Abstract
大豆田虫害的发生使全世界的农民感到担忧。虫害数量的早期和自动诊断可以评估每个种植区的虫害水平，以优化作物中农药的应用，从而降低生产成本和环境影响。最近关于昆虫数量的研究采用了深层神经网络。然而，研究采用了经过训练的模型，只计算一种昆虫，使用在受控环境中捕获的图像，这与实际情况大不相同。为了获得较高的精度，我们评估了三种卷积神经网络（CNN）模型，它们采用三种不同的训练策略：使用ImageNet获得的权重进行100%微调，使用ImageNet随机初始化权重的完整网络，以及使用ImageNet获得的权重进行转移学习。在网络训练过程中使用了数据扩充和数据丢失，以减少过度拟合，提高模型的泛化能力。我们的方法包括使用简单线性迭代聚类（SLIC）方法从种植园分割图像，并使用CNN训练的分类模型将每个超像素片段分类为害虫类。害虫数量是通过添加我们的计算机视觉系统识别的每个超像素类的昆虫来获得的。结果表明，深度学习模型可以成功地用于支持大豆田害虫管理专家和农民。
Index Terms— Deep-learning, precision agriculture, soybean
insect pests.
I. INTRODUCTION
近年来，大豆田发生的农业害虫一直困扰着世界不同地区的农民，由于大豆田受到天然的主抗性的积极影响，农药的使用增加选择。
【1】据估计，大豆生产的大部分直接成本集中在肥料(27.82%)，其次是农药(18.24%)、机器操作(9.10%)、种子(7.35%)和机器和工具的折旧(6.76%)[1]。
害虫的防治是根据植物的侵害程度和发育阶段进行的管理决策。这些信息是通过对作物不同区域的定期
