一种东亚飞蝗龄期识别方法及装置制造方法及图纸

本发明专利技术提供一种东亚飞蝗龄期识别方法及装置，所述方法包括：S1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；S2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。本发明专利技术实现对东亚飞蝗龄期的自动识别，不需要人为操作，且识别的精度更高。

Method and device for identifying locusts migratory locust in East Asia

The invention provides a method and a device for identifying the age of East Asian migratory locusts. The method comprises the following steps: S1, identifying the image to be identified based on the pre-constructed identification model of locust species; S2, if the species of the image to be identified is known as East Asian migratory locust according to the identification result, based on the pre-constructed age of East Asian migratory locust. The period recognition model recognizes the locust image to be recognized, and obtains the age corresponding to the locust image to be recognized. The invention realizes the automatic identification of the age of East Asian migratory locusts, does not require manual operation, and has higher recognition accuracy.

【技术实现步骤摘要】
一种东亚飞蝗龄期识别方法及装置
本专利技术属于图像识别
，更具体地，涉及一种东亚飞蝗龄期识别方法及装置。
技术介绍
蝗虫，俗称“蚂蚱”，主要包括飞蝗和土蝗，危害禾本科植物。在我国，飞蝗有东亚飞蝗、亚洲飞蝗和西藏飞蝗3种。其中，东亚飞蝗在我国分布范围最广，危害最严重，是造成我国蝗虫灾害最主要的飞蝗种类。为减轻蝗虫灾害给农业造成的损失，应提前预防，积极发展和改善检测预警技术水平，使相关人员能够在蝗虫灾害发生前快速、准确地得到预警信息，尽早采取措施降低蝗虫造成的危害。蝗虫在较小时危害较小，且比较容易控制。因此，识别蝗虫龄期对采取措施决策很重要。目前，识别蝗虫龄期主要采用人工调查法进行监测。蝗虫龄期的识别一般都是基于身体长短和翅膀特征等形态学上的方法来区分蝗虫龄期。由于蝗虫的生长周期较短，人工调查法需要人工经常进行观察和记录，消耗大量人力和时间。且人工调查法带有较强的主观性，影响蝗虫龄期识别的准确率。
技术实现思路
为克服上述东亚飞蝗龄期识别需要人工识别，消耗大量人力和时间，且识别准确率不高的问题或者至少部分地解决上述问题，本专利技术提供了一种东亚飞蝗龄期识别方法及装置。根据本专利技术的第一方面，提供一种东亚飞蝗龄期识别方法，包括：S1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；S2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。具体地，所述步骤S1之前还包括：S0，基于卷积神经网络对预先获取的训练样本图像进行深度学习，构建蝗虫种类识别模型和东亚飞蝗龄期识别模型；所述训练样本图像包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。具体地，所述步骤S0之前还包括：S011，基于连通区域标记算法对预先获取的各原始蝗虫图像中的蝗虫区域进行标记；S012，若所述蝗虫区域满足预设条件，则根据标记的所述蝗虫区域的位置和所述蝗虫区域对应的蝗虫类型，基于直线裁剪算法对各所述原始蝗虫图像进行裁剪，获取各训练样本图像；或者，S013，若所述蝗虫区域不满足预设条件，则对所述蝗虫区域进行调整以使所述蝗虫区域满足预设条件，对调整后的所述蝗虫区域执行所述步骤S012；所述预设条件为所述蝗虫区域的长与所述蝗虫区域的宽之间的比值为预设常数。具体地，所述步骤S1之前还包括：S021，基于卷积神经网络对预先获取的所有训练样本进行深度学习，构建蝗虫目标检测模型；S022，基于所述蝗虫目标检测模型对目标蝗虫图像进行检测，获取所述目标蝗虫图像中所述蝗虫区域的位置；S023，根据所述目标蝗虫图像中蝗虫区域的位置，基于直线裁剪算法对所述目标蝗虫图像进行裁剪，获取待识别蝗虫图像。具体地，所述步骤S012之后或所述步骤S021之前还包括：对待识别蝗虫图像或各所述训练样本图像进行预处理，所述预处理包括归一化、z-score标准化和白化中的一种或多种。具体地，所述步骤S012之后还包括：分别根据标记的种类和标记的所述种类为东亚飞蝗的龄期对各所述训练样本图像进行划分；相应地，所述步骤S0具体包括：将各种类的所述训练样本图像输入卷积神经网络，构建蝗虫种类识别模型；将所述种类为东亚飞蝗的各龄期的所述训练样本图像输入卷积神经网络，构建东亚飞蝗龄期识别模型。具体地，所述步骤S2之后还包括：对所述训练样本图像进行更新；根据更新后的所述训练样本图像，对所述蝗虫种类识别模型和所述东亚飞蝗龄期识别模型进行更新。具体地，所述卷积神经网络为改进的AlexNet模型；其中，所述改进的AlexNet模型在原AlexNet中新增预设层数的卷积层，将原AlexNet中的池化层替换为Stochasticpooling层，在倒数第二层全连接层和倒数第三层全连接层中添加Dropout层。具体地，所述步骤S1还包括：将各所述训练样本图像进行预设角度的翻转，基于卷积神经网络对翻转后的各所述训练样本图像再次进行深度学习。根据本专利技术的第二方面，提供一种东亚飞蝗龄期识别装置，包括：第一识别模块，用于基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；第二识别模块，用于在根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗时，基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。本专利技术提供一种东亚飞蝗龄期识别方法及装置，该方法通过先基于预先构建的蝗虫种类识别模型识别出种类为东亚飞蝗的待识别蝗虫图像，然后进一步基于预先构建的东亚飞蝗龄期识别模型识别出种类为东亚飞蝗的待识别蝗虫图像中东亚飞蝗的龄期，从而实现对东亚飞蝗龄期的自动识别，不需要人为操作，且识别的精度更高。附图说明图1为本专利技术实施例提供的东亚飞蝗龄期识别方法整体流程示意图；图2为本专利技术实施例提供的东亚飞蝗龄期识别方法中改进的卷积神经网络结构示意图；图3为本专利技术实施例提供的东亚飞蝗龄期识别方法中使用训练样本图像构建模型的整体流程图；图4为本专利技术实施例提供的东亚飞蝗龄期识别方法中对待识别蝗虫图像进行东亚飞蝗龄期识别的整体流程图；图5为本专利技术实施例提供的东亚飞蝗龄期识别装置整体结构示意图；图6为本专利技术实施例提供的东亚飞蝗龄期识别设备整体结构示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。在本专利技术的一个实施例中提供一种东亚飞蝗龄期识别方法，图1为本专利技术实施例提供的东亚飞蝗龄期识别方法整体流程示意图，该方法包括：S1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；S2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。具体地，S1中，所述待识别蝗虫图像为获取的需要进行识别的蝗虫图像。使用预先构建的所述蝗虫种类识别模型对所述待识别蝗虫图像进行识别，输出所述待识别蝗虫图像对应的蝗虫种类。S2中，判断所述蝗虫种类是否为东亚飞蝗，若是则继续使用所述东亚飞蝗龄期识别模型对所述待识别图像进行识别，获取所述待识别蝗虫图像对应的龄期，从而实现对所述待识别蝗虫图像中东亚飞蝗的龄期进行识别，为准确及时获取蝗情提供数据支持；若所述蝗虫种类不为东亚飞蝗，则停止执行后续步骤。本实施例的运行环境为带GPU的服务器。本实施例通过先基于预先构建的蝗虫种类识别模型识别出种类为东亚飞蝗的待识别蝗虫图像，然后进一步基于预先构建的东亚飞蝗龄期识别模型识别出种类为东亚飞蝗的待识别蝗虫图像中东亚飞蝗的龄期，从而实现对东亚飞蝗龄期的自动识别，不需要人为操作，且识别的精度更高。在上述实施例的基础上，本实施例中所述步骤S1之前还包括：S0，基于卷积神经网络对预先获取的训练样本图像进行深度学习，构建蝗虫种类识别模型和东亚飞蝗龄期识别模型；所述训练样本包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。具体地，所述卷积神经网络为各种卷积神经网络模型，如AlexNet模型，本实施例不限于卷积神经网络的类型。所述训练样本图像为大量的蝗虫样本，包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。所述蝗虫种类识别模型用于识别蝗虫的种类。所述东亚飞蝗龄期识别模型用于识别种类为东亚本文档来自技高网...

