Abstract In order to achieve rapid recognition of the common pests in agriculture and forestry, a new method based on deep convolution neural network was proposed. In this paper, the images of 19 insects and 1 larvae were collected. The data were enhanced by image processing methods such as flipping, rotating, scaling, adding Gussian noise and fancy PCA. The constructed image dataset CPAF had 73,635 insect images, including 4909 original images and 68,726 enhanced images. A 3-folds validation method was used to recognize pest images with VggA, VGG16, Inception V3, ResNet50, as well as CPAFNet, an deep neural network model we designed in this paper, on the CPAF dataset. For the better optimization of identification results, the balanced accuracy was computed and analyzed in this paper. We first compared performance of different models on CPAF dataset. After the same number of iterations of training, the recognition accuracy of the CPAFNet model reached 92.26% when the learning rate was set to 0.02, which is the best performance of all the models participating in the test. The least time spent on training is also the CPAFNet model. Then, the influence of different number of convolution kernels on recognition rate of CPAFNet was analyzed. Results shown that the balance accuracy achieved to 92.63% when the number of convolution kernels corresponding to the convolutional layer group was set to 64-128-256-256. Finally, the influence of different optimization algorithms and dropout probability on training was assessed. Results shown that when the RMSProp algorithm was used and dropout probability was set to 0.8 of CPAFNet, the balance accuracy achieved to 92.63%. In addition, different enhancement algorithms were assessed on pests image recognition of CPAFNet. Results shown that the balance accuracy was decreased from 0.9263 to 0.9152, 0.9125 and 0.9230 on CPAF dataset without expanded data obtained by flipping, rotating and scaling algorithm respectively, which indicate the enhancement algorithms of them can improve the identification precision of pest image. At the same time, the class activation map algorithm was used for feature visualization. Results shown that the CPRAFNet is good for capturing features on pest of CPAF dataset. The results of the model optimization research and the CPAFNet depth model proposed for the CPAF dataset have a good practical significance for the intelligent identification of agricultural and forestry pests.

中文翻译：

---

基于深度卷积神经网络的常见害虫图像识别

摘要 为了实现农林常见病虫害的快速识别，提出了一种基于深度卷积神经网络的新方法。本文收集了 19 只昆虫和 1 只幼虫的图像。通过翻转、旋转、缩放、添加 Gussian 噪声和花式 PCA 等图像处理方法对数据进行了增强。构建的图像数据集 CPAF 有 73,635 张昆虫图像，包括 4909 张原始图像和 68,726 张增强图像。使用 3-folds 验证方法在 CPAF 数据集上使用 VggA、VGG16、Inception V3、ResNet50 以及我们在本文中设计的深度神经网络模型 CPAFNet 识别害虫图像。为了更好地优化识别结果，本文对平衡精度进行了计算和分析。我们首先比较了不同模型在 CPAF 数据集上的性能。经过相同次数的训练迭代，当学习率设置为0.02时，CPAFNet模型的识别准确率达到了92.26%，是所有参与测试的模型中表现最好的。花费在训练上的时间最少的也是 CPAFNet 模型。然后，分析了不同卷积核数对CPAFNet识别率的影响。结果表明，当卷积层组对应的卷积核数设置为64-128-256-256时，平衡精度达到92.63%。最后，评估了不同优化算法和dropout概率对训练的影响。结果表明，当使用 RMSProp 算法并将 dropout 概率设置为 CPAFNet 的 0.8 时，平衡精度达到92.63%。此外，对CPAFNet的害虫图像识别评估了不同的增强算法。结果表明，在没有分别通过翻转、旋转和缩放算法获得的扩展数据的情况下，CPAF数据集的平衡精度从0.9263下降到0.9152、0.9125和0.9230，表明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。63%。此外，对CPAFNet的害虫图像识别评估了不同的增强算法。结果表明，在没有分别通过翻转、旋转和缩放算法获得的扩展数据的情况下，CPAF数据集的平衡精度从0.9263下降到0.9152、0.9125和0.9230，表明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。63%。此外，对CPAFNet的害虫图像识别评估了不同的增强算法。结果表明，在没有分别通过翻转、旋转和缩放算法获得的扩展数据的情况下，CPAF数据集的平衡精度从0.9263下降到0.9152、0.9125和0.9230，表明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。对CPAFNet的害虫图像识别评估了不同的增强算法。结果表明，在没有分别通过翻转、旋转和缩放算法获得的扩展数据的情况下，CPAF数据集的平衡精度从0.9263下降到0.9152、0.9125和0.9230，表明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。对CPAFNet的害虫图像识别评估了不同的增强算法。结果表明，在没有分别通过翻转、旋转和缩放算法获得的扩展数据的情况下，CPAF数据集的平衡精度从0.9263下降到0.9152、0.9125和0.9230，表明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。结果表明，在没有分别通过翻转、旋转和缩放算法获得的扩展数据的情况下，CPAF数据集的平衡精度从0.9263下降到0.9152、0.9125和0.9230，表明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。结果表明，在没有分别通过翻转、旋转和缩放算法获得的扩展数据的情况下，CPAF数据集的平衡精度从0.9263下降到0.9152、0.9125和0.9230，表明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。说明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。说明它们的增强算法可以提高害虫图像的识别精度。同时使用类激活图算法进行特征可视化。结果表明，CPRAFNet 有利于捕获 CPAF 数据集的害虫特征。模型优化研究结果以及针对CPAF数据集提出的CPAFNet深度模型对于农林病虫害智能识别具有良好的现实意义。