CN109886287A - 杀虫剂确定方法、装置、计算机设备及存储介质 - Google Patents
杀虫剂确定方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109886287A CN109886287A CN201910009263.1A CN201910009263A CN109886287A CN 109886287 A CN109886287 A CN 109886287A CN 201910009263 A CN201910009263 A CN 201910009263A CN 109886287 A CN109886287 A CN 109886287A
- Authority
- CN
- China
- Prior art keywords
- insecticide
- pest
- classification
- pest image
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002917 insecticide Substances 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 151
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 290
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 76
- 239000000575 pesticide Substances 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 46
- 238000003062 neural network model Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 239000003814 drug Substances 0.000 description 10
- 238000010606 normalization Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 5
- 241001062009 Indigofera Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例提供一种杀虫剂确定方法、装置、计算机设备及存储介质。所述方法包括:获取多个类别、每个类别多张的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法;对每个类别的害虫图像进行预处理;将预处理后的每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络进行训练,以得到卷积神经网络模型;获取目标害虫图像并对进行预处理;将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。本申请实施例提高了确定害虫的杀虫剂以及该施药方法的准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种杀虫剂确定方法、装置、计算机设备及存储介质。
背景技术
目前市场上流通的杀虫剂有很多种,它们的作用机理各不相同。为了让杀虫剂发挥出最大的效用,应当根据害虫的危害部位和害虫的种类选用不同的杀虫剂和采用不同的施药方法。目前根据害虫选择杀虫剂和选择不同的施药方法由相应工作人员根据经验来判断,然而由于相应工作人员经验有限,因此有很多没有效率的杀虫剂,一方面造成了杀虫剂的浪费,另一方面,种植的农作物因为害虫的影响也减少了收成和产量。
发明内容
本申请实施例提供一种杀虫剂确定方法、装置、计算机设备及存储介质,可提高确定杀虫剂以及杀虫剂的施药方法的准确率。
第一方面,本申请实施例提供了一种杀虫剂确定方法,该方法包括:
获取多个类别的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,其中,每个类别的害虫图像有多张;对每个类别的害虫图像进行预处理以得到对应类别的害虫图像样本集;将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,其中,所述卷积神经网络模型实现输入为某一类别的害虫图像,输出为该类别的害虫所对应的杀虫剂以及杀虫剂的施药方法;获取目标害虫图像;对所述目标害虫图像进行预处理;将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。
