一种基于图像识别的鳞翅目类多足幼虫检测方法及系统技术方案

本发明专利技术提供了鳞翅目类虫害检测技术领域的一种基于图像识别的鳞翅目类多足幼虫检测方法及系统，方法包括如下步骤：步骤

【技术实现步骤摘要】
一种基于图像识别的鳞翅目类多足幼虫检测方法及系统


[0001]本专利技术涉及鳞翅目类虫害检测
，特别指一种基于图像识别的鳞翅目类多足幼虫检测方法及系统
。

技术介绍

[0002]农作物害虫多种多样，会对农作物造成破坏，严重影响农产品的品质和产量
。
小菜蛾便是一种常见的蔬菜类农作物害虫，属于鳞翅目类，鳞翅目类多足幼虫啃食菜叶，在菜叶上形成孔洞和缺刻，降低了蔬菜质量
。
因此，及早地发现和防治鳞翅目类多足幼虫的虫害，对于蔬菜类农作物种植具有重要意义
。
[0003]鳞翅目类多足幼虫的识别通常由人工田间观察实现，然而这种方法耗时耗力，不利于第一时间发现农作物虫害；虽然已有基于深度学习的图像识别算法，但现有算法的针对性不强，针对鳞翅目类多足幼虫的识别精度较低
、
存在很多漏检误检情况
。
[0004]因此，如何提供一种基于图像识别的鳞翅目类多足幼虫检测方法及系统，实现提升鳞翅目类多足幼虫检测精度，成为一个亟待解决的技术问题
。

技术实现思路

[0005]本专利技术要解决的技术问题，在于提供一种基于图像识别的鳞翅目类多足幼虫检测方法及系统，实现提升鳞翅目类多足幼虫检测精度
。
[0006]第一方面，本专利技术提供了一种基于图像识别的鳞翅目类多足幼虫检测方法，包括如下步骤：
[0007]步骤
S10、
采集带有鳞翅目类多足幼虫的农作物图像；
[0008]步骤/>S20、
对所述农作物图像进行分割以得到若干张农作物子图像；
[0009]步骤
S30、
基于深度学习的图像超分网络增大各所述农作物子图像的分辨率，得到对应的高清作物图像；
[0010]步骤
S40、
将各所述高清作物图像输入基于
Yolox
模型构建的目标检测网络，进行鳞翅目类多足幼虫的检测
。
[0011]进一步的，所述步骤
S20
具体为：
[0012]设定一分割尺寸，基于所述分割尺寸对农作物图像进行分割，以得到若干张农作物子图像
。
[0013]进一步的，所述步骤
S30
中，所述图像超分网络具体用于：
[0014]a、
通过大小为3×3的第一卷积层提取所述农作物子图像的浅层特征；
[0015]b、
通过若干个级联的残差模块挖掘所述农作物子图像的深层特征；
[0016]c、
通过强化空间注意力模块和大小为1×1的第二卷积层从所述深层特征中提取注意力特征；
[0017]d、
通过大小为1×1的第三卷积层对所述浅层特征和注意力特征进行融合后，通过
PixelShuffle
函数进行重组，进而得到高清作物图像
。
[0018]进一步的，所述高清作物图像的重组公式为：
[0019][0020]其中，
I
SR
表示高清作物图像；
f
PS
(.)
表示
PixelShuffle
函数；表示第三卷积层；
F
ESA
表示注意力特征；
F0表示浅层特征
。
[0021]进一步的，所述步骤
S40
中，所述目标检测网络包括一
CSPDarknet
主干网络
、
一强特征提取网络
FPN、
一强特征提取网络
PAN
以及一预测网络
head
；
[0022]所述
CSPDarknet
主干网络用于从高清作物图像中提取三个不同深度的有效特征层，并分别输入强特征提取网络
FPN
以及强特征提取网络
PAN
；
[0023]所述强特征提取网络
FPN
以及强特征提取网络
PAN
用于对输入的有效特征层进行特征融合，得到融合特征并输入预测网络
head
；
[0024]所述预测网络
head
用于通过多尺度结构和解耦头，输出融合特征中的目标类别
、
检测框坐标以及置信度，以对鳞翅目类多足幼虫进行检测
。
[0025]第二方面，本专利技术提供了一种基于图像识别的鳞翅目类多足幼虫检测系统，包括如下模块：
[0026]农作物图像采集模块，用于采集带有鳞翅目类多足幼虫的农作物图像；
[0027]农作物图像分割模块，用于对所述农作物图像进行分割以得到若干张农作物子图像；
[0028]图像超分模块，用于基于深度学习的图像超分网络增大各所述农作物子图像的分辨率，得到对应的高清作物图像；
[0029]虫害检测模块，用于将各所述高清作物图像输入基于
Yolox
模型构建的目标检测网络，进行鳞翅目类多足幼虫的检测
。
[0030]进一步的，所述农作物图像分割模块具体用于：
[0031]设定一分割尺寸，基于所述分割尺寸对农作物图像进行分割，以得到若干张农作物子图像
。
[0032]进一步的，所述图像超分模块中，所述图像超分网络具体用于：
[0033]a、
通过大小为3×3的第一卷积层提取所述农作物子图像的浅层特征；
[0034]b、
通过若干个级联的残差模块挖掘所述农作物子图像的深层特征；
[0035]c、
通过强化空间注意力模块和大小为1×1的第二卷积层从所述深层特征中提取注意力特征；
[0036]d、
通过大小为1×1的第三卷积层对所述浅层特征和注意力特征进行融合后，通过
PixelShuffle
函数进行重组，进而得到高清作物图像
。
[0037]进一步的，所述高清作物图像的重组公式为：
[0038][0039]其中，
I
SR
表示高清作物图像；
f
PS
(.)
表示
PixelShuffle
函数；表示第三卷积层；
F
ESA
表示注意力特征；
F0表示浅层特征
。
[0040]进一步的，所述虫害检测模块中，所述目标检测网络包括一
CSPDarknet
主干网络
、
一强特征提取网络
FPN、
一强特征提取网络
PAN
以及一预测网络
head
；
[0041]所述
CSPDarknet
主干网络用于从高清作物图像中提取三个不同深度的有效特征层，并分别输入强特征提取网络
FPN
以及强特征提取网络
PAN
；...

