一种高效精准的草地贪夜蛾的图像识别方法技术

本发明专利技术提供一种高效精准的草地贪夜蛾的图像识别方法，包括获取带有幼虫或成虫的图像，还包括以下步骤：建立包含草地贪夜蛾在内的玉米田间常见害虫的图像数据库；基于优化分类模型和目标定位建立完整的二阶段深度卷积神经网络识别模型；对所述二阶段深度卷积神经网络识别模型进行训练；将所述带有幼虫或成虫的图像输入到训练好的所述二阶段深度卷积神经网络识别模型中，并输出识别结果。本发明专利技术提出了一种高效精准的草地贪夜蛾的图像识别方法，设计了一种基于EfficientNet的二阶段分类模型MaizePestNet，可通过引入梯度类激活热力图Grad

【技术实现步骤摘要】
一种高效精准的草地贪夜蛾的图像识别方法


[0001]本专利技术涉及虫害图像识别的
，特别是一种高效精准的草地贪夜蛾的图像识别方法。

技术介绍

[0002]草地贪夜蛾种群主要危害玉米，玉米田的主要害虫有斜纹夜蛾Spodoptera litura（Fabricius）、甜菜夜蛾Spodoptera exigua（H
ü
bne）、棉铃虫Helicoverpa. Armigera（H
ü
bne）、亚洲玉米螟Ostrinia. Furnacalis（Guen
é
e）、粘虫Mythimna. Separata（Walker）、桃蛀螟Conogethes punctiferalis（Guen
é
e）和二点委夜蛾Athetis lepigone（Moschller）等30余种。草地贪夜蛾入侵后，玉米生产上急需一种简便、精准的技术平台识别该虫，帮助农业技术人员和农民做好监测与防控工作。
[0003]目前主流的分类模型有VGG、ResNet、DenseNet等。为了对目标实现准确定位，YOLO、SSD、Faster
‑
RCNN等传统目标检测算法也较多应用于害虫识别，但这些目标检测模型的训练需要大量人工标记，对硬件和算力的要求也较高，无法满足低成本、实时性及适用于智能手机轻量化的需求。此外，玉米田间的害虫识别通常只需对单目标进行拍照识别，拍摄图像中的无关背景严重影响识别精度，因此，如何低成本地解决精准定位虫体、排除无关背景以提高识别精度是值得研究的问题。
[0004]2019年9月第41卷第9期的西南大学学报公开了于业达、顾偌铖、唐运林、韦俊宏、潘国庆和陈通的题目为《基于深度学习的草地贪夜蛾自动识别》的文章，该方法采集了不同地域、不同生长区间的草地贪夜蛾及相似物种图片，建立了一个草地贪夜蛾识别数据库，利用基于特征融合的深度学习算法，建立了一个三通道T深度卷积神经网络，在现有数据集上的平局识别率达到97%，为草地贪夜蛾的智能识别与防控工作提供了技术支撑。该方法的缺点是样本量小，识别种类少，实际拍摄时难以获取清晰目标虫体以进行准确分类，使得模型适用性不足。且虫体特征复杂多变，不一定能采集三通道的有效信息供模型分类。