第二方面,本发明实施例提供了一种杀虫剂确定装置,该杀虫剂确定装置包括用于执行上述第一方面所述的方法对应的单元。
第三方面,本发明实施例提供了一种计算机设备,所述计算机设备包括存储器,以及与所述存储器相连的处理器;
所述存储器用于存储计算机程序,所述处理器用于运行所述存储器中存储的计算机程序,以执行上述第一方面所述的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现上述第一方面所述的方法。
本申请实施例通过卷积神经网络模型对害虫图像进行处理,选择适合该害虫的杀虫剂以及确定杀虫剂的施药方法,提高了确定害虫的杀虫剂以及该施药方法的准确率,以避免无效的杀虫剂造成药剂的浪费以及对应农作物收成和产量的减少。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的杀虫剂确定方法的流程示意图;
图2是本申请实施例提供的杀虫剂确定方法的子流程示意图;
图3是本申请实施例提供的图2的子流程示意图;
图4是本申请实施例提供的杀虫剂确定装置的示意性框图;
图5是本申请实施例提供的模型训练单元的示意性框图;
图6是本申请实施例提供的网络模型确定单元的示意性框图;
图7是本申请实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1是本申请实施例提供的杀虫剂确定方法的流程示意图。如图1所示,该方法包括S101-S106。
S101,获取多个类别的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,其中,每个类别的害虫图像有多张。
获取多个类别,每个类别多张的害虫图像,如获取n个类别,每个类别m张的自然环境背景下的害虫图像,图像的拍摄距离角度要各不相同。同时获取每类害虫所对应的杀虫剂药剂以及药剂施药方法。需要注意的是,这里的多个类别可以指昆虫类目下的多个不同类别;也可以仅理解为不相同,如多个类别的害虫指的是多个不同害虫,每个害虫对应一个类别。无论多个类别如何理解,每个类别m张的害虫图像,都理解为同一种害虫的m张的害虫图像。为了便于理解,本申请实施例以以下数据进行说明:如10个类别,每个类别90幅的害虫图像(同一种害虫图像在不同拍摄距离角度下的90幅图像),每幅300*300(单位像素)。
S102,对每个类别的害虫图像进行预处理以得到对应类别的害虫图像样本集。
对每个类别的每幅害虫图像进行预处理。具体地,可使用双线性插值法对每个类别的每幅害虫图像进行预处理,也可使用其他的预处理方式对每个类别的每幅害虫图像进行预处理。如将原始害虫图像300*300变为128*128。
其中,双线性插值是做了二次一维的线性插值,用四个最近邻的灰度估计给定的灰度。如新图像的像素点(u0,v0)(u0,v0不是整数),则其必定落在原始害虫图像四个像素点中间,其中,原始害虫图像的四个像素点分别是(u',v')、(u',v'+1)、(u'+1,v')、(u'+1,v'+1)。分别在u和v方向上做线性插值后,即可得到公式(1),其中,α、β为系数,α=(u0-u')/(u'+1-u'),β=(v0-v')/(v'+1-v”)。可以理解地,将原始害虫图像300*300经过双线性插值后得到128*128的新图像,将经过双线性插值后的新图像作为害虫图像样本集。
g(u0,v0)=(1-α)(1-β)g(u',v')+α(1-β)g(u'+1,v')+β(1-α)g(u',v'+1)+αβg(u'+1,v'+1) (1)
S103,将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,其中,所述卷积神经网络模型实现输入为某一类别的害虫图像,输出为该类别的害虫所对应的杀虫剂以及杀虫剂的施药方法。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积或相关计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deeplearning)的代表算法之一。
其中,假设害虫图像样本集的类别包括A类、B类、C类等,或者可以理解为害虫的类别为A类、B类、C类等,那么每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,理解为A类害虫对应的是A类害虫所对应的杀虫剂和杀虫剂的施药方法、B类害虫对应的是B类害虫所对应的杀虫剂和杀虫剂的施药方法、C类害虫对应的是C类害虫所对应的杀虫剂和杀虫剂的施药方法等。可以理解地,每类害虫、每类害虫所对应的杀虫剂以及杀虫剂的施药方法都一一对应。
