一种虫害识别模型训练方法、虫害监测方法和电子设备技术

本发明专利技术涉及计算机视觉领域，更具体地，涉及一种虫害识别模型训练方法、虫害监测方法和电子设备。本发明专利技术通过将虫害连续帧视频序列输入时空记忆网络进行训练，能使时空记忆网络能同时学习虫害外观特征和时空特征，增强虫害识别模型的识别能力，从而提高以识别结果为依据的虫害监测的准确率。时空记忆网络通过双向特征聚合，能更好地学习虫害特征，提高虫害特征的识别能力。此外，将虫害光谱信息、虫害形态信息和和器官比例信息作为识别条件，能识别出虫害的大小、轮廓、生长情况、危害程度，能进一步提高虫害种类和数量的识别准确率。提高虫害种类和数量的识别准确率。提高虫害种类和数量的识别准确率。

【技术实现步骤摘要】
一种虫害识别模型训练方法、虫害监测方法和电子设备


[0001]本专利技术涉及计算机视觉领域，更具体地，涉及一种虫害识别模型训练方法、虫害监测方法和电子设备。

技术介绍

[0002]虫害是农业生产中最严重的生物灾害之一，每年因虫害造成的农产品损失至少占总产量的5％，若不及时防治，这种损失可能会达到20％～30％。由于害虫具有繁殖力强、易变异、危害烈以及大面积爆发性发生等特点，因此虫害防治难的问题至今仍未能得到很好的解决。在虫害的初始阶段，生产者通常采取监测的方式，对虫害的地点、类别、发生时间及种群数量进行统计，同时做出预案。在虫害达到峰值之前，采取有效的生态治理，如以虫治虫，对虫害的种群数量进行控制。一旦控制未达到预期，且预料虫害会造成严重的损失时，将会采取低剂量喷洒化学试剂的方式进行防控。
[0003]虫害的科学防治是减少虫害造成损失的关键，而虫害的精准监测是实施虫害科学防治的前提。虫害监测是指通过受虫害危害地方的特征进行虫害危害程度评估，提高虫害监测的准确性，能在虫害发生时，做出相应的合理的措施，避免施药量过大，提高农药的使用效率和保护农业生态环境。
[0004]随着虫害监测设备和方法的不断发展，现有的虫害监测的设备和方法已基本完善，能实现日常的监测功能，从而减少虫害造成的损失。然而随着虫害监测方法应用的逐渐增多，监测方法的许多缺陷也纷纷涌现，其中尤为突出的就是模型难以准确识别动态的虫害图像信息，导致监测结果不准确。现有的虫害监测方法一般是：采用红外摄像头，对发生虫害的地方进行图像采集，采集完成后，基于机器学习模型对采集到的图像进行识别，根据识别结果完成监测。由于多种虫害之中，往往存在着不断移动，且移动速度较快的虫害，摄像头难以捕捉到清晰的静态画面，因此机器学习模型对虫害图像识别的准确率难以保证。此外，影响识别准确率的因素还包括：机器学习模型难以仅凭灰度图像信息识别虫害种类(红外摄像头仅能采集灰度图像信息)；机器学习模型难以仅凭虫害形态识别虫害数量等。机器学习模型识别虫害信息不准确，会降低虫害监测的准确率，导致业内人员无法采取合理应对虫害的措施，轻则减少农业收成，重则造成虫害灾难。现有的虫害监测方法对动态虫害的监测效果不佳，已成了该行业迫切要解决的问题之一。因此，目前亟需一种能准确监测动态虫害的虫害识别模型训练方法、虫害监测方法和电子设备。

