基于神经网络的农业害虫图像智能识别方法技术

本发明专利技术涉及数据处理技术领域，具体涉及一种基于神经网络的农业害虫图像智能识别方法，该方法通过获取包含虫体的害虫可见光图像，并基于该害虫可见光图像进行相应的数据处理，确定该害虫可见光图像的各个区域图像在不同尺度下的尺度区域图像的显著值，从而确定各个区域图像中的各个显著物体区域图像；确定各个显著物体区域图像的综合显著值，从而确定各个显著物体区域图像中的各个害虫区域图像；对各个害虫区域图像进行害虫识别，从而得到对应的害虫种类。本发明专利技术通过采用对图像进行数据识别和数据处理的方式，可以准确确定各个害虫区域图像，避免了害虫识别结果受到背景和其他干扰物的影响，有效提高了害虫类别的识别精确度。有效提高了害虫类别的识别精确度。有效提高了害虫类别的识别精确度。

Intelligent recognition method of agricultural pest image based on Neural Network

【技术实现步骤摘要】
基于神经网络的农业害虫图像智能识别方法


[0001]本专利技术涉及数据处理
，具体涉及一种基于神经网络的农业害虫图像智能识别方法。

技术介绍

[0002]农业作为一种基础产业，在国民经济中占据主导地位。随着气候变化、耕作栽培方式改变和农作物复种指数提高，农作物病虫害呈多发、频发态势，重大农作物病虫害时有发生，亟需开展虫情防治工作。所以，实时准确地识别出农业害虫种类成为了开展虫情防治工作的重要前提。但农作物田间害虫体积小、种类繁多、形态特征多样化、存在种间相似和种内差异，容易混淆。
[0003]水稻是我国主要粮食作物之一，约一半的人口都是以大米为主食。目前，我国农作物害虫的诊断方法主要是依靠人工识别，主观因素大，实时性差，容易造成误判。而虫情测报灯等物理防治方法，耗时耗力且准确性差。随着图像处理和模式识别技术的日臻成熟，通过提取农业害虫图像特征进行害虫自动识别的方法提高了农业害虫识别的准确率与时效性，但识别结果受图像特征提取影响较大，可应用范围窄、泛化能力弱。由于害虫与其余干扰物体比较相似，现有目标检测算法的检测精度不高。而基于卷积神经网络的图像处理方法在模型精度和泛化能力上都大幅超越了传统机器视觉方法，在田间自然环境下害虫图像识别问题中表现出较强的鲁棒性，但现有的目标检测算法的结果受图像背景和提取到的图像特征影响较大，进而导致检测结果不够准确。

