基于改进BCNN网络的水稻害虫检测方法技术

基于改进BCNN网络的水稻害虫检测方法，涉及深度学习、计算机视觉、作物防治领域。解决现有稻害虫分类方法检测速度慢、检测准确性低的问题。本发明专利技术先得到数据集，并对其标记数据集进行标记，通过改进后BCNN网络对数据集进行特征提取得到特征向量；利用其特征向量对分类器模型进行训练，利用训练后的分类器模型对待检测图像进行识别，识别出水稻害虫的类别。本发明专利技术主要用于对水稻害虫的类别进行识别。明主要用于对水稻害虫的类别进行识别。明主要用于对水稻害虫的类别进行识别。

【技术实现步骤摘要】
基于改进BCNN网络的水稻害虫检测方法


[0001]本专利技术涉及深度学习、计算机视觉、作物防治领域。

技术介绍

[0002]水稻是一种重要的粮食作物，在全国粮食作物中占据重要的地位。根据联合国粮食及农业组织发布的报告，截至2021年，水稻为全球超过25亿的人口提供了食物来源。而据世界卫生组织的数据显示，全球有超过70％的人口从水稻中获取大约20％的膳食热量。这些数据说明了水稻在全球粮食领域中的重要性，也反映了水稻对全球人类的贡献。中国的水稻种植面积和产量都居于全球领先地位，在全球水稻种植领域占有重要位置。社会现代化进程加快，人口增长的速度不断提升，人们对粮食的需求量持续增加。因此，为了满足我国日益增长的粮食需求，粮食增产成为我国农业专家的重要任务。近年来，水稻病虫害现象逐渐增加，严重影响了水稻健康生长，降低了粮食产量。因此，加强水稻虫害防控工作，成为当前亟待解决的重要农业问题。
[0003]针对水稻虫害问题，虫情监测是一种重要的防控措施。虫情监测可以帮助稻田管理者更好地了解不同害虫的危害程度和防治方法，为水稻的保护和生产提供更为有效的措施。这不仅对农村地区经济发展具有重大意义，而且对保障粮食安全做出了巨大的贡献。为了应对虫害，水稻管理者通常会定时使用杀虫剂，而这种方法只能除去部分害虫，还可能造成益虫的减少，同时也会对水稻的生长产生一定的危害。因此对水稻虫害进行实时监测具有非常重要的现实意义。虫情监测，需要对水稻田间的害虫作种类、数量统计，及时掌握害虫情况，为预测害虫入侵提供信息。
[0004]传统水稻害虫分类方法主要是基于人工观察和经验判断的。通过对害虫的外形、大小、颜色等特征进行观察，判断害虫的种类。或者使用害虫图鉴，通过对比害虫的外形特征，确定害虫的种类。这种方法识别效率低，花费巨大，无法实现水稻对虫害防治的实时性的要求。随着计算机视觉技术的发展，为我们的日常生活带来了极大便利，其逐渐被应用在许多领域。在农业害虫识别领域，传统的基于机器视觉的水稻害虫分类方法都需要对害虫图像进行预处理，然后手动提取害虫图像的颜色、形态和纹理等特征，最后再利用分类器进行分类，导致检测速度慢，特别对于小目标害虫分类易出现的漏检、误检，导致检测准确性低，因此，以上问题亟需解决。