技术实现思路

[0005]本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种虫害识别模型训练方法、虫害监测方法和电子设备，用于解决对动态虫害的监测效果不佳的问题。
[0006]本专利技术采取的技术方案是：
[0007]一种虫害识别模型训练方法，包括：
[0008]获取虫害图像信息；所述虫害图像信息为携带虫害特征的图像信息；
[0009]对所述虫害图像信息进行预处理；
[0010]基于时空记忆网络建立虫害识别模型，利用预处理后的所述虫害图像信息对虫害识别模型进行训练；
[0011]将待识别的虫害图像信息输入训练好的所述虫害识别模型，输出虫害危害预测结果。
[0012]具体地，由于现有的虫害监测方法对动态虫害的监测效果不佳，因此本方案采取一种虫害识别模型训练方法、虫害监测方法和电子设备。通过一种虫害识别模型训练方法训练好识别虫害信图像信息的模型，再在虫害监测方法内使用训练好的识别模型，实现对经常移动并且移动速度快的虫害品种进行监测，电子设备作为模型和方法的具体载体。虫害识别模型训练方法为：首先，获取用于训练虫害识别模型的虫害图像信息，所述虫害图像信息经专业人员进行标记，标记的位置具有虫害的独有特征。然后，再对标记后的虫害图像信息进行预处理。最后，将预处理后的虫害图像信息输入虫害识别模型，对虫害识别模型进行训练。其中，虫害识别模型基于时空记忆网络(Spatial
‑
temporal memory Network，STMN)建立。时空记忆网络是一个RNN结构的网络，用于对目标的长期外观(long
‑
term appearance)运动动力学进行建模和对齐，其核心为时空记忆模块(Spatial
‑
Temporal Memory Module，STMM)。时空记忆模块为一个卷积循环计算单元。本方案通过将虫害连续帧视频序列输入时空记忆网络进行训练，能使时空记忆网络能同时学习虫害外观特征和时空特征，增强虫害识别模型的识别能力，从而提高以识别结果为依据的虫害监测的准确率。
[0013]进一步地，所述虫害特征包括：虫害光谱信息、虫害形态信息和器官比例信息。
[0014]具体地，虫害识别模型能以虫害光谱信息识别出虫害的颜色，将虫害颜色增加为识别条件，根据虫害颜色判断虫害的种类和危害程度；以虫害形态信息识别出虫害的大小和轮廓，通过虫害的大小和轮廓，判断虫害的种类、体积和生长情况；以器官比例信息识别出虫害独有的器官之间的比例，进一步提高虫害种类识别的准确率。
[0015]进一步地，所述对所述虫害图像信息进行预处理包括：
[0016]将所述虫害图像信息分解，得到原始图像序列；
[0017]将所述原始图像序列中不携带虫害特征的帧数剔除，得到特征图像序列；
[0018]对所述特征图像序列进行平滑、校正、求导、归一化和降维。
[0019]具体地，将虫害图像信息即记录虫害的视频分解，得到连续帧数的原始图像序列。将原始图像序列中不携带虫害特征的帧数剔除，获取长度为T的原始图像序列。再对原始图像序列中每帧图像进行平滑、校正、求导、归一化和降维，提高原始图像序列中每帧图像的质量。
[0020]进一步地，所述虫害识别模型包括：外观特征网络、时空记忆模块和卷积层；所述特征图像序列包括：输入图像序列和目标图像序列；所述输入图像序列为所述特征图像序列的前n帧图像序列；所述目标图像序列为所述特征图像序列的前n帧之后的图像序列。
[0021]具体地，将前n帧图像序列作为输入，将n帧之后的图像序列作为目标的标签训练虫害识别模型。
[0022]进一步地，所述基于时空记忆网络建立虫害识别模型，利用预处理后的所述虫害图像信息对虫害识别模型进行训练包括：
[0023]将所述特征图像序列输入所述外观特征网络，得到虫害外观特征图；
[0024]将所述虫害外观特征图输入所述时空记忆模块，得到虫害时空特征；
[0025]使用所述时空记忆模块进行双向特征聚合，以将当前时间步的所述虫害时空特征与前后相邻时间步的所述虫害时空特征聚合，获取虫害动态特征；
[0026]将所述虫害动态特征输入所述卷积层，进行分类和边框回归操作；
[0027]根据分类结果预测虫害危害的程度；
[0028]所述虫害危害的程度基于虫害种类和虫害数量预估。
[0029]具体地，将长度为T的原始图像序列输入所述外观特征网络，获取原始图像序列每一帧对应的虫害外观特征图F1，F2…
F
T
；将虫害外观特征图F1，F2…
F本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种虫害识别模型训练方法，其特征在于，包括：获取虫害图像信息；所述虫害图像信息为携带虫害特征的图像信息；对所述虫害图像信息进行预处理；基于时空记忆网络建立虫害识别模型，利用预处理后的所述虫害图像信息对虫害识别模型进行训练；将待识别的虫害图像信息输入训练好的所述虫害识别模型，输出虫害危害预测结果。2.根据权利要求1所述的一种虫害识别模型训练方法，其特征在于，所述虫害特征包括：虫害光谱信息、虫害形态信息和器官比例信息。3.根据权利要求2所述的一种虫害识别模型训练方法，其特征在于，所述对所述虫害图像信息进行预处理包括：将所述虫害图像信息分解，得到原始图像序列；将所述原始图像序列中不携带虫害特征的帧数剔除，得到特征图像序列；对所述特征图像序列进行平滑、校正、求导、归一化和降维。4.根据权利要求3所述的一种虫害识别模型训练方法，其特征在于，所述虫害识别模型包括：外观特征网络、时空记忆模块和卷积层；所述特征图像序列包括：输入图像序列和目标图像序列；所述输入图像序列为所述特征图像序列的前n帧图像序列；所述目标图像序列为所述特征图像序列的前n帧之后的图像序列。5.根据权利要求4所述的一种虫害识别模型训练方法，其特征在于，所述基于时空记忆网络建立虫害识别模型，利用预处理后的所述虫害图像信息对虫害识别模型进行训练包括：将所述特征图像序列输入所述外观特征网络，得到虫害外观特征图；将所述虫害外观特征图输入所述时空记忆模块，得到虫害时空特征；使用所述时空记忆模块进行双向特征聚合，以将当前时间步的所述...

【专利技术属性】
技术研发人员：谭志平，唐宇，杨捷鹏，符伊晴，赵晋飞，李嘉豪，郭琪伟，黄华盛，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：