有害生物视觉识别方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术公开了一种有害生物视觉识别方法、装置、设备及可读存储介质，涉及计算机视觉识别技术领域；其中，方法包括：获取有害生物样本图像，通过样本图像构建原始数据集；将原始数据集中的样本图像进行预处理，并将预处理后的样本图像进行数据增强处理，形成训练样本；采用迁移学习和卷积神经网络对训练样本进行训练，得到有害生物视觉识别模型；通过有害生物视觉识别模型对待检测图像进行识别，获取检测结果。以此解决了现有技术中传统有害生物诊断方式效率低下，导致园林有害生物防控不及时、错过最佳防控时机的技术问题。

【技术实现步骤摘要】
有害生物视觉识别方法、装置、设备及可读存储介质
本专利技术涉及计算机视觉识别
，尤其涉及一种有害生物视觉识别方法、装置、设备及可读存储介质。
技术介绍
现有的基于视觉的有害生物识别方法，主要采用手工特征提取和卷积神经网络。主要存在以下问题：1)基于手工特征提取的识别方法高度依赖特征的选取，且需要针对不同类型的有害生物设计特征提取器。其对于实验室环境下的病虫识别效果尚可，但面对自然环境中庞大种类的有害生物时，是缺乏效率且耗时的；2)现有的基于卷积神经网络的有害生物识别算法主要分为两类：利用深度学习中最先进的主干网络进行迁移学习和重新设计主干网络；第一类中没有考虑到有害生物的细粒度分类，即对一个有害生物大类别中的子类别进行识别；第二类中则需要重新设计主干网络，导致模型无法利用从相关任务中学到的知识，在数据集中样本数量有限时表现较差；3)对于类内变化巨大的有害生物类别识别效果不是很好。现阶段园林绿化管护人员获取园林植物有害生物诊断和防治方法主要通过翻阅相关的书籍，或通过依托有关科研机构、公司进行咨询等传统方式，这一过程耗时耗力。在互联网信息服务业等新兴产业高速发展的环境下，传统方式效率显得十分低下，导致园林有害生物防控不及时、错过最佳防控时机的现象普遍存在。
技术实现思路
本专利技术提供了一种有害生物视觉识别方法、装置、设备及可读存储介质，用以解决现有技术中传统有害生物诊断方式效率低下，导致园林有害生物防控不及时、错过最佳防控时机的技术问题。第一方面的，本专利技术实施例提供了一种有害生物视觉识别方法，方法包括：获取有害生物样本图像，通过样本图像构建原始数据集；将原始数据集中的样本图像进行预处理，并将预处理后的样本图像进行数据增强处理，形成训练样本；采用迁移学习和卷积神经网络对训练样本进行训练，得到有害生物视觉识别模型；通过有害生物视觉识别模型对待检测图像进行识别，获取检测结果。优选地，采用迁移学习和卷积神经网络对训练样本进行训练，得到有害生物视觉识别模型，包括如下步骤：采用在大规模数据集ImageNet上预训练的模型进行迁移学习，通过卷积神经网络对训练样本进行特征提取，得到中间层特征图，并通过样本预测结果计算粗粒度损失；通过中间层特征图对训练样本进行显著性目标定位，得到显著性目标图像；采用卷积神经网络对显著性目标图像进行细粒度特征提取，并通过目标图像预测结果计算细粒度损失；根据粗粒度损失和细粒度损失，对有害生物视觉识别模型参数优化。优选地，将原始数据集中的样本图像进行预处理，具体包括：按照预设规则裁剪原始数据集中的样本图像并调整图像格式。优选地，将预处理后的样本图像进行数据增强处理具体包括：将图像格式后的样本图像采用镜像翻转和随机旋转进行数据增强处理。第二方面的，本专利技术实施例提供了一种有害生物视觉识别装置，装置包括：原始数据集构建模块，用于获取有害生物样本图像，通过样本图像构建原始数据集；训练样本获取模块，用于将原始数据集中的样本图像进行预处理，并将预处理后的样本图像进行数据增强处理，形成训练样本；模型训练模块，用于采用迁移学习和卷积神经网络对训练样本进行训练，得到有害生物视觉识别模型；检测模块，用于通过有害生物视觉识别模型对待检测图像进行识别，获取检测结果。优选地，模型训练模块包括：中间层特征图单元，用于采用在大规模数据集ImageNet上预训练的模型进行迁移学习，通过卷积神经网络对训练样本进行特征提取，得到中间层特征图，并通过样本预测结果计算粗粒度损失；显著性目标图像单元，用于通过中间层特征图对训练样本进行显著性目标定位，得到显著性目标图像；细粒度特征提取单元，用于采用卷积神经网络对显著性目标图像进行细粒度特征提取，并通过目标图像预测结果计算细粒度损失；优化单元，用于根据粗粒度损失和细粒度损失，对有害生物视觉识别模型参数优化。优选地，训练样本获取模块包括：裁剪单元，用于按照预设规则裁剪原始数据集中的样本图像并调整图像格式。优选地，训练样本获取模块还包括：数据增强单元，用于将图像格式后的样本图像采用镜像翻转和随机旋转进行数据增强处理。第三方面的，本专利技术实施例提供了一种计算设备，包括：处理器、存储器及通信总线；通信总线用于实现处理器和存储器之间的连接通信；处理器用于执行存储器中存储的有害生物视觉识别程序，以实现如上述实施例所提供的方法步骤。第四方面的，本专利技术实施例提供了一种计算设备，一种计算机可读存储介质，计算机可读存储介质存储有有害生物视觉识别程序，当有害生物视觉识别程序被至少一个处理器执行时，实现如上述实施例所提供的方法步骤。综上所述，本专利技术实施例公开了一种有害生物视觉识别方法、装置、设备及可读存储介质；其中，方法包括：获取有害生物样本图像，通过样本图像构建原始数据集；将原始数据集中的样本图像进行预处理，并将预处理后的样本图像进行数据增强处理，形成训练样本；采用迁移学习和卷积神经网络对训练样本进行训练，得到有害生物视觉识别模型；通过有害生物视觉识别模型对待检测图像进行识别，获取检测结果。以此解决了现有技术中传统有害生物诊断方式效率低下，导致园林有害生物防控不及时、错过最佳防控时机的技术问题。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术实施例提供的有害生物视觉识别方法的流程图；图2为本专利技术实施例提供的有害生物视觉识别方法的流程图；图3为本专利技术实施例提供的有害生物视觉识别装置的功能模块示意图；图4为本专利技术实施例提供的有害生物视觉识别装置的功能模块示意图；图5为本专利技术实施例提供的有害生物视觉识别装置的功能模块示意图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附本文档来自技高网...

