【技术实现步骤摘要】
本专利技术涉及昆虫识别，具体涉及一种基于卷积神经网络的空中诱捕昆虫识别方法及系统。
技术介绍
1、害虫对农作物的健康生长和产量安全带来了严重的威胁，虫情监测是农业领域中的一项重要工作，目的是通过检测虫类物种的数量、种类、分布情况等指标，了解土壤、作物等的健康状况。传统的虫情监测方式，如高空灯监测严重依赖于人工经验，劳动强度大、实效性差，所以急需有效的自动化监测方法。随着计算机视觉技术的发展，将图像处理技术应用在虫害识别上，给自动高空虫情测报带来了有效的方案。
2、现有的昆虫识别技术中，多结合地面监测设备对地面虫情进行监测，缺乏对空中迁飞昆虫的实时监测和预警。高空灯诱捕的昆虫包含了鞘翅目、鳞翅目、双翅目、膜翅目等多个目的昆虫，其中各目和各科中有很多近缘种昆虫在形态上差异性很小，不易区分。传统的图像识别方法多依赖于人工经验，观察和利用昆虫的颜色、形状、大小和纹理等特征间差异进行识别，这种方法一方面依赖人工选择特征，另一方面场景变化的适应性不高，所以影响识别结果的准确性和鲁棒性。随着卷积神经网络的迅速发展和深度学习目标检测在农业中逐渐广泛应用，昆虫种类的准确鉴定已经成为可能。
3、申请号为202310963025.0的中国专利技术专利申请公开了一种基于yolo v7及2d卷积网络的昆虫行为识别方法，包括如下步骤：获取数据；构建昆虫目标检测模型；昆虫小目标视频裁剪；构建tsm网络模型识别昆虫梳理行为；将全新的昆虫行为视频输入到步骤4所选择的tsm网络模型中进行预测，tsm网络模型即可对昆虫行为进行识别；其属于昆虫
技术实现思路
1、为解决以上技术问题中的至少一个，本专利技术提供了一种基于卷积神经网络的空中诱捕昆虫识别方法及系统。
2、本专利技术的第一方面提供一种基于卷积神经网络的空中诱捕昆虫识别方法，包括：
3、步骤1：采集高空灯诱捕昆虫图像，制作灯下昆虫图像的数据集；
4、步骤2：对数据集进行预处理，并将预处理后的数据集划分为训练集、验证集和测试集；
5、步骤3：使用目标标注工具对训练集中的昆虫图像中的昆虫进行标注，生成标注文件；
6、步骤4：基于yolo v8构建昆虫识别分类模型，并使用训练集对其进行训练；
7、步骤5：对训练好的昆虫识别分类模型，通过验证集进行验证，并通过测试集进行测试；
8、步骤6：使用通过测试的昆虫识别分类模型进行高空灯诱捕昆虫分类识别。
9、优选的是，步骤4中，基于yolo v8构建的昆虫识别分类模型包括：
10、将yolo v8的骨干网backbone中的sppf模块前面的一个c2f模块，以及将yolo v8的颈部网ncek中的c2f模块，嵌入改进的卷积块注意力模块cbami(convolutional blockattention module improved)，形成c2f-cbami模块。
11、上述任一方案优选的是，所述改进的卷积块注意力模块cbami包括特征注意力模块(pattern attention module)、通道注意力模块(channel attention module)和空间注意力模块(spatial attention module)。
12、上述任一方案优选的是，所述特征注意力模块设置于所述通道注意力模块之前，所述通道注意力模块设置于所述空间注意力模块之前。
13、上述任一方案优选的是，所述特征注意力模块包括从前向后顺序设置的三种尺度由小到大的卷积核。
14、上述任一方案优选的是，所述特征注意力模块的三种不同尺度的卷积核，最前面的为1*1卷积核，中间为3*3卷积核，最后为5*5卷积核。
15、上述任一方案优选的是，在c2f模块中嵌入改进的卷积块注意力模块cbami包括：在c2f模块的bottleneck中嵌入cbami，形成cbami-bottleneck模块。
16、上述任一方案优选的是，cbami-bottleneck模块中，cbami设置于两层卷积之后，输入的特征图顺序经过两层卷积，并将后一层卷积的输出作为cbami的输入，然后，或者cbami的输出和输入的特征图进行特征联合后，作为cbami-bottleneck模块的输出；或者cbami的输出作为cbami-bottleneck模块的输出。
17、上述任一方案优选的是，当结构参数shortcut为true时，cbami的输出和输入的特征图进行特征联合后，作为cbami-bottleneck模块的输出；当结构参数shortcut为false时，cbami的输出作为cbami-bottleneck模块的输出。
18、上述任一方案优选的是，c2f-cbami模块中，串行设置多个cbami-bottleneck模块，并且根据不同的结构参数shortcut的取值，选择不同的cbami-bottleneck模块结构。
19、上述任一方案优选的是，c2f-cbami模块中，特征图经过split模块被均分为两半，然后顺序经过串行设置的多个cbami-bottleneck模块，每个cbami-bottleneck模块以及split模块在concat模块进行联合。
20、本专利技术的第二方面提供一种基于卷积神经网络的空中诱捕昆虫识别系统，包括计算机程序，所述计算机程序用于执行所述基于卷积神经网络的空中诱捕昆虫识别方法。
21、本专利技术的基于卷积神经网络的空中诱捕昆虫识别方法及系统具有以下有益效果：
