基于视觉显著性的虫粮等级判定方法和装置制造方法及图纸

本发明专利技术提供了一种基于视觉显著性的虫粮等级判定方法和装置。所述方法包括：获取当前待检测图像；将所述当前待检测图像输入到预先训练的粮食害虫显著性检测和数量估计模型中，输出所述当前待检测图像的视觉显著图和害虫数量，其中，所述粮食害虫显著性检测和数量估计模型包含两个分支，显著性检测分支包括颜色空间增强、骨干网络、级联空洞卷积和特征聚合模块，数量估计分支在骨干网络后增加自适应平均池化层和全连接层；将害虫数量折算成标准害虫密度，确定所述当前待检测图像的虫粮等级。以此方式，提高了粮食害虫等小目标的显著性检测和数量估计精度，能快速确定粮食中有无害虫以及害虫数量，进而能够判定待检测粮食的虫粮等级。

【技术实现步骤摘要】
基于视觉显著性的虫粮等级判定方法和装置
本专利技术涉及图像处理
，并且更具体地，涉及基于视觉显著性的虫粮等级判定方法和装置。
技术介绍
粮食是人类和大多数家畜的主要食物来源，每年因储粮害虫啃食、排泄、繁殖等活动造成的粮食产后损失约占粮食总产量的10％左右。为了采取适当的措施降低粮食储藏损失，在粮食存储和生产加工过程中需要及早发现粮食中的害虫，并进行粮食害虫密度检测和虫粮等级判定。国家标准“粮油储藏技术规范”指出，粮食中的主要害虫包括玉米象、米象、谷蠹、大谷盗、麦蛾、印度谷蛾等十种。根据粮食中的主要害虫密度可将粮食划分为“基本无虫粮”、“一般虫粮”和“严重虫粮”。其中，基本无虫粮的主要害虫密度≤2(头/kg)，一般虫粮的主要害虫密度为3～10(头/kg)、严重虫粮的主要害虫密度>10(头/kg)。由此可知，快速准确地获得检测样本中的害虫数量对虫粮等级判定非常重要。目前粮食害虫检测需要在粮仓的多个位置进行扦样，对每个扦样点的样品进行筛检，然后清点害虫数量，进而确定粮食害虫密度和虫粮等级。这种检测方法需要花费大量时间和人工本文档来自技高网...

【技术保护点】
1.一种基于视觉显著性的虫粮等级判定方法，其特征在于，包括：/n获取当前待检测图像；/n将所述当前待检测图像输入到预先训练的粮食害虫显著性检测和数量估计模型中，输出所述当前待检测图像的视觉显著图和害虫数量，其中，所述粮食害虫显著性检测和数量估计模型包含两个分支，显著性检测分支包括颜色空间增强层、骨干网络层、级联空洞卷积层和反向特征聚合层，数量估计分支在骨干网络层后增加自适应平均池化层和全连接层；/n将害虫数量折算成标准害虫密度，确定所述当前待检测图像的虫粮等级。/n

【技术特征摘要】
1.一种基于视觉显著性的虫粮等级判定方法，其特征在于，包括：
获取当前待检测图像；
将所述当前待检测图像输入到预先训练的粮食害虫显著性检测和数量估计模型中，输出所述当前待检测图像的视觉显著图和害虫数量，其中，所述粮食害虫显著性检测和数量估计模型包含两个分支，显著性检测分支包括颜色空间增强层、骨干网络层、级联空洞卷积层和反向特征聚合层，数量估计分支在骨干网络层后增加自适应平均池化层和全连接层；
将害虫数量折算成标准害虫密度，确定所述当前待检测图像的虫粮等级。


2.根据权利要求1所述的基于视觉显著性的虫粮等级判定方法，其特征在于，所述粮食害虫显著性检测和数量估计模型通过以下方式训练得到：
将标注好的训练样本输入到预先建立的神经网络模型中，模型经两个分支进行视觉显著特征提取和害虫数量分类，输出视觉显著图和害虫数量；
采用二元交叉熵衡量视觉显著图与基准图之间的误差，采用多分类交叉熵衡量害虫目标的计数误差，将上述两个分支的交叉熵损失之和作为模型整体误差，根据误差反向传播机制对所述神经网络模型的参数进行调整；
重复上述过程，直到达到预定的训练轮数，或者当模型在验证集上性能开始下降时，完成对所述粮食害虫显著性检测和数量估计模型的训练。


3.根据权利要求1所述的基于视觉显著性的虫粮等级判定方法，其特征在于，所述颜色空间增强层用于将原始图像转换为RGB、HSV、Lab或YUV颜色空间。


4.根据权利要求3所述的基于视觉显著性的虫粮等级判定方法，其特征在于，所述级联空洞卷积层由三个空洞卷积层串联，每一层设置不同...

【专利技术属性】
技术研发人员：于俊伟，赵晨阳，闫秋玲，史卫亚，王贵财，张自豪，金军委，任笑真，杨铁军，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：河南;41