen wurde und mehr als 80.000 Bilder mit über 580.000 Schädlingen enthält, die von landwirtschaftlichen Experten gekennzeichnet und in 16 Klassen kategorisiert wurden. Die experimentellen Ergebnisse zeigen, dass PestNet bei der multi-klasse Schädlingserkennung mit einer mittleren durchschnittlichen Präzision (mAP) von 75,46% gut abschneidet, was die aktuellen Methoden übertrifft.