【技术保护点】
1.一种东亚飞蝗龄期识别方法，其特征在于，包括：S1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；S2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。

【技术特征摘要】
1.一种东亚飞蝗龄期识别方法，其特征在于，包括：S1，基于预先构建的蝗虫种类识别模型对待识别蝗虫图像进行识别；S2，若根据识别结果获知所述待识别蝗虫图像的种类为东亚飞蝗，则基于预先构建的东亚飞蝗龄期识别模型对所述待识别蝗虫图像进行识别，获取所述待识别蝗虫图像对应的龄期。2.根据权利要求1所述的方法，其特征在于，所述步骤S1之前还包括：S0，基于卷积神经网络对预先获取的训练样本图像进行深度学习，构建蝗虫种类识别模型和东亚飞蝗龄期识别模型；所述训练样本图像包括东亚飞蝗样本图像和其他种类的蝗虫样本图像。3.根据权利要求2所述的方法，其特征在于，所述步骤S0之前还包括：S011，基于连通区域标记算法对预先获取的各原始蝗虫图像中的蝗虫区域进行标记；S012，若所述蝗虫区域满足预设条件，则根据标记的所述蝗虫区域的位置和所述蝗虫区域对应的蝗虫类型，基于直线裁剪算法对各所述原始蝗虫图像进行裁剪，获取各训练样本图像；或者，S013，若所述蝗虫区域不满足预设条件，则对所述蝗虫区域进行调整以使所述蝗虫区域满足预设条件，对调整后的所述蝗虫区域执行所述步骤S012；所述预设条件为所述蝗虫区域的长与所述蝗虫区域的宽之间的比值为预设常数。4.根据权利要求2所述的方法，其特征在于，所述步骤S1之前还包括：S021，基于卷积神经网络对预先获取的所有训练样本图像进行深度学习，构建蝗虫目标检测模型；S022，基于所述蝗虫目标检测模型对目标蝗虫图像进行检测，获取所述目标蝗虫图像中所述蝗虫区域的位置；S023，根据所述目标蝗虫图像中蝗虫区域的位置，基于直线裁剪算法对所述目标蝗虫图像进行裁剪，获取待识别蝗虫图像。5.根据权利要求3或4所述的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：李林，顾进锋，苏洁，陆书涵，柏雪松，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11