害虫检测模型构建方法技术

本发明专利技术公开了一害虫检测模型构建方法，其包括步骤：基于虫情测报灯的图片构建一训练集、一验证集以及一测试集；增强所述训练集的数据和过采样小目标样本；以结合一VGG16卷积模型和神经网络的注意力机制的方式，构建一卷积注意力网络；通过一阶动量随机梯度下降算法训练所述卷积注意力网格模型，并且利用所述验证集微调所述卷积注意力网格模型的参数；利用所述测试集测试所述卷积注意力模型，以构件一害虫检测模型，如此使得所述害虫检测模型具有高检测精度和强鲁棒性。高检测精度和强鲁棒性。高检测精度和强鲁棒性。

【技术实现步骤摘要】
害虫检测模型构建方法


[0001]本专利技术涉及模型构建方法，特别涉及一害虫检测模型构建方法，其中所述害虫检测模型基于卷积注意力网络被构建，以使所述害虫检测模型具有高检测精度和强鲁棒性。

技术介绍

[0002]植物病虫害是比较严重的自然灾害，其对于植物(尤其是农作物)的正常生长产生严重的威胁，因此，准确地识别害虫对于植保工作具有非常重要的意义。目前主要依靠少数具有专业知识的植保专家和农技人员利用专业知识对害虫进行人工识别，这种人工识别害虫的方式存在着诸多的缺陷。首先，人工识别害虫的方式不仅需要消耗大量的人力，而且识别结果的准确性无法得到保证。其次，人工识别害虫的方式需要具有专业知识的植保专家和农机人员亲自到现场工作，无法做到提前预警病虫害。第三，害虫种类繁多，并且从外观上来看，不同种类的害虫的外观相似度比较高，即便是具有专业知识的植保专家和农技人员也很难识别所有的害虫。为了解决这一问题，近年来逐渐地出现了依靠计算机图像处理方法对害虫进行自动识别，特别是利用深度学习技术的图像处理方法被引入到害虫识别领域，对于自动识别害虫的实现和发展提供了巨大的帮助。但是对于目前的利用深度学习技术的害虫识别系统来说，在利用深度学习技术对害虫进行识别时，存在着收集的害虫样本少、神经网络提取的害虫特征区分度低、虫体相互遮挡等问题，以至于导致识别准确地普遍偏低，限制了利用深度学习技术的害虫识别系统的进一步发展和大规模应用。