在一实施例中,步骤S103包括:从每个类别的害虫图像样本集中随机抽取预设比例的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像。将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型。
在该实施例中,预设比例可以是70%,可以是80%,也可以是100%等。若预设比例为100%,可以理解为将每个类别的所有害虫图像作为训练样本。将训练样本作为输入层害虫图像,将输入层害虫图像、对应每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中进行训练,以得到的卷积神经网络模型。其中,获取训练样本中每副害虫图像不同通道的特征图,即获取训练样本中每幅害虫图像的R(红)G(绿)B(蓝)通道的的特征图。具体地训练卷积神经网络模型的方法请参看下文中图3实施例的描述。在该实施例中,不验证训练得到的卷积神经网络模型的可用性,认为训练得到的神经网络模型已经是较优的模型了,可以直接使用。
在一实施例中,如图2所示,步骤S103包括以下步骤S201-S209。
S201,从每个类别的害虫图像样本集中随机抽取预设比例的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像。
其中,预设比例可以是70%、80%等。如若预设比例为是70%,每个类别的害虫图像是90幅,那么每个类别的训练样本为从90幅中随机抽取的63(90*70%)幅。如此,若有10个类别,那么训练样本为630(90*70%*10)幅。其中,随机抽取是为了保证样本的随机性。获取训练样本中每副害虫图像不同通道的特征图,即获取训练样本中每幅害虫图像的R(红)G(绿)B(蓝)通道的的特征图,将所获取的特征图作为输入层害虫图像。可以理解地,所对应的输入层害虫图像包括训练样本中每副图像的3个128*128的特征图,3个特征图对应R(红)G(绿)B(蓝)通道。其中,需要注意的是,若害虫图像为灰度图像,对应只有一个通道,那么获取不同颜色通道的特征图即为获取该一个通道的特征图。
S202,将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型。
在一实施例中,如图3所示,步骤S202包括以下步骤S301-S308。
S301,将输入层害虫图像、每个类别害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中的第一卷积层进行处理。
其中,每个卷积层都有对应的卷积核,还有卷积核步长。其中,卷积核的大小不宜选的过大或者过小,过大会增加计算时间,过小则会丧失特征信息。在该实施例中,第一卷积层的卷积核大小为11x11,每个特征图内卷积核共享,即每个特征图内只使用一个卷积核,卷积核步长为2。在其他实施例中,第一卷积层的卷积核大小和卷积核步长也可以使用其他的大小和尺寸。
在一实施例中,在第一卷积层处理之前,所述方法还包括:根据输入的特征图的大小、第一卷积层的卷积核的大小确定特征图在第一卷积层是否需要进行边界填充;若确定需要进行边界填充,对特征图进行边界填充以调整特征图的大小,以方便对特征图进行卷积处理。
在一实施例中,在第一卷积层处理之前,所述方法还包括:根据输入的特征图的大小、第一卷积层的卷积核的大小确定特征图在第一卷积层是否需要进行边界填充以及确定边界填充的像素个数;若确定需要进行边界填充,根据所确定的边界填充的像素个数对特征图进行边界填充以调整特征图的大小,以方便对特征图进行卷积处理。边界填充的像素的大小使得宽方向和高方向上计算出来的结果都为正整数。
其中,确定是否需要填充使用计算公式:(特征图的宽-卷积核的宽*2)/步长,(特征图的高-卷积核的高*2)/步长。若计算出来的结果是正整数,则确定无需进行边界填充;若计算出来的结果不为正整数,则确定需要进行边界填充。边界填充的像素的大小使得宽方向和高方向上计算出来的结果都为正整数。如128*128的特征图,卷积核大小为11x11,步长为2,那么(128-11*2)/2的结果为正整数,因此确定无需进行边界填充。
在一实施例中,在第一卷积层处理后,所述方法还包括:计算经过第一卷积层处理后的特征图的大小。其中,经过第一卷积层处理后的图像的大小可使用公式(2)计算:
其中,其中,w指的是特征图的宽,h指的是特征图的高,win、hin指的是在进行第一卷积层处理之前的特征图的宽和高,即输入到第一卷积层的特征图的宽和高,padleft指的是特征图左边填充的大小,padright指的是特征图右边填充的大小,padtop指的是特征图上边填充的大小,padbottomt指的是特征图瞎下边填充的大小,kernel指的是对应核的大小,如卷积核或者下抽样核的大小,包括对应核的高和宽,stride指的是对应核的步长,如卷积核或者下抽样核的步长。[]为高斯取整函数。
