一种基于深度学习的虫子种类以及数量图像识别算法制造技术

本发明专利技术公开了一种基于深度学习的虫子种类以及数量图像识别算法，包括如下步骤：采集害虫图像，建立第一图像训练数据集和和第二图像训练数据集；通过多目标定位方法获取图像中的多个害虫目标；针对每一个包含害虫目标第一图像，采用分割方法对第一图像进行分割得到第二二值图像；根据第二二值图像获取害虫目标的特征信息；将特征信息进行标准化，从而将害虫目标转换到特征空间的表示；通过分类器对标准化后的特征信息进行分类，从而得到对应的害虫类别，统计相同类别的害虫，从而实现害虫的识别和数量统计。本发明专利技术通过图像识别算法减轻虫害预防工作的便捷性和预防性，以解决现有行业中的存在的弊端。中的存在的弊端。中的存在的弊端。

【技术实现步骤摘要】
一种基于深度学习的虫子种类以及数量图像识别算法


[0001]本专利技术属于烟草虫害防治
，具体涉及一种基于深度学习的虫子种类以及数量图像识别算法。

技术介绍

[0002]虫害的预防与治理在中医药、粮食储存、烟草行业、食品加工、森林虫害预防、农作物种植等行业应用非常广泛。
[0003]近年来，我国深度学习图像识别技术飞速发展，目前不少公司和学者通过设计一套检测算法模型进行虫害预防治理工作。然而，农作物害虫往往占据非常小的尺寸和比例，害虫目标与其周围环境难以区分，现有检测方法容易导致害虫目标信息在采样过程中丢失，且农作物害虫还具有大规模的特点，现有检测方法在大规模害虫图像识别与检测任务下，识别准确率低下。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的虫子种类以及数量图像识别算法，以解决上述
技术介绍
中提出现有技术中的问题。
[0005]为实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于深度学习的虫子种类以及数量图像识别算法，包括如下步骤：
[0007]S1、采集害虫图像，建立第一图像训练数据集(即单一害虫的特征识别训练集)和和第二图像训练数据集(即多个目标害虫的定位训练集)；
[0008]S2、通过多目标定位方法获取图像中的多个害虫目标(即获取数量)
[0009]S3、针对每一个包含害虫目标第一图像，采用分割方法对第一图像进行分割得到第二二值图像，其中，分割公式为：
[0010][0011]S4、根据第二二值图像获取害虫目标的特征信息，包括颜色特征和Hu不变矩特征，颜色特征为：将第二二值图像的RGB三分量进行分离，获得三分量对应的直方图，并计算得到直方图的统计描述，公式为：
[0012][0013][0014][0015][0016][0017][0018]S5、将特征信息进行标准化，从而将害虫目标转换到特征空间的表示，标准化方法(为最小
‑
最大标准化方法也称为离差标准化，对于原始数据，其主要通过一个线性变换将数据从一个取值范围映射到一个固定的范围中)公式为：
[0019]S6、通过分类器对标准化后的特征信息进行分类，从而得到对应的害虫类别，统计相同类别的害虫，从而实现害虫的识别和数量统计。
[0020]优选的，所述S1中建立第一图像训练数据集和第二图像训练数据集之前包括对图像进行预处理，第一图像训练集的预处理为放大和裁切出目标害虫，第二图像训练集的预处理为去噪，去噪具体为通过滤波器进行去噪。
[0021]优选的，所述S2中的多目标定位主要是分水岭标记方法：
[0022]1)通过大津法对原图进行二值化；
[0023]2)确定第一二值图像中最大目标区域的最小外接圆，然后将外接圆以外的像素标记为确定的黑色背景；
[0024]3)队第一二值图像中最大目标区域进行椭圆拟合，采用椭圆长轴为直径，中心为圆心绘制圆作为内切圆；
[0025]4)对第一二值图像请做腐蚀操作，与内切圆做交集从而标记背景区域，对第一二值图像做膨胀操作，通过内切圆确定出害虫区域；
[0026]5)确定出背景和前景的标记后，直接使用分水岭算法对原图进行分割，得到多个包含害虫目标的第一图像。
[0027]优选的，所述S3中，bw为第二二值图像，g(x，y)为每个窗口的中心像素点，针对每一个像素点，通过固定大小窗口内的所有像素灰度值获取一个阈值T，然后通过该阈值对窗口的中心像素点进行二值化，从而获得第二二值图像。
[0028]优选的，所述S4中，公式中的直方图为p(z
i
)，m为均值，σ为标准差，R为平滑度，u3为直方图的归一化阶矩，u为一致性，e为熵，L为直方图的灰度级，均值描述了整个目标区域的颜色平均值，标准差描述了颜色分布的不均匀性，三阶矩描述了直方图的偏斜度，熵描述了直方图的随机性。
