一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法技术

本发明专利技术公开了一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法，以自然环境中拍摄的和从互联网上收集的金蝉若虫图像为研究对象，经样本扩增，划分训练集和验证集；从满足移动端检测模型小型化和计算过程轻量化出发，基于MobileNet

【技术实现步骤摘要】
一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法


[0001]本专利技术涉及农业养殖领域，尤其涉及一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法。

技术介绍

[0002]金蝉属于蝉科类昆虫，其生长发育历经虫卵、若虫、成虫三个时期。每年夏季虫卵开始孵化，若虫落到地面并潜入土中，经过3～5年成长后钻出地面，爬到树上羽化为成虫，交配产卵后死去，进入下一轮循环，日常俗称的知了龟或知了猴指的就是准备羽化的金蝉成熟若虫。一方面，金蝉作为一种农林害虫，其幼虫和成虫都从树木中吸取汁液为生，成虫还会将产卵器插入树枝之中产卵导致树枝枯死，危害到树木的健康成长。但另一方面，金蝉体内富含脂肪酸、氨基酸，提供多种人体所需的微量元素，起到降低胆固醇、改善内分泌、预防心血管疾病等作用，具备较高的食用及药用价值，越来越受到人们的青睐。作为新兴的养殖项目，金蝉养殖正在我国各个地区正广泛开展。
[0003]近年来随着深度学习技术的兴起，卷积神经网络在现代农业中得到了广泛应用。图像目标检测是指从图像中定位感兴趣目标、准确判断其类别，并预测出每个目标的边界框。目前，基于卷积神经网络的目标检测技术主要分为两类：一是以Faster
‑
RCNN代表的两阶段算法。这类算法首先生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类，在消耗部分检测时间的基础上提升检测精度。另一类是以YOLO和SSD为代表的单阶段算法。单阶段检测不需要提取候选框，直接将整张原始图像作为输入，回归出图像中病虫害的具体位置和类别，在小幅牺牲检测精度的基础上显著提升检测速度。
[0004]SSD(Single Shot MultiBox Detector)是一种应用广泛的高性能单阶段目标检测模型，综合了YOLO的回归思想和Faster
‑
RCNN的Anchor boxes机制，加入了RPN网络的特征金字塔的检测方式，较好均衡了检测精度和检测速度。原始SSD模型以VGG16作为骨干网络对图片进行特征提取，但VGG16参数量庞大，模型大小达到500MB，模型计算量达到30.49GFLOPs，难以部署在嵌入式系统中。MobileNet是一种兼备检测精度和速度的轻量型神经网络，其通过构建深度可分离卷积(Depthwise Separable Convolution)改变网络的计算方式降低网络参数量的同时提高模型的检测速度，可替代VGG16作为SSD的骨干特征提取网络，形成MobileNet
‑
SSD模型结构。