将3个通道的128*128的输入层害虫图像输入到卷积神经网络中的第一卷积层进行卷积处理,然后再使用激活函数进行激活,以得到64个通道的特征图,每个特征图的大小为59*59。
S302,将经过第一卷积层处理后的特征图进行归一化处理。
其中,进行归一化的计算公式请参看公式(3)。
其中,k、α、β为固定系数,α为卷积核的大小,通常取2、3、5等,β为负的整数,如取值为-1。outMapcxy表示归一化后的图像的像素值,inMapcxy表示归一化前的图像的像素值。如若归一化之前是64个特征图,每个特征图的大小为59*59。归一化之后仍然是64个特征图,每个特征图的大小仍然为59*59。其中,归一化的作用是为了简化计算且凸显特征图中的图像特征。
S303,将经过归一化处理的特征图输入到卷积神经网络中的第一池化层进行处理。
池化可以理解为利用图像局部相关性的原理,对图像进行下抽样,以减少数据处理量同时保留有用信息。第一池化层的池化方式为最大池化法,即选取2*2邻域内的最大值作为一个像素点的值,也可以理解为最大值采样。其中,2*2领域表示下抽样核的大小为2*2。下抽样核的步长为2。该实施例中的下抽样核的大小和步长只是例举,也可以使用其他的下抽样核的大小和步长。
在一实施例中,在经过第一池化层进行处理之前,所述方法还包括:根据输入的特征图的大小、第一池化层的下抽样核的大小、抽样核的步长确定特征图在第一池化层是否需要进行边界填充;若确定需要进行边界填充,对特征图进行边界填充以调整特征图的大小。
在一实施例中,在经过第一池化层进行处理之前,所述方法还包括:根据输入的特征图的大小、第一池化层的下抽样核的大小、抽样核的步长确定特征图在第一池化层是否需要进行边界填充以及确定边界填充的像素个数;若确定需要进行边界填充,根据所确定的边界填充的像素个数对特征图进行边界填充以调整特征图的大小。
若使用64个大小为59*59的特征图,使用2*2且步长为2的下抽样核,那么在进行池化之前,(59-2*2)/2=29.5,计算出来的结果不为正整数,则确定需要进行边界填充。如在宽的方向上,填充像素的大小为1。同样的方式计算,可得出在宽和高的位置上都还差一个像素,因此,确定需要对特征图进行边界填充以调整特征图的大小。其中,确定边界填充的大小为1*1,理解为在特征图的左边或者右边填充一个像素,上边或者下边填充一个像素,其中,填充的像素值为0,像素值为0并不影响提取特征图中的特征。然后对填充了像素的特征图进行下抽样处理(池化处理),其中,使用2*2且步长为2的下抽样核。其中,对特征图进行边界填充以及进行第一池化层处理后特征图的大小计算公式如公式(2)。进行池化处理后,得到64个大小为29*29的特征图。
S304,将经过第一池化层的特征图输入到卷积神经网络中的第二卷积层进行处理。
在第二卷积层进行处理之前,根据第一池化池处理后的特征图的大小、第二卷积层的卷积核大小、卷积核步长确定特征图在第二卷积层是否需要进行边界填充;若确定需要进行边界填充,对特征图进行边界填充以调整特征图的大小。
在一实施例中,在第二卷积层进行处理之前,根据第一池化池处理后的特征图的大小、第二卷积层的卷积核大小、卷积核步长确定特征图在第二卷积层是否需要进行边界填充以及确定边界填充的像素个数;若确定需要进行边界填充,根据所确定的边界填充的像素个数对特征图进行边界填充以调整特征图的大小。
如若第一池化层的特征图大小为29*29,第二卷积层的卷积核大小为5x5,卷积核步长为1,那么确定需要进行边界填充,且边界填充的像素个数为4。
首先对特征图进行边界填充以调整好特征图的大小,其中,若使用64个大小为29*29的特征图,对应的边界填充大小为4*4,理解为在特征图的上边或则下边填充4个像素,左边或者右边填充4个像素。然后对调整后的特征图通过第二卷积层进行处理。第二卷积层的卷积核大小为5x5,每个特征图内卷积核共享,即每个特征图内只使用一个共同卷积核,卷积核步长为1。将填充了像素的特征图输入到卷积神经网络中的第二卷积层进行卷积处理,然后再使用激活函数进行激活,以得到128个通道的特征图,每个通道的特征图的大小为29*29。经过处理后的特征图的大小可用公式(2)计算出来。在其他实施例中,边界填充的尺寸和第二卷积层的卷积核大小和卷积核步长也可以使用其他的大小和尺寸。
S305,将经过第二卷积层处理后的特征图进行归一化处理。
其中,归一化的公式如公式(3)所示,若归一化之前为128个大小为29*29的特征图,那么归一化为仍为128个大小为29*29的特征图。
S306,将经过归一化处理的特征图输入到卷积神经网络中的第二池化层进行处理。
