【技术实现步骤摘要】
一种基于F-SSD-IV3的作物害虫检测方法
本专利技术属于深度学习与计算机视觉领域，尤其是涉及一种基于F-SSD-IV3的作物害虫检测方法。
技术介绍
随着全球人口的不断增长，对于粮食的需求也在大幅增加，由于自然环境及作物自身因素的影响，作物在不同的生长阶段中不可避免地会受到害虫的攻击。若无法及时检测到害虫并消除它，可能会造成虫害的爆发，大规模虫害的爆发会影响到作物的健康生长，从而对作物的产量和品质造成较大的损害。传统的害虫鉴定建立在形态、颜色和纹理等形态特征的基础上,依赖人工识别的方法，结果存在着一定的主观性/时效性差/劳动密集.早期鉴定害虫是建立在模板匹配技术和简单的模型上，使用人工设计的特征提取害虫图像的特征.常见的特征如方向梯度直方图(HistogramofOrientedGradient，HOG)、局部二值模式(LocalBinaryPattern，LBP)、尺度不变特征变换(Scale-invariantFeatureTransform，SIFT)、Haar-like和可变形部件模型(DeformablePartsModel，DPM)等。不过人工设计...
【技术保护点】
1.一种基于F‑SSD‑IV3的作物害虫检测方法，其特征在于，包含以下步骤：(1)采集害虫图像，构建作物害虫数据库；(2)构建F‑SSD‑IV3目标检测算法，利用所述作物害虫数据库内的图像，以Inception V3作为特征提取器，输出的不同尺度的特征图，并对所述的特征图进行特征融合，并使用Softer NMS微调候选框；(3)通过数据扩增和增加Dropout层优化目标检测网络，得到最优的检测模型，用于检测图像中的作物害虫。
【技术特征摘要】
1.一种基于F-SSD-IV3的作物害虫检测方法，其特征在于，包含以下步骤：(1)采集害虫图像，构建作物害虫数据库；(2)构建F-SSD-IV3目标检测算法，利用所述作物害虫数据库内的图像，以InceptionV3作为特征提取器，输出的不同尺度的特征图，并对所述的特征图进行特征融合，并使用SofterNMS微调候选框；(3)通过数据扩增和增加Dropout层优化目标检测网络，得到最优的检测模型，用于检测图像中的作物害虫。2.如权利要求1所述的基于F-SSD-IV3的作物害虫检测方法，其特征在于，所述作物害虫数据库中储存有不同的尺寸、光线条件、遮挡程度、拍摄角度和目标害虫大小的害虫图像。3.如权利要求1所述的基于F-SSD-IV3的作物害虫检测方法，其特征在于，所述步骤(2)的具体过程如下：(2-1)选择InceptionV3为F-SSD-IV3的基础网络；InceptionV3网络的结构由卷积层、卷积层、卷积层、池化层、卷积层、卷积层、池化层、Mixed1_a，Mixed1_b，Mixed1_c，Mixed2_a、Mixed2_b、Mixed2_c、Mixed2_d、Mixed2_e、Mixed3_a、Mixed3_b、Mixed3_c，池化层、dropout层、全连接层组成；卷积核的维度包含了1×1，1×3，3×1，3×3，5×5，1×7，7×1，池化层包括了最大值池化与平均池化，维度为3×3；得到的特征图尺寸为149×149×32，147×147×32，147×147×64，73×73×64，73×73×80，71×71×192，35×35×192，35×35×256，35×35×288，35×35×288，17×17×768，17×17×768，17×17×768，17×17×768，17×17×768，8×8×1280，8×8×2048，8×8×2048，1×1×2048；(2-2)然后在InceptionV3后添加6个卷积层的附加网络，卷积核大小分别为1×1×256，3×3×512；，1×1×128，3×3×256；，1×1×256，3×3×128；，得到三个尺寸逐渐减小的特征图，大小分别为4×4×512，2×2×256，1×1×128；(2-3)对步骤2-2中输出的特征...
【专利技术属性】
技术研发人员：何勇，吴剑坚，曾鸿，许剑，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。