技术实现思路

[0004]本专利技术的目的在于提供一种基于神经网络的农业害虫图像智能识别方法，用于解决现有害虫识别结果不够准确的问题。
[0005]为解决上述技术问题，本专利技术提供了一种基于神经网络的农业害虫图像智能识别方法，包括以下步骤：获取包含虫体的害虫可见光图像，对所述害虫可见光图像进行数据预处理，从而获取预处理之后的害虫可见光图像；对预处理之后的害虫可见光图像进行区域分割，得到各个区域图像，进而得到各个区域图像在不同尺度下的尺度区域图像；获取所有尺度区域图像对应的尺度区域灰度图像和尺度区域Lab图像，对所述尺度区域灰度图像和尺度区域Lab图像进行数据处理，从而得到所有尺度区域图像对应的显著值；根据所有尺度区域图像对应的显著值，对各个区域图像进行筛选，从而得到各个显著物体区域图像；对各个显著物体区域图像进行数据处理，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数和害虫肢体空间分布显著增强系数；
根据各个显著物体区域图像对应的害虫肢体空间位置显著增强系数、害虫肢体空间分布显著增强系数和显著值，计算各个显著物体区域图像对应的综合显著值；根据各个显著物体区域图像对应的综合显著值，对各个显著物体区域图像进行筛选，从而得到各个害虫区域图像；将各个害虫区域图像分别输入到害虫类别识别网络中，从而得到对应的害虫种类。
[0006]进一步的，所述对所述尺度区域灰度图像和尺度区域Lab图像进行数据处理，从而得到所有尺度区域图像对应的显著值，包括：根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度；根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的中心位置，从而确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的空间欧式距离；根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差；根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度和空间欧式距离以及在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域灰度图像的灰度均方差，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值；根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值，确定所有尺度区域图像对应的显著值。
[0007]进一步的，所述确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度，包括：根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的各个尺度区域图像的尺度区域Lab图像的a通道颜色均值和b通道颜色均值；计算在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域Lab图像的a通道颜色均值的差值绝对值和b通道颜色均值的差值绝对值，从而得到在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异；根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度。
[0008]进一步的，所述从而得到在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异对应的计算公式为：其中，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像的颜色差异，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像的尺度区域Lab图像的a通道颜色均值的差值绝对值，为在同一尺度下的
任意第i个尺度区域图像和其他第k个尺度区域图像的尺度区域Lab图像的b通道颜色均值的差值绝对值，和均为颜色调节参数。
[0009]进一步的，所述确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度对应的计算公式为：其中，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像对应的区域对比度，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像的颜色差异，为颜色差异阈值，和均为对比度调节参数。
[0010]进一步的，所述确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值对应的计算公式为：其中，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像对应的差异值，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像对应的区域对比度，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像对应的空间欧式距离，为在同一尺度下的任意第i个尺度区域图像的尺度区域灰度图像的灰度均方差，为在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差的最小值，为在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差的最大值，为灰度均方差调节参数。
[0011]进一步的，所述确定所有尺度区域图像对应的显著值对应的计算公式为：其中，为在同一尺度下的任意第i个尺度区域图像对应的显著值，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像对应的差异值，K为在同一尺度下的其他各个尺度区域图像的总数目。
[0012]进一步的，所述对各个显著物体区域图像进行数据处理，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数和害虫肢体空间分布显著增强系数，包括：获取各个显著物体区域图像对应的显著物体区域灰度图像，对所述显著物体区域灰度图像进行边缘检测，从而得到各个显著物体区域灰度图像的各个边缘像素点；对各个显著物体区域灰度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的农业害虫图像智能识别方法，其特征在于，包括以下步骤：获取包含虫体的害虫可见光图像，对所述害虫可见光图像进行数据预处理，从而获取预处理之后的害虫可见光图像；对预处理之后的害虫可见光图像进行区域分割，得到各个区域图像，进而得到各个区域图像在不同尺度下的尺度区域图像；获取所有尺度区域图像对应的尺度区域灰度图像和尺度区域Lab图像，对所述尺度区域灰度图像和尺度区域Lab图像进行数据处理，从而得到所有尺度区域图像对应的显著值；根据所有尺度区域图像对应的显著值，对各个区域图像进行筛选，从而得到各个显著物体区域图像；对各个显著物体区域图像进行数据处理，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数和害虫肢体空间分布显著增强系数；根据各个显著物体区域图像对应的害虫肢体空间位置显著增强系数、害虫肢体空间分布显著增强系数和显著值，计算各个显著物体区域图像对应的综合显著值；根据各个显著物体区域图像对应的综合显著值，对各个显著物体区域图像进行筛选，从而得到各个害虫区域图像；将各个害虫区域图像分别输入到害虫类别识别网络中，从而得到对应的害虫种类。2.根据权利要求1所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述对所述尺度区域灰度图像和尺度区域Lab图像进行数据处理，从而得到所有尺度区域图像对应的显著值，包括：根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度；根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的中心位置，从而确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的空间欧式距离；根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差；根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度和空间欧式距离以及在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域灰度图像的灰度均方差，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值；根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值，确定所有尺度区域图像对应的显著值。3.根据权利要求2所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度，包括：根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的各个尺度区域图像的尺度区域Lab图像的a通道颜色均值和b通道颜色均值；计算在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域Lab图像的a通道颜色均值的差值绝对值和b通道颜色均值的差值绝对值，从而得到在同一尺度
下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异；根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度。4.根据权利要求3所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述从而得到在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异对应的计算公式为：其中，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像的颜色差异，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像的尺度区域Lab图像的a通道颜色均值的差值绝对值，为在同一尺度下的任意第i个尺度区域图像和其他第k个尺度区域图像的尺度区域Lab图像的b通道颜色均值的差值绝对值，和均为颜色调节参数。5.根据权利要求3所述的基于神经网络的农业害虫图像智能识别方法，其特征在于，所述确定在同一尺度下...

【专利技术属性】
技术研发人员：常新，
申请(专利权)人：西安道法数器信息科技有限公司，
类型：发明
国别省市：