技术实现思路

[0005]本专利技术目的是为了解决现有稻害虫分类方法检测速度慢、检测准确性低的问题，本专利技术提供了一种基于改进BCNN网络的水稻害虫检测方法。
[0006]基于改进BCNN网络的水稻害虫检测方法，该方法包括如下步骤：
[0007]S1、图像采集及预处理得到数据集；
[0008]S2、标记数据集：
[0009]对数据集中每一个候选图像上水稻害虫进行标记，标记出每个水稻害虫的类别及
各水稻害虫的所在位置处标注的包围框的坐标信息；
[0010]S3、通过改进后BCNN网络进行特征提取：
[0011]对各候选图像中被标记的水稻害虫进行特征提取，获得特征向量；特征提取过程中在候选图像的行方向和列方向分别以轴向注意力机制通过调整不同通道的特征贡献率，并结合深层和浅层特征提取、以及特征融合，获取3个尺度不同的融合特征图；再对3个尺度不同的融合特征图进行全连接，得到候选图像所对应的特征向量；
[0012]S4、对分类器模型进行训练：
[0013]将特征向量作为分类器模型的输入数据，将该输入数据对应的候选图像上的每个坐标信息处的水稻害虫的类别作为真值，对分类器模型进行训练，获得训练后的分类器模型；
[0014]S5、通过改进后BCNN网络进行特征提取对当前待检测图像进行特征提取，获得待识别特征向量，利用训练后的分类器模型对待识别特征向量进行识别，识别出水稻害虫的类别。
[0015]优选的是，步骤S1、图像采集及预处理，得到数据集的实现方式包括：
[0016]S11、对水稻田间昆虫进行图像采集，得到批量原始图像；
[0017]S12、依据图像的清晰度指标对批量原始图像进行初步筛选，得到多个候选图像；
[0018]S13、利用数据增强技术对候选图像进行扩充，扩充后的每一张候选图像作为一个样本，形成数据集。
[0019]优选的是，S12、依据图像的清晰度指标对批量原始图像进行初步筛选的方式，通过OSTU阈值分割的方法实现。
[0020]优选的是，步骤S13中、数据增强技术包括数据旋转、数据翻转、图像缩放、调整亮暗和添加噪声。
[0021]优选的是，改进后BCNN网络包括从左至右依次为卷积模块、第一轴向注意力残差模块、第一二阶浅层特征提取模块SFM、第二二阶浅层特征提取模块SFM、第二轴向注意力残差模块、第三轴向注意力残差模块、二阶深层特征提取模块、多阶特征融合模块MFM和全连接模块；
[0022]卷积模块，用于对接收的候选图像进行第一次卷积操作，得到第一次卷积操作后的特征图；
[0023]第一轴向注意力残差模块，用于调整不同通道的特征贡献率，并对第一次卷积操作后的特征图进行第二次卷积操作，得到第二次卷积操作后的特征图；
[0024]第一二阶浅层特征提取模块SFM，用于对第二次卷积操作后的特征图进行第一次二阶浅层特征提取，得到第一二阶浅层特征图；
[0025]第二二阶浅层特征提取模块SFM，用于对第一二阶浅层特征图进行第二次二阶浅层特征提取，得到第二二阶浅层特征图；
[0026]第二轴向注意力残差模块，用于调整不同通道的特征贡献率，并对第二二阶浅层特征图进行第三次卷积操作后，得到第三次卷积操作后特征图；
[0027]第三轴向注意力残差模块，用于调整不同通道的特征贡献率，并对第三次卷积操作后特征图进行第四次卷积操作后，得到第四次卷积操作后特征图；
[0028]二阶深层特征提取模块，用于对第四次卷积操作后特征图进行二阶深层特征提
取，得到二阶深层特征图；
[0029]分别对第二二阶浅层特征图和二阶深层特征图进行上采样后，送至多阶特征融合模块MFM；
[0030]多阶特征融合模块MFM，用于对上采样后的第二二阶浅层特征图和二阶深层特征图、以及第一二阶浅层特征图进行特征融合，生成3个尺度不同的融合特征图；
[0031]全连接模块，用于对3个尺度不同的融合特征图进行全连接，得到候选图像所对应的特征向量。
[0032]优选的是，二阶浅层特征提取采用矩阵内积操作实现。
[0033]优选的是，步骤S3、对各候选图像中被标记的水稻害虫进行特征提取的内容包括水稻害虫的轮廓、形状和颜色。
[0034]一种计算机可读的存储设备，所述存储设备存储有计算机程序，所述计算机程序被执行时实现如所述基于改进BCNN网络的水稻害虫检测方法。
[0035]一种基于改进BCNN网络的水稻害虫检测系统，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序实现如所述基于改进BCNN网络的水稻害虫检测方法。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进BCNN网络的水稻害虫检测方法，其特征在于，该方法包括如下步骤：S1、图像采集及预处理得到数据集；S2、标记数据集：对数据集中每一个候选图像上水稻害虫进行标记，标记出每个水稻害虫的类别及各水稻害虫的所在位置处标注的包围框的坐标信息；S3、通过改进后BCNN网络进行特征提取：对各候选图像中被标记的水稻害虫进行特征提取，获得特征向量；特征提取过程中在候选图像的行方向和列方向分别以轴向注意力机制通过调整不同通道的特征贡献率，并结合深层和浅层特征提取、以及特征融合，获取3个尺度不同的融合特征图；再对3个尺度不同的融合特征图进行全连接，得到候选图像所对应的特征向量；S4、对分类器模型进行训练：将特征向量作为分类器模型的输入数据，将该输入数据对应的候选图像上的每个坐标信息处的水稻害虫的类别作为真值，对分类器模型进行训练，获得训练后的分类器模型；S5、通过改进后BCNN网络进行特征提取对当前待检测图像进行特征提取，获得待识别特征向量，利用训练后的分类器模型对待识别特征向量进行识别，识别出水稻害虫的类别。2.根据权利要求1所述的基于改进BCNN网络的水稻害虫检测方法，其特征在于，步骤S1、图像采集及预处理，得到数据集的实现方式包括：S11、对水稻田间昆虫进行图像采集，得到批量原始图像；S12、依据图像的清晰度指标对批量原始图像进行初步筛选，得到多个候选图像；S13、利用数据增强技术对候选图像进行扩充，扩充后的每一张候选图像作为一个样本，形成数据集。3.根据权利要求2所述的基于改进BCNN网络的水稻害虫检测方法，其特征在于，S12、依据图像的清晰度指标对批量原始图像进行初步筛选的方式，通过OSTU阈值分割的方法实现。4.根据权利要求1所述的基于改进BCNN网络的水稻害虫检测方法，其特征在于，步骤S13中、数据增强技术包括数据旋转、数据翻转、图像缩放、调整亮暗和添加噪声。5.根据权利要求1所述的基于改进BCNN网络的水稻害虫检测方法，其特征在于，改进后BCNN网络包括从左至右依次为卷积模块、第一轴向注意力残差模块、第一二阶浅层特征提取模块SFM、第二二阶浅层特征提取模块SFM、第二轴向注意力残差模块、第三轴向注意力残差模块、二...

【专利技术属性】
技术研发人员：刘勇，左世余，何淑林，李学琨，吕丰顺，
申请(专利权)人：南通西科瑞智能科技有限公司，
类型：发明
国别省市：