基于AgriPest数据集的智能虫害检测实战：从数据清洗到模型部署

1次阅读

没有评论

共计 2383 个字符，预计需要花费 6 分钟才能阅读完成。

农业虫害检测一直面临几个核心挑战：

类不平衡问题：田间实际场景中，某些害虫出现频率远高于其他种类，导致模型偏向多数类
背景干扰严重：植物叶片纹理、光照变化、遮挡等因素干扰目标检测
标注成本高：需要农业专家参与标注，且细小害虫的边界难以精确划定

AgriPest 数据集针对这些问题提供了专业解决方案：

包含 32 种常见害虫的 12 万张高分辨率图像
每张图像附带气象条件和拍摄角度元数据
采用分级标注体系（重度 / 轻度感染区域标记）
均衡采集不同生长阶段的作物图像

使用 Albumentations 进行针对性增强：

import albumentations as A

# 针对农业图像特点的增强策略
transform = A.Compose([A.RandomSunFlare(flare_roi=(0, 0, 1, 0.5), angle_lower=0.5, p=0.3),  # 模拟强光
    A.RandomShadow(num_shadows_lower=1, num_shadows_upper=3, p=0.5),
    A.MotionBlur(blur_limit=7, p=0.2),  # 模拟风吹动叶片
    A.RandomBrightnessContrast(p=0.8),
    A.HueSaturationValue(hue_shift_limit=10, sat_shift_limit=20, val_shift_limit=10, p=0.5),
    A.Cutout(num_holes=8, max_h_size=32, max_w_size=32, fill_value=0, p=0.5),
    A.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
], bbox_params=A.BboxParams(format='pascal_voc', label_fields=['class_labels']))

在 AgriPest 验证集上的表现对比（输入尺寸 640×640）：

模型	mAP@0.5	参数量(M)	推理速度(ms)
YOLOv5s	0.874	7.2	12.3
YOLOv5m	0.892	21.2	22.1
Faster R-CNN	0.861	136.5	48.7
RetinaNet	0.847	36.3	34.2

from torch.utils.data import WeightedRandomSampler

# 计算类别权重
class_counts = np.bincount(dataset.labels)
class_weights = 1. / torch.Tensor(class_counts)

# 创建带权重的采样器
weight_per_sample = class_weights[dataset.labels]
sampler = WeightedRandomSampler(
    weights=weight_per_sample,
    num_samples=len(weight_per_sample),
    replacement=True
)

dataloader = DataLoader(dataset, batch_size=16, sampler=sampler)

# INT8 校准过程
calibrator = EntropyCalibrator2(
    data_dir=calib_data_path,
    batch_size=32,
    input_shape=(3, 640, 640)
)

# 构建配置
config = builder.create_builder_config()
config.set_flag(trt.BuilderFlag.INT8)
config.int8_calibrator = calibrator
config.set_memory_pool_limit(trt.MemoryPoolType.WORKSPACE, 1 << 30)

# 序列化引擎
with builder.build_serialized_network(network, config) as engine:
    with open('model_fp16.engine', 'wb') as f:
        f.write(engine)