【技术保护点】

【技术特征摘要】
1.
一种基于图像识别的鳞翅目类多足幼虫检测方法，其特征在于：包括如下步骤：步骤
S10、
采集带有鳞翅目类多足幼虫的农作物图像；步骤
S20、
对所述农作物图像进行分割以得到若干张农作物子图像；步骤
S30、
基于深度学习的图像超分网络增大各所述农作物子图像的分辨率，得到对应的高清作物图像；步骤
S40、
将各所述高清作物图像输入基于
Yolox
模型构建的目标检测网络，进行鳞翅目类多足幼虫的检测
。2.
如权利要求1所述的一种基于图像识别的鳞翅目类多足幼虫检测方法，其特征在于：所述步骤
S20
具体为：设定一分割尺寸，基于所述分割尺寸对农作物图像进行分割，以得到若干张农作物子图像
。3.
如权利要求1所述的一种基于图像识别的鳞翅目类多足幼虫检测方法，其特征在于：所述步骤
S30
中，所述图像超分网络具体用于：
a、
通过大小为3×3的第一卷积层提取所述农作物子图像的浅层特征；
b、
通过若干个级联的残差模块挖掘所述农作物子图像的深层特征；
c、
通过强化空间注意力模块和大小为1×1的第二卷积层从所述深层特征中提取注意力特征；
d、
通过大小为1×1的第三卷积层对所述浅层特征和注意力特征进行融合后，通过
PixelShuffle
函数进行重组，进而得到高清作物图像
。4.
如权利要求3所述的一种基于图像识别的鳞翅目类多足幼虫检测方法，其特征在于：所述高清作物图像的重组公式为：其中，
I
SR
表示高清作物图像；
f
PS
(.)
表示
PixelShuffle
函数；表示第三卷积层；
F
ESA
表示注意力特征；
F0表示浅层特征
。5.
如权利要求1所述的一种基于图像识别的鳞翅目类多足幼虫检测方法，其特征在于：所述步骤
S40
中，所述目标检测网络包括一
CSPDarknet
主干网络
、
一强特征提取网络
FPN、
一强特征提取网络
PAN
以及一预测网络
head
；所述
CSPDarknet
主干网络用于从高清作物图像中提取三个不同深度的有效特征层，并分别输入强特征提取网络
FPN
以及强特征提取网络
PAN
；所述强特征提取网络
FPN
以及强特征提取网络
PAN
用于对输入的有效特征层进行特征融合，得到融合特征并输入预测网络
head
；所述预测网络
head
用于通过多尺度结构和解耦头，输出融合特征中的目标类别
、
检测框坐...

【专利技术属性】
技术研发人员：余印振，朱坚，赵庆勇，
申请(专利权)人：福建新大陆软件工程有限公司，
类型：发明
国别省市：