技术实现思路

[0005]为了解决上述的技术问题，本专利技术提出了一种高效精准的草地贪夜蛾的图像识别方法，设计了一种基于EfficientNet的二阶段分类模型MaizePestNet，可通过引入梯度类激活热力图Grad
‑
CAM算法进行目标定位降低背景干扰、提高分类精度，并通过知识蒸馏方法压缩模型的参数和体积。
[0006]本专利技术提供一种高效精准的草地贪夜蛾的图像识别方法，包括获取带有幼虫或成虫的图像，还包括以下步骤：步骤1：建立包含草地贪夜蛾在内的玉米田间常见害虫的图像数据库；步骤2：基于优化分类模型和目标定位建立完整的二阶段深度卷积神经网络识别模型；步骤3：对所述二阶段深度卷积神经网络识别模型进行训练；
步骤4：将所述带有幼虫或成虫的图像输入到训练好的所述二阶段深度卷积神经网络识别模型中，并输出识别结果。
[0007]优选的是，所述优化分类模型的方法包括以下子步骤：步骤201：提取分类模型中影响模型精度的要素；步骤202：使用不同的系数计算得到基础模型和不同尺度的模型；步骤203：采用知识蒸馏方法，将8个不同尺度模型中精度最高的模型作为教师模型，用于训练EfficientNet
‑
B0模型，从而实现EfficientNet
‑
B0模型达到最优分类精度，得到优化分类模型。
[0008]在上述任一方案中优选的是，影响模型精度的所述要素包括网络深度d、网络宽度w和输入图像分辨率r，公式为公式为公式为公式为公式为其中，α是网络深度分配系数，β是网络宽度分配系数，γ是网络分辨率分配系数，
ϕ
是模型资源扩展系数，s.t.为约束条件。
[0009]在上述任一方案中优选的是，匹配不同系数以实现模型的最高分类精度。
[0010]在上述任一方案中优选的是，所述基础模型的计算方法为固定公式中的
ϕ
=1，通过NAS搜索得出最优的α、β、γ，得到基础模型B0。
[0011]在上述任一方案中优选的是，所述不同尺度的模型的计算方法为固定α、β、γ的值，使用不同的
ϕ
，对所述基础模型的三个维度同时扩展，，得到不同尺度的B1、B2、B3、B4、B5、B6、B7共 7个模型。
[0012]在上述任一方案中优选的是，所述完整的二阶段深度卷积神经网络识别模型包括两个阶段：第一阶段：进行目标定位；第二阶段：根据定位框对原始图像进行等比例反向裁剪并再次输入EfficientNet
‑
B0网络进行精细分类。
[0013]在上述任一方案中优选的是，所述目标定位的方法包括以下子步骤：步骤211：使用Grad
‑
cam算法求出目标在图像中的激活热图，从预测类别对特征图反向求梯度权重；步骤212：将所述梯度权重分别与第k个特征图A
k
进行加权计算，对加权结果做Relu处理得到对应类别c的激活热力图；步骤213：进行凸多边形检测以获取目标区域。
[0014]在上述任一方案中优选的是，所述梯度权重的计算公式为
其中，为第k个特征图对类别c的权重，Z为特征图个数，i为特征图的像素横向位置，j为特征图的像素纵向位置，y
c
为所分类别的分值，为第k个特征图中坐标（x,y）处的像素值。
[0015]在上述任一方案中优选的是，所述激活热力图的计算公式为其中，为计算后只保留正值的激活热力值。
[0016]在上述任一方案中优选的是，所述步骤23包括以下子步骤：步骤2131：对所述激活热力图做二值化处理；步骤2132：进行最大连通域提取，得出二进制图像中单个对象的凸包图像；步骤2133：根据原始图像与压缩图像之间的长宽比例，计算出原始图像的裁剪区域。
[0017]在上述任一方案中优选的是，在所述步骤3中，训练分类模型时，采用加权的交叉熵损失函数，按照训练图像样本数量的倒数计算类别权重，公式为其中，为损失函数，为预测值，y为真实值，w
i
为权重，为第i个样本的预测值，y
i
为第i个样本的真实值。
[0018]在上述任一方案中优选的是，在所述步骤3中，所述优化蒸馏分类模型的损失函数为为为其中，和分别为老师网络和学生网络经过softmax
‑
T函数计算输出的软标签，z
i
为第i个样本，T为蒸馏温度，z
j
为第j个样本，α为蒸馏系数，L
KD
(W
student
) 为损失函数，KLdiv为KL散度函数，CrossEntropy为交叉熵函数，Q
s
为学生网络的预测输出结果，y
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高效精准的草地贪夜蛾的图像识别方法，包括获取带有幼虫或成虫的图像，其特征在于，还包括以下步骤：步骤1：建立包含草地贪夜蛾在内的玉米田间常见害虫的图像数据库；步骤2：基于优化分类模型和目标定位建立完整的二阶段深度卷积神经网络识别模型；所述优化分类模型的方法包括以下子步骤：步骤201：提取分类模型中影响模型精度的要素；影响模型精度的所述要素包括网络深度d、网络宽度w和输入图像分辨率r，公式为公式为公式为公式为公式为其中，α是网络深度分配系数，β是网络宽度分配系数，γ是网络分辨率分配系数，
ϕ
是模型资源扩展系数，s.t.为约束条件；步骤202：使用不同的系数计算得到基础模型和不同尺度的模型；所述基础模型的计算方法为固定公式中的
ϕ
=1，通过NAS搜索得出最优的α、β、γ，得到基础模型B0；所述不同尺度的模型的计算方法为固定α、β、γ的值，使用不同的
ϕ
，对所述基础模型的三个维度同时扩展，得到不同尺度的B1、B2、B3、B4、B5、B6、B7共7个模型；步骤203：采用知识蒸馏方法，将8个不同尺度模型中精度最高的模型作为教师模型，用于训练EfficientNet
‑
B0模型，使得所述EfficientNet
‑
B0模型达到最优分类精度，得到优化分类模型；步骤3：对所述二阶段深度卷积神经网络识别模型进行训练...

【专利技术属性】
技术研发人员：张浩文，吴孔明，杨现明，
申请(专利权)人：中国农业科学院植物保护研究所，
类型：发明
国别省市：