【技术保护点】
1.一种有害生物视觉识别方法，其特征在于，所述方法包括：/n获取有害生物样本图像，通过所述样本图像构建原始数据集；/n将原始数据集中的样本图像进行预处理，并将预处理后的样本图像进行数据增强处理，形成训练样本；/n采用迁移学习和卷积神经网络对所述训练样本进行训练，得到有害生物视觉识别模型；/n通过有害生物视觉识别模型对待检测图像进行识别，获取检测结果。/n

【技术特征摘要】
1.一种有害生物视觉识别方法，其特征在于，所述方法包括：
获取有害生物样本图像，通过所述样本图像构建原始数据集；
将原始数据集中的样本图像进行预处理，并将预处理后的样本图像进行数据增强处理，形成训练样本；
采用迁移学习和卷积神经网络对所述训练样本进行训练，得到有害生物视觉识别模型；
通过有害生物视觉识别模型对待检测图像进行识别，获取检测结果。


2.根据权利要求1所述的有害生物视觉识别方法，其特征在于，所述采用迁移学习和卷积神经网络对所述训练样本进行训练，得到有害生物视觉识别模型，包括如下步骤：
采用在大规模数据集ImageNet上预训练的模型进行迁移学习，通过卷积神经网络对训练样本进行特征提取，得到中间层特征图，并通过样本预测结果计算粗粒度损失；
通过中间层特征图对训练样本进行显著性目标定位，得到显著性目标图像；
采用卷积神经网络对显著性目标图像进行细粒度特征提取，并通过目标图像预测结果计算细粒度损失；
根据粗粒度损失和细粒度损失，对有害生物视觉识别模型参数优化。


3.根据权利要求2所述的有害生物视觉识别方法，其特征在于，所述将原始数据集中的样本图像进行预处理，具体包括：按照预设规则裁剪原始数据集中的样本图像并调整图像格式。


4.根据权利要求3所述的有害生物视觉识别方法，其特征在于，所述将预处理后的样本图像进行数据增强处理具体包括：将图像格式后的样本图像采用镜像翻转和随机旋转进行数据增强处理。


5.一种有害生物视觉识别装置，其特征在于，所述装置包括：
原始数据集构建模块，用于获取有害生物样本图像，通过所述样本图像构建原始数据集；
训练样本获取模块，用于将原始数据集中的样本图像进行预处理，并将预处理后的样本图像进行数据增强处理，形成训练样本；

【专利技术属性】
技术研发人员：田立超，郑明浩，周涵宇，
申请(专利权)人：重庆市风景园林科学研究院，重庆市佳禾园林科技发展有限公司，
类型：发明
国别省市：重庆;50