22、1、通过对传统的卷积块注意力模块进行改进，增加特征注意力模块，进而对高空灯诱捕昆虫进行从细微到粗糙的特征信息提取，为后续通道注意力模块和空间注意力模块提供更丰富、更多样化的信息，进而为区分体态、特征近似的诱捕昆虫提供关键特征信息；
23、2、基于yolo v8构建昆虫识别分类模型，通过将改进的卷积块注意力模块cbami嵌入c2f模块中，增强了卷积神经网络的表达能力，有效提高了卷积神经网络中的信息流动，实现了更加细致、更有针对性的特征提取，解决了近缘种昆虫因形状、颜色和纹理等多种特征相似而导致识别准确率低的问题。
24、3、鲁棒性好、准确率高，可以实现对200多种常见高空灯诱捕昆虫的准确分类识别，为虫情监测提供支撑。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的空中诱捕昆虫识别方法，包括：
2.如权利要求1所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：步骤4中，基于YOLO V8构建的昆虫识别分类模型包括：
3.如权利要求2所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：所述改进的卷积块注意力模块CBAMI包括特征注意力模块、通道注意力模块和空间注意力模块，所述特征注意力模块设置于所述通道注意力模块之前，所述通道注意力模块设置于所述空间注意力模块之前。
4.如权利要求3所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：所述特征注意力模块包括从前向后顺序设置的三种尺度由小到大的卷积核。
5.如权利要求4所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：在C2f模块中嵌入改进的卷积块注意力模块CBAMI包括：在C2f模块的BottleNeck中嵌入CBAMI，形成CBAMI-BottleNeck模块。
6.如权利要求5所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：CBAMI-BottleNeck模块中，CB
7.如权利要求6所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：CBAMI-BottleNeck模块中，当结构参数shortcut为True时，CBAMI的输出和输入的特征图进行特征联合后，作为CBAMI-BottleNeck模块的输出；当结构参数shortcut为False时，CBAMI的输出作为CBAMI-BottleNeck模块的输出。
8.如权利要求7所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：C2f-CBAMI模块中，串行设置多个CBAMI-BottleNeck模块，并且根据不同的结构参数shortcut的取值，选择不同的CBAMI-BottleNeck模块结构。
9.如权利要求8所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：C2f-CBAMI模块中，特征图经过Split模块被均分为两半，然后顺序经过串行设置的多个CBAMI-BottleNeck模块，每个CBAMI-BottleNeck模块以及Split模块在concat模块进行联合。
10.一种基于卷积神经网络的空中诱捕昆虫识别系统，包括计算机程序，所述计算机程序用于执行如权利要求1-9任一项所述的基于卷积神经网络的空中诱捕昆虫识别方法。
...【技术特征摘要】
1.一种基于卷积神经网络的空中诱捕昆虫识别方法，包括：
2.如权利要求1所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：步骤4中，基于yolo v8构建的昆虫识别分类模型包括：
3.如权利要求2所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：所述改进的卷积块注意力模块cbami包括特征注意力模块、通道注意力模块和空间注意力模块，所述特征注意力模块设置于所述通道注意力模块之前，所述通道注意力模块设置于所述空间注意力模块之前。
4.如权利要求3所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：所述特征注意力模块包括从前向后顺序设置的三种尺度由小到大的卷积核。
5.如权利要求4所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：在c2f模块中嵌入改进的卷积块注意力模块cbami包括：在c2f模块的bottleneck中嵌入cbami，形成cbami-bottleneck模块。
6.如权利要求5所述的基于卷积神经网络的空中诱捕昆虫识别方法，其特征在于：cbami-bottleneck模块中，cbami设置于两层卷积之后，输入的特征图顺序经过两层卷积，并将后一层卷积的输出作为cbami的输入，然后，或者cbami的输出和输入的特征图进行特征联合后，作为cbami-bottleneck...
【专利技术属性】
技术研发人员：吕纯阳，孙义舒，吴孔明，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。