基于深度学习的多特征联合的植物线虫检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的多特征联合的植物线虫检测方法及系统。本发明专利技术利用第一深度学习神经网络提取植物线虫关键特征，分别检测出植物线虫的头部、雌虫尾部、雄虫尾部等关键特征区域；利用第二深度学习神经网络作为识别检测网络，分别实现单特征检测、双特征联合检测和三特征联合检测，具有较高的检测准确率。最后，设计了人性化的线虫检测界面，完成了线虫智能检测系统，可以根据线虫的难易区分程度选择线虫检测识别方案。本发明专利技术增加了有效提取关键特征的机制，增加了多特征联合分类的方法。本发明专利技术能够针对关键特征点小，且难以区分的植物线虫数据进行准确检测，利用多特征联合实现层次化的松材线虫和拟松材线虫的检测。

【技术实现步骤摘要】
基于深度学习的多特征联合的植物线虫检测方法及系统
本专利技术涉及深度学习图像智能检测和检索
，具体涉及一种基于深度学习的多特征联合的植物线虫智能检测方法及系统。
技术介绍
受外来物种的侵害，松材线虫病在我国传播日趋严重，每年产生巨大的经济损失，加大检疫力度，从源头上提高疫情阻截能力，遏制松材线虫扩散势在必行。但是，在各种特征极其相似的线虫中准确的检测出松材线虫对检测机关的技术人员来说存在极大挑战。如何高效准确的检测出松材线虫一直是一个非常关键的极大难题。由于线虫体型很小，线虫的关键特征点如头部和尾部相对线虫形体来说更加微小，且很不明显，有时候必须多个特征联合检测才能分辨出松材线虫的种类，鉴定十分困难。传统的检测方法根据线虫形态，主要依靠积累的经验对自己熟悉的类群鉴定，受到人力的极大限制。近几年来，随着人工智能和大数据技术的发展，机器学习技术受业界的广泛关注。其中，深度学习算法已经被成功运用于语音识别、图形识别、医学和生物检测等各个领域。
技术实现思路
为了解决现有松材线虫检测技术难题，根据实际应用需求，本专利技本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多特征联合的植物线虫检测方法，其特征在于包括如下步骤：/nS0、建立包括松材线虫图像和拟松材线虫图像的植物线虫图像数据集；/nS1、利用第一深度学习神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征；/nS2、利用第二深度学习神经网络对植物线虫种类进行检测，所述检测包括雌线虫尾部特征单特征检测，线虫头部特征和雌线虫尾部特征双特征联合检测，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测。/n

【技术特征摘要】
1.一种基于深度学习的多特征联合的植物线虫检测方法，其特征在于包括如下步骤：
S0、建立包括松材线虫图像和拟松材线虫图像的植物线虫图像数据集；
S1、利用第一深度学习神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征；
S2、利用第二深度学习神经网络对植物线虫种类进行检测，所述检测包括雌线虫尾部特征单特征检测，线虫头部特征和雌线虫尾部特征双特征联合检测，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测。


2.根据权利要求1所述的基于深度学习的多特征联合的植物线虫检测方法，其特征在于，所述利用第一深度学习神经网络提取植物线虫的关键特征，包括如下步骤：
S11、建立植物线虫图像训练数据集；
将所述植物线虫图像数据集分为松材线虫图像组和拟松材线虫图像组，并从每一组植物线虫图像中随机筛选出相同数目的图像组成一组，利用标注工具对该组植物线虫图像的头部和尾部区域进行标注，作为植物线虫图像训练数据集；
S12、植物线虫关键特征区域初步检测；
利用所述植物线虫图像训练数据集对第一深度学习神经网络进行训练，得到关键特征提取的初步训练模型；
S13、修正初步训练模型；
利用所述初步训练模型对所述植物线虫图像数据集中的剩余图像进行检测，将检测结果错误的图像加入到所述植物线虫图像训练数据集中，重复步骤S12-步骤S13，直到完成所述植物线虫图像数据集中所有植物线虫图像的正确检测，得到所述植物线虫图像数据集的关键特征提取模型；
S14、提取植物线虫关键特征；
利用所述关键特征提取模型对所述植物线虫图像数据集的所有植物线虫图像进行关键特征提取，分别提取出植物线虫的头部特征、雌线虫尾部特征以及雄线虫尾部特征。


3.根据权利要求1所述的基于深度学习的多特征联合的植物线虫检测方法，其特征在于所述利用第二深度学习神经网络对植物线虫种类进行检测，包括如下步骤：
S21、植物线虫图像数据集分组；
根据提取的植物线虫的关键特征，将所述植物线虫图像数据集分为三组，其中第一组图像数据集仅包含雌线虫尾部特征，第二组图像数据集包含线虫头部特征和雌线虫尾部特征，第三组图像数据集包含线虫头部特征和雌线虫尾部特征及雄线虫尾部特征；
S22、多特征联合训练分类识别网络；
利用所述三组图像数据集分别对第二深度学习神经网络进行训练，得到三种检测强化模型，包括雌线虫尾部特征单特征检测强化模型，线虫头部特征和雌线虫尾部特征双特征联合检测强化模型，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模型；
S23、植物线虫种类识别；
根据待检测图像标注的特征点，选择所述三种检测强化模型之一，对待检测的植物线虫图像进行检测，确定该植物线虫属于松材线虫或拟松材线虫。


4.如权利要求1-3任一所述的基于深度学习的多特征联合的植物线虫检测方法，其特征在于所述第一深度学习神经网络为Fast-RCNN神经网络，所述第二深度学习神经网络为VGG16神经网络。


5.一...

【专利技术属性】
技术研发人员：庄佳衍，顾建锋，朱莹，肖江剑，朱屹，刘阳明，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：浙江;33