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