【技术实现步骤摘要】
一种基于作物识别级联技术的害虫图像检测方法
本专利技术涉及病虫害图像检测
，具体来说是一种基于作物识别级联技术的害虫图像检测方法。
技术介绍
现有技术中，利用移动视觉技术进行自动野外害虫检测和识别是现代智能农业的热门话题，但其也面临着严峻的挑战，包括野生环境的复杂性、微小害虫的检测和多种害虫的分类。虽然最近基于深度学习的移动视觉技术在克服上述问题方面取得了一些成功，但一个关键问题是，对于大规模多种有害生物数据，不平衡类显著降低了它们的检测和识别准确性。通俗来讲，传统的深度学习害虫图像识别方法，其针对大量的害虫图像进行训练，涉及多个害虫种类，如依赖于水稻上的蚜虫、依赖于小麦上的麦蜘蛛等。但从训练样本数据源来讲，不可能做到各种作物涉及害虫的训练数量较相近，从田间采集角度来讲，更无法做到数量相近的样本集合，以致出现依赖某一作物的某一害虫训练样本多、依赖另一作物的另一害虫训练样本少的现状。这种样本现状导致传统的深度学习检测模型在进行害虫图像训练时，针对于害虫样本数量多的害虫能够得到有效训练，检测识别时能够有效检...
【技术保护点】
1.一种基于作物识别级联技术的害虫图像检测方法，其特征在于，包括以下步骤：/n11)获取基础数据图像：获取害虫图像基础数据集，并对害虫图像基础数据集进行标签定义，标签类别为分类害虫图像、地理信息、时间信息和环境信息；/n12)构造并训练多层感知信息识别网络：基于多种感知信息，构建出用于害虫依赖的作物分类的多层感知信息识别网络并对其进行训练；/n13)构造并训练多投影检测模型：根据作物类别，分别构建多投影检测模型并进行训练；/n14)待检测害虫图像的获取；/n15)害虫图像的检测：将待检测害虫图像先输入多层感知信息识别网络识别出害虫依赖的作物类别；再将图片输入到特定作物对应的...
【技术特征摘要】 【专利技术属性】
1.一种基于作物识别级联技术的害虫图像检测方法，其特征在于，包括以下步骤：
11)获取基础数据图像：获取害虫图像基础数据集，并对害虫图像基础数据集进行标签定义，标签类别为分类害虫图像、地理信息、时间信息和环境信息；
12)构造并训练多层感知信息识别网络：基于多种感知信息，构建出用于害虫依赖的作物分类的多层感知信息识别网络并对其进行训练；
13)构造并训练多投影检测模型：根据作物类别，分别构建多投影检测模型并进行训练；
14)待检测害虫图像的获取；
15)害虫图像的检测：将待检测害虫图像先输入多层感知信息识别网络识别出害虫依赖的作物类别；再将图片输入到特定作物对应的多投影检测模型进行害虫的检测计数。
2.根据权利要求1所述的一种基于作物识别级联技术的害虫图像检测方法，其特征在于，所述的构造并训练多层感知信息识别网络包括以下步骤：
21)设定多层感知信息识别网络包括四个ResNet-50卷积神经网络和一个决策网络，四个ResNet-50卷积神经网络分别用于分类图像中害虫依赖的作物类别、图像获取的地理信息、时间信息和环境信息；
22)从害虫图像基础数据集中调取基础数据图像以及获取的多种感知信息，并将多种感知信息编码成对应的标签，并输入多层感知信息识别网络进行训练；
23)多层感知信息识别网络的四个ResNet-50卷积神经网络识别出基础数据图像的作物类别标签、地理信息类别标签、时间信息类别标签和环境信息类别标签，并组合成图像特征向量；
24)将图像特征向量送入决策网络，识别出害虫图像中害虫依赖的作物类别，决策网络的体系结构包括全连接层和非线性激活函数。
3.根据权利要求1所述的一种基于作物识别级联技术的害虫图像检测方法，其特征在于，所述的构造并训练多投影检测模型包括以下步骤：
31)将害虫图像作为残差网络的输入，残差网络输出的低层特征图作为投影网络的输入，将害虫图像基础数据集按照作物类别归类；
32)根据作物类别的数量构造并训练多投影检测模型。
技术研发人员：陈天娇，王儒敬，王方元，谢成军，刘万才，张洁，李瑞，陈红波，董伟，胡海瀛，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34
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。