[0029]优选的，所述S5的公式中，Q1A表示害虫面积的第一四分位数，Q2A表示害虫面积的第二四分位数，Q3A表示害虫面积的第三四分位数。
[0030]本专利技术的技术效果和优点：本专利技术提出的一种基于深度学习的虫子种类以及数量图像识别算法，与现有技术相比，具有以下优点：
[0031]1、本专利技术提出了一种深度学习的诱捕器虫子数量及种类的图像识别算法，从而不
需要人工进行虫子种类和数量的判断，同时减轻虫害管理者工作便捷性，另外，采用第一图像和第二图像获取害虫种类及数量的方式，害虫目标信息不易在采样过程中丢失，在大规模害虫图像识别与检测任务中识别准确率大大提升；
[0032]2、本专利技术把对方的标识当作对方的公钥，从而不需要第三方机构的证明。与IBE算法相对比的是，本专利技术只需保留少量共用参数，而无需保留大量用户相关的参数，因而不需要目录库(LDAP)等数据库的支持，也没有系统在线维护量。
附图说明
[0033]图1为本专利技术根据用户标识产生非对称密钥对的方法的流程图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]本专利技术提供了一种基于深度学习的虫子种类以及数量图像识别算法，包括如下步骤：
[0036]S1、采集害虫图像，建立第一图像训练数据集(即单一害虫的特征识别训练集)和和第二图像训练数据集(即多个目标害虫的定位训练集)；
[0037]S2、通过多目标定位方法获取图像中的多个害虫目标(即获取数量)
[0038]S3、针对每一个包含害虫目标第一图像，采用分割方法对第一图像进行分割得到第二二值图像，其中，分割公式为：
[0039][0040]S4、根据第二二值图像获取害虫目标的特征信息，包括颜色特征和Hu不变矩特征，颜色特征为：将第二二值图像的RGB三分量进行分离，获得三分量对应的直方图，并计算得到直方图的统计描述，公式为：
[0041][0042][0043][0044][0045][0046][0047]S5、将特征信息进行标准化，从而将害虫目标转换到特征空间的表示，标准化方法(为最小
‑
最大标准化方法也称为离差标准化，对于原始数据，其主要通过一个线性变换将数据从一个取值范围映射到一个固定的范围中)公式为：
[0048]S6、通过分类器对标准化后的特征信息进行分类，从而得到对应的害虫类别，统计相同类别的害虫，从而实现害虫的识别和数量统计。
[0049]S1中建立第一图像训练数据集和第二图像训练数据集之前包括对图像进行预处理，第一图像训练集的预处理为放大和裁切出目标害虫，第二图像训练集的预处理为去噪，去噪具体为通过滤波器进行去噪。...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的虫子种类以及数量图像识别算法，其特征在于：包括如下步骤：S1、采集害虫图像，建立第一图像训练数据集(即单一害虫的特征识别训练集)和和第二图像训练数据集(即多个目标害虫的定位训练集)；S2、通过多目标定位方法获取图像中的多个害虫目标(即获取数量)S3、针对每一个包含害虫目标第一图像，采用分割方法对第一图像进行分割得到第二二值图像，其中，分割公式为：S4、根据第二二值图像获取害虫目标的特征信息，包括颜色特征和Hu不变矩特征，颜色特征为：将第二二值图像的RGB三分量进行分离，获得三分量对应的直方图，并计算得到直方图的统计描述，公式为：方图的统计描述，公式为：方图的统计描述，公式为：方图的统计描述，公式为：方图的统计描述，公式为：方图的统计描述，公式为：S5、将特征信息进行标准化，从而将害虫目标转换到特征空间的表示，标准化方法(为最小
‑
最大标准化方法也称为离差标准化，对于原始数据，其主要通过一个线性变换将数据从一个取值范围映射到一个固定的范围中)公式为：S6、通过分类器对标准化后的特征信息进行分类，从而得到对应的害虫类别，统计相同类别的害虫，从而实现害虫的识别和数量统计。2.根据权利要求1所述的一种基于深度学习的虫子种类以及数量图像识别算法，其特征在于：所述S1中建立第一图像训练数据集和第二图像训练数据集之前包括对图像进行预处理，第一图像训练集的预处理为放大和裁切出目标害虫，第二图像训练集的预处理为去噪，去噪具体为通过滤波器进行去噪。3.根据权利要求1所述的一种基于深度学习的虫子种类以及数量图像识别算法，其特...

【专利技术属性】
技术研发人员：王志伟，吴京业，周军，
申请(专利权)人：南京字节数据科技有限公司，
类型：发明
国别省市：