技术实现思路

[0003]本专利技术的一个目的在于提供一害虫检测模型构建方法，其中所述害虫检测模型构建方法利用神经网络的注意力机制构建害虫检测模型，如此使得所述害虫检测模型具有高检测精度和强鲁棒性。
[0004]本专利技术的一个目的在于提供一害虫检测模型构建方法，其中所述害虫检测模型构建方法利用神经网络的注意力机制构建所述害虫检测模型，如此使得所述害虫检测模型具有实时性。
[0005]本专利技术的一个目的在于提供一害虫检测模型构建方法，其中所述害虫检测模型构建方法在少量样本的情况下进行训练即可构建所述害虫检测模型，并且使得所述害虫检测模型具有高检测精度、强鲁棒性和实时性。
[0006]本专利技术的一个目的在于提供一害虫检测模型构建方法，其中所述害虫检测模型构件方法结合卷积模型和神经网络的注意力机制能够有效地提取不同大小目标的特征，以解决害虫样本数量少、害虫特征相似、害虫堆叠和遮挡以及目标较小的问题。
[0007]依本专利技术的一个方面，本专利技术提供一害虫检测模型构建方法，其中所述害虫模型构建方法包括如下步骤：
[0008](a)基于虫情测报灯的图片构建一训练集、一验证集以及一测试集；
[0009](b)增强所述训练集的数据和过采样小目标样本；
[0010](c)以结合一VGG16卷积模型和神经网络的注意力机制的方式，构建一卷积注意力网络；
[0011](d)通过一阶动量随机梯度下降算法训练所述卷积注意力网格模型，并且利用所述验证集微调所述卷积注意力网格模型的参数；以及
[0012](e)利用所述测试集测试所述卷积注意力模型，以构件一害虫检测模型。
[0013]根据本专利技术的一个实施例，所述步骤(a)进一步包括步骤：
[0014](a.1)对所述虫情测报灯上传的RGB图像中的害虫进行定位加边框和标记种类；和
[0015](a.2)按照所述预设比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
[0016]根据本专利技术的一个实施例，所述步骤(a.2)中，所述预设比例是7:2:1，从而按照7:2:1的比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
[0017]根据本专利技术的一个实施例，在所述步骤(a.2)中，以将这些图像缩放至统一尺寸的方式归一化这些图像。
[0018]根据本专利技术的一个实施例，所述步骤(b)进一步包括步骤：
[0019](b.1)对所述训练集中的图像进行水平翻转、随机采集加颜色扭曲、随机采集块域而得到新图像；和
[0020](b.2)对新图像中的害虫进行定位加边框，以增强所述训练集的数据。
[0021]根据本专利技术的一个实施例，在所述步骤(b)中，随机地在所述训练集的图像中增加噪声，以通过随机地调整图像亮度和对比度的方式增强数据强度而扩大所述训练集一倍，从而增强所述训练集的数据。
[0022]根据本专利技术的一个实施例，所述步骤(b)进一步包括步骤：
[0023](b.1)确定所述训练集的图像中含有较少害虫的图像和对含有较少害虫的图像重复采样；和
[0024](b.2)如果含有较少害虫的图像中空白区域较多，则在包含较少害虫的图像中增加害虫出现的次数和对害虫进行定位加边框。
[0025]根据本专利技术的一个实施例，在所述步骤(a.2)之后，所述步骤(a)进一步包括步骤：
[0026](a.3)在分别计算所述训练集、所述验证集和所述测试集的均值后，减均值处理所述训练集、所述验证集和所述测试集的图像。
[0027]根据本专利技术的一个实施例，在所述步骤(c)中，所述卷积注意力网络包括一输入层、一第一检测层、一第二检测层、一第三检测层、一第四检测层、一第五检测层以及一第六检测层，其中所述VGG16卷积模型的卷积层形成所述输入层以用于提取图像特征，将所述VGG16卷积模型的第四个模块输出的卷积层作为所述第一检测层，在所述VGG16卷积模型的卷积层之后，加入滤波器大小3
×3×
1025、1
×1×
1024、步长为1的卷积作为所述第二检测层，滤波器大小1
×1×
256、3
×3×
512、步长为2的卷积作为所述第三检测层，滤波器大小1
×1×
128、3
×3×
256、步长为2的卷积作为所述第四检测层，滤波器大小1
×1×
128、3
×3×
256、步长为1的卷积作为所述第五检测层，滤波器大小1
×1×
128、3
×3×
256、步长为1的卷积作为所述第六检测层，其中在所述第一检测层、所述第二检测层和所述第三检测层中加入通道域注意力模块和空间域注意力模块，在所述第四检测层、所述第五检测层和所述第六检测层中加入通道域注意力模块，其中对所述第一检测层、所述第二检测层、所述第三检
测层、所述第四检测层和所述第五检测层进行进行3
×3×
(c+1+4)的卷积滤波，对所述第六检测层进行1
×1×
(c+1+4)的卷积滤波，输出预测值m
×
n
×
(c+1+4)，其中参数m和n分别为检测层特征图的长和宽，参数c为害虫类别。
[0028]根据本专利技术的一个实施例，在所述步骤(c)中，修改损失函数，以适应害虫不平衡的状况。
附图说明
[0029]图1是依本专利技术的一较佳实施例的一害虫检测模型构建方法的流程示意图。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一害虫检测模型构建方法，其特征在于，所述害虫检测模型构建方法包括如下步骤：(a)基于虫情测报灯的图片构建一训练集、一验证集以及一测试集；(b)增强所述训练集的数据和过采样小目标样本；(c)以结合一VGG16卷积模型和神经网络的注意力机制的方式，构建一卷积注意力网络；(d)通过一阶动量随机梯度下降算法训练所述卷积注意力网格模型，并且利用所述验证集微调所述卷积注意力网格模型的参数；以及(e)利用所述测试集测试所述卷积注意力模型，以构件一害虫检测模型。2.根据权利要求1所述的害虫检测模型构建方法，其中所述步骤(a)进一步包括步骤：(a.1)对所述虫情测报灯上传的RGB图像中的害虫进行定位加边框和标记种类；和(a.2)按照所述预设比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。3.根据权利要求2所述的害虫检测模型构建方法，其中所述步骤(a.2)中，所述预设比例是7:2:1，从而按照7:2:1的比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。4.根据权利要求2所述的害虫检测模型构建方法，其中在所述步骤(a.2)中，以将这些图像缩放至统一尺寸的方式归一化这些图像。5.根据权利要求1至4中任一所述的害虫检测模型构建方法，其中所述步骤(b)进一步包括步骤：(b.1)对所述训练集中的图像进行水平翻转、随机采集加颜色扭曲、随机采集块域而得到新图像；和(b.2)对新图像中的害虫进行定位加边框，以增强所述训练集的数据。6.根据权利要求1至4中任一所述的害虫检测模型构建方法，其中在所述步骤(b)中，随机地在所述训练集的图像中增加噪声，以通过随机地调整图像亮度和对比度的方式增强数据强度而扩大所述训练集一倍，从而增强所述训练集的数据。7.根据权利要求1至4中任一所述的害虫检测模型构建方法，其中所述步骤(b)进一步包括步骤：(b.1)确定所述训练集的图像中含有较少害虫的图像和对含有较少害虫的图像重复采样；和(b.2)如果含有较少害虫的图像中空白区域较多，则在包含较少害虫的图像中增加害虫出现的次数和对害虫进行定位加边框。8.根据权利要求2至4中任一所述的害虫检测模型构建方法，其中在所述步骤(a.2)之后，所述步骤(a)进一...

【专利技术属性】
技术研发人员：孟贵平，吴迪，姚远，吴强，张其昌，
申请(专利权)人：丰疆智能软件科技南京有限公司，
类型：发明
国别省市：