摘要[目的]昆虫常在色彩、纹理或形态上和背景相似,具有伪装性,识别难度大.本研究旨在探索基于深度学习的伪装昆虫前背景自动分割方法.[方法]将显著目标检测算法(salient object detection algorithm)、大模型 图像分割算法(large-scale model-based image segmentation algorithm)以及伪装目标检测算法(camouflaged object detection algorithm)应用于伪装昆虫数据集,该数据集包括10类昆虫共1 900张图片;并进一步针对现有伪装目标检测算法的不足,提出了一种基于DGNet(deep-gradient network)的网络模型改进方法,即 ZDNet(zoom-deep gradient network).在构建该模型时,充分运用图像特征增强、交错图像金字塔、梯度诱导和跳跃式特征融合等技术.利用伪装目标检测公开数据集COD10K与CAMO构建了包含螽斯、蜘蛛等10个目昆虫的图像数据集,结合迁移学习进行网络训练,将经过训练的模型用于分割伪装昆虫.[结果]现有的伪装目标检测模型用于伪装昆虫前背景分割时,其分割性能明显优于显著目标检测模型和大模型分割图像.同时,ZDNet在性能上也明显优于现有的伪装目标检测算法,获得的S度量值、最大F度量值、平均F度量值、最大E度量值、平均E度量值和平均绝对误差(mean absolute error,MAE)分别为0.890,0.865,0.824,0.966,0.951和0.020.[结论]研究结果证明了 ZDNet网络模型能够获得很好的伪装昆虫前背景分割结果,有利于提高昆虫识别的性能,也进一步拓宽了伪装目标检测方法的应用范围.