1.1 赛题背景昆虫的种类浩如烟海，农田常见的昆虫是人工生态系统的重要组成部分。分辨益虫和害虫，保留益虫，消灭害虫，对于减轻害虫对农田的生产危害有重要意义。常见农田害虫共有 138 种，天敌昆虫则为 40 种。病虫害是农业生产中的“灰犀牛”，如果不能及时地控制病虫害问题，会导致农作物减产歉收。

如何去控制病虫害，从而提高农作物的收成是一项很重要的任务，其中最重要的一环是准确检测病虫害。在传统方式已经无法满足规模日益增大的农业需求之后，虫情检测灯的出现让无人监管的病虫害检测成为了可能。虫情检测灯能实现自动诱集、杀虫、虫体分散、拍照以及上传数据等作业过程，可以帮助植保人员更快、更准确地分析虫情，从而减少农产品农药残留，改善农田环境。虫情检测灯的效果依赖于目标检测算法，采用高效的目标检测算法可以提高效率和精度且降低成本，为此，国内外专家做了大量的研究，其中深度学习成为了目标检测算法的热点。

复杂的网络结构和庞大的数据样本是深度学习的最大特点，自从深度学习横空出世，图像识别获得了跨越性的进展。

1.2 问题重述

问题一要求我们结合附件 1 中由虫情探测灯采集的图像文件以及附件 2 中部分已识别图像的信息，建立一个识别率高、速度快、分类准确的模型和算法，确认害虫的位置及种类。问题二要求我们将模型应用于现实，对附件 3 进行图像识别作业并将识别结果放在“result2.csv”中。问题三要求我们将识别结果进一步分类统计，得出附件 3 中各类害虫的数量并将统计结果放在“result3.csv”中。

1.3 文献综述 You Only Look Once (YOLO) 是一种能够实时处理对象的检测算法。它是一种 Onestage 的目标检测算法，因为它建议使用端到端的神经网络，可以同时预测边界框和类别概率。因此，YOLO 比之前的两阶段模型（R-CNN、Fast R-CNN、Faster R-CNN）具有更好的推理速度。YOLO 的结构很简单，它可以通过神经网络直接输出限定框的位置与类别。另外，YOLO 的速度更快，因为 YOLO 只需要将图像放到网络即可得到最终的检测结果，因此 YOLO 也可以实现对一段视频进行检测。YOLO 直接使用整张图片进行检测，可以对全局信息进行编码，因而可以减少因背景造成的误差。YOLO 可以将高度广义的特征转化到其他领域，同时它可以将目标检测问题转化为回归问题，但是回归的精度有待提高。

随着 YOLOv5 的引入，YOLO 系列模型达到了一个前所未有的高度，其推理速度做到了当世最强，而且 Yolov5 的模型大小只有轻量级，它的 Backbone 阶段采用了 Focus 和 CSPDarknet53 结构，Focus 结构其中比较关键的部分是切片操作，CSP 结构先将基础层的特征映射后划分为 2 个部分，然后通过跨阶段层次结构将它们合并，解决了梯度信息重复问题，得到更多的正样本锚，在减少了计算量的同时也可以保证准确率。并且使用了路径聚合网络和空间金字塔池化作为 Neck 结构，PANet 基于 Mask Ｒ-CNN 和 FPN 框架，同时增强了信息的流动，该网络的特征提取器采取了一种自下向上路径的改进的 FPN 网络结构，改善了低层特征的传播。Neck 结构主要是生成特征金字塔，该结构可以产生不同固定尺寸的池化特征向量，同时强化了特征的表达能力，对于同一物体在不同尺寸的检测有很好的作用。最后经过 YOLO 通用预测层，该层主要用 Head 模型预测最终结果，在格网中根据特征标记锚定框，通过损失计算得出目标类的概率和边框最终位置。YOLOv5 在输出端使用 GIOU Loss 作为边界框的损失函数，因此边框有很快很好的收敛效果。

YOLOv5 共有 s、m、l、x4 种模型，4 种模型具有相同的网络结构，调整 2 个参数来改变模型的深度和宽度。相比 YOLOv5s 模型的深度最浅，YOLOv5x 模型的 Neck 数量最多，是 s 模型的 4 倍。YOLOv5s 模型的宽度最窄，因此卷积核的数量减半，YOLOv5x 模型的卷积核的数量最多，通道层的数量是 s 模型的 2．5 倍。YOLOv5l 模型的宽度和深度都是初始值。在相同数据集的情况下，YOLOv5s 模型的训练和推理性能最佳，体量最小，但是 YOLOv5x 模型的平均精度均值最佳。

二、数据探索

2.1 类别不平衡的问题在提供的正式数据中，共计 3015 张图片，其中 2213 张图片已经给出了标注样例，剩余 802 张图片作为测试集，训练集中共出现 28 种昆虫，使用 SPSSSPRO 平台对所有给出标注结果的图片统计分析，发现严重存在类别不平衡问题，如图 3所示，出现最多的昆虫是共出现 247 次的八点灰灯蛾，而出现最少的昆虫类别，例如豆野螟只出现一次，干纹冬夜蛾只出现一次，水螟蛾只出现三次。经过统计，共有 17 种昆虫给出的标注次数少于 20 次。与此同时，其中 1637 张图片被官方判定为无需标注，即正式数据标注了这些图片，却没有标注任何昆虫。在 2213 张给出标注的图片中有 1637 张为负样本，这对模型的训练不利，大大减少了能从正式数据中能够获得的信息。

2.2 数据标注质量问题

通过 python 调用 opencv 库，我们对所给出的标注图片中昆虫的具体图像做了分离，可以发现给出的标注图像中，很多图片标注中出现了标注不准确的问题，如图 4中中一只翅膀分别被标记为了稻螟蛉和紫条尺蛾，而图 5中对于草地螟所有通过标记给出的五张图片中，只有一张能够完整的表示出草地螟的完整生物学特征。

样本是模型训练的基石，倘若没有良好的、大量的数据集做支撑，再好的模型也难以训练出表现优良的模型。

2.3 样本标注不清晰通过对给出的图片的标注区域可视化，可以发现所提供训练数据集本身对于某些昆虫标注存在标准不明确、不完全的问题，比如大黑鳃金龟在一些图片中，训练集中标出了大黑鳃金龟，而在别的图片中反而没有标注。在一些图片中有多只大黑鳃金龟，但是却没有标注完全，只标注了某一只。原数据集给出的大黑鳃金龟样例图如图 6