技术实现思路

[0005]本专利技术的目的在于提供一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法，在保持较高识别性能的同时，大幅减少模型大小以及计算量，以适用于资源受限的嵌入式实时系统，为金蝉的人工养殖以及机器人的金蝉捕捉奠定良好的基础。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法，包括如下步骤：
[0007]1)模拟机器人近距离检测金蝉若虫目标，以自然环境中拍摄和从互联网上收集的
夜间树上金蝉若虫图像为研究对象，对原始数据集进行数据扩充，将数据集使用LabelImg工具对图中目标进行标记，并按照80％、20％的比例随机拆分为训练集和验证集，并按照PASCAL VOC数据集的格式进行存储；
[0008]2)基于MobileNet
‑
SSD模型结构，以减少网络深度及网络宽度的思路进行模型结构精简改进，设计三种初始模型结构；
[0009]3)利用建立的金蝉若虫数据训练集对设计的三种初始模型分别进行训练参数设置，多次迭代得到训练后的模型；
[0010]4)将验证集图像输入训练后的模型中进行性能检验，并择优选定方案，获得适用于夜间树上金蝉若虫检测的轻量级目标检测模型；
[0011]5)机器人夜间近距离对树干区域进行拍摄，将拍摄图像输入至计算机中，利用上述步骤的检测模型进行检测，如果树干上有金蝉若虫存在，则输出的图像上叠加各个目标的位置检测框；如果树干上没有金蝉若虫，则输出返回原图。
[0012]优选的，所述步骤2)中，三种初始模型分别为模型M0，模型M1，模型M2，其中模型M0是在MobileNet
‑
SSD原始模型基础上，通过删除骨干网络的3
×
3、2
×
2、1
×
1这3个小尺度卷积层结构，减小网络宽度，增加部分中高层卷积层的深度得到；模型M1是在模型M0的基础上，进一步减少网络宽度得到；模型M2是在模型M1的基础上，减少部分中高层卷积层深度得到的。
[0013]优选的，所述模型M0的设计步骤包括：
[0014]①
、删除原始MobileNet
‑
SSD模型骨干网络中3
×
3、2
×
2、1
×
1这3个小尺度卷积层结构，以减小模型大小及计算量；
[0015]②
、削减网络宽度，将原始MobileNet
‑
SSD模型的第1卷积层的输出通道数由32减少到24，同时将后面的卷积层2，3，5，9，13的输出通道也分别减少至48，48，96，192和384；
[0016]③
、增加部分中高层卷积层的深度，特征图大小为38
×
38、19
×
19和10
×
10的卷积层上各自进行了4次卷积运算，得到模型M0。
[0017]优选的，所述模型M0的结构为：卷积层1～2对原模型150
×
150的输出特征图进行了两次卷积，输出通道数分别减少至24、48；卷积层3～4对原模型75
×
75的输出特征图进行了两次卷积，输出通道数从原来的128减少为48；卷积层5～8对原模型38
×
38的输出特征图进行了四次卷积，卷积层深度由2层增加到4层，卷积层宽度由256减少为96；卷积层9～12对原模型19
×
19的输出特征图进行了四次卷积，卷积层深度由6层减少到4层，卷积层宽度由512减少为192；卷积层13～17对原模型10
×
10的输出特征图进行了四次卷积，卷积层深度由2层增加到4层，卷积层宽度由1024减少为384。
[0018]优选的，模型M1在模型M0的结构基础上，继续减少网络宽度，将模型M0第1卷积层的输出通道数由24减少到16，将卷积层2、5、9、13的输出通道数也分别减少至32、64、128、256。
[0019]优选的，模型M2在模型M1的基础上，保持模型M1总体架构不变，将模型M1特征图大小为38
×
38和19
×
19的卷积层数由4层减少为2层，此时骨干特征网络由17层减少为13层。
[0020]有益效果：
[0021]本专利技术所揭示的一种基于卷积神经网络的金蝉若虫检测模型构建方法，从模拟机器人的近距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法，其特征在于包括如下步骤：1)模拟机器人近距离检测金蝉若虫目标，以自然环境中拍摄以及互联网上收集的夜间树上金蝉若虫图像为研究对象，对原始数据集进行数据扩充，将数据集使用LabelImg工具对图中目标进行标记，并按照80％、20％的比例随机拆分为训练集和验证集，并按照PASCAL VOC数据集的格式进行存储；2)基于MobileNet
‑
SSD模型结构，以减少网络深度及网络宽度的思路进行模型结构精简改进，设计三种初始模型结构；3)利用建立的金蝉若虫数据训练集对设计的三种初始模型分别进行训练参数设置，多次迭代得到训练后的模型；4)将验证集图像输入训练后的模型中进行性能检验，并择优选定方案，获得适用于夜间树上金蝉若虫检测的轻量级目标检测模型；5)机器人夜间近距离对树干区域进行拍摄，将拍摄图像输入至计算机中，利用上述步骤的检测模型进行检测，如果树干上有金蝉若虫存在，则输出的图像上叠加各个目标的位置检测框；如果树干上没有金蝉若虫，则输出返回原图。2.根据权利要求1所述的一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法，其特征在于：所述步骤2)中，三种初始模型分别为模型M0，模型M1，模型M2，其中模型M0是在MobileNet
‑
SSD原始模型基础上，通过删除骨干网络的3
×
3、2
×
2、1
×
1这3个小尺度卷积层结构，减小网络宽度，增加部分中高层卷积层的深度得到；模型M1是在模型M0的基础上，进一步减少网络宽度得到；模型M2是在模型M1的基础上，减少部分中高层卷积层深度得到的。3.根据权利要求2所述的一种基于轻量级卷积神经网络的金蝉若虫夜间检测方法，其特征在于：所述模型M0的设计步骤包括：
①
、删除原始MobileNet
‑
SSD模型骨干网络中3
×
3、2
×
2、1
×
1这3个小尺度卷积层结构，以减小模型大小及计算量；
...

【专利技术属性】
技术研发人员：刘阳，
申请(专利权)人：南通职业大学，
类型：发明
国别省市：