第二池化层的池化方式也为最大池化法,选取2*2邻域内的最大值作为一个像素点的值,即下抽样核的大小为2*2。下抽样核的步长为2。其中,对特征图进行边界填充以及进行池化层处理后特征图的大小计算公式如公式(2)。若使用128个大小为29*29的特征图,使用2*2且步长为2的下抽样核,确定无需进行边界填充,如此进行池化处理后,可得到128个大小为14*14的特征图。
S307,将经过第二池化层处理的特征图输入到第一全连接层进行处理。
由于经过了两次池化后,特征图的大小已经很小了,也可以理解为神经元的个数已经很少了,那么可利用全连接神经网络进行处理。如128个大小为14*14的特征图,可理解为每张图所对应的神经元为14*14个。利用全连接层对相应的特征图进行处理,处理后的每张图只剩下一个神经元,总共128个图,有128个神经元。即处理后可得到128个1*1的特征图。
S308,将经过第一全连接层的特征图输入到第二全连接层进行处理以得到输出结果,如此,以得到卷积神经网络模型。
其中,第二全连接层也可以称为输出层,第二全连接层也是利用全连接神经网络进行处理,经过第二全连接层进行处理后得到输出结果。输出值包括10个神经元,对应10个值,每个值对应一种害虫图像所适合的杀虫剂药剂及药剂的使用方式介绍。
其中,上述进行训练的过程中每一步所对应的数据,如包括特征图的大小以及对应核的大小,边界填充的大小等数据,如表1所示。
层号 | 功能层类型 | 特征图 | 通道数 | 激活函数 | 卷积核大小 | 步长 | 边界填充大小 |
1 | Input | 128*128 | 3 | ||||
2 | Convolution | 59*59 | 64 | Relu | 11*11 | 2 | 0 |
3 | Normalization | 59*59 | 64 | ||||
4 | Pool | 29*29 | 64 | 2*2 | 2 | 1*1 | |
5 | Convolution | 29*29 | 128 | Relu | 5*5 | 1 | 4*4 |
6 | Normalization | 29*29 | 128 | ||||
7 | pool | 14*14 | 128 | 2*2 | 2 | 0 | |
8 | Full-link | 1*1 | 128 | ||||
9 | output | 1*1 | 10 |
表1训练卷积神经网络的过程中每一步所对应的数据
图3所示的实施例进一步限定了如何训练卷积神经网络模型。其中,在进行卷积层之后,需要进行归一化,以简化计算且同时凸显特征图中的图像特征。
S203,将训练得到的卷积神经网络模型作为初始卷积神经网络模型。
S204,将每个类别的害虫图像样本集中的非训练样本的害虫图像作为测试样本,并获取测试样本中每幅害虫图像的不同颜色通道的特征图,作为测试输入层害虫图像。
将每个类别的害虫图像样本集中的非训练样本的害虫图像作为测试样本,即每个类别的害虫图像样本集中,除了训练样本,其他的害虫图像都是测试样本。获取测试样本中每幅害虫图像的R(红)G(绿)B(蓝)通道的的特征图,将所获取的特征图作为测试输入层害虫图像。
S205,将测试输入层害虫图像输入到初始卷积神经网络模型中进行处理,以得到测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法。
其中,将测试输入层害虫图像输入到初始卷积神经网络模型中进行处理时,处理的方式与训练初始卷积神经网络模型时对图像处理的方式一致。通过初始卷积神经网络模型进行处理后,每个测试输入层害虫图像都会得到一个对应的杀虫剂以及杀虫剂的施药方法。
S206,基于所述测试输入层害虫图像所对应的真实的杀虫剂以及杀虫剂的施药方法,计算通过初始卷积神经网络模型处理得到的测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法的正确率。
将每个测试输入层害虫图像通过初始卷积神经网络模型处理得到的杀虫剂以及杀虫剂的施药方法,与每个测试输入层害虫图像所对应的真实的杀虫剂以及杀虫剂的施药方法进行比对,若对应的杀虫剂一致且杀虫剂的施药方法一致,则认为通过初始卷积神经网络模型得到的杀虫剂以及杀虫剂的施药方法是正确的,否则,认为不正确。如此,计算通过初始卷积神经网络模型处理得到的杀虫剂以及杀虫剂的施药方法的正确率,其中,正确率=正确的害虫图像数量/测试输入层害虫图像的数量*100%。
S207,判断计算得出的正确率是否在预设正确率范围内。
其中,预设正确率范围可以根据具体情况来设定不同的范围值。如预设正确率范围为90%-100%,预设正确率范围也可以为其他的范围值。
若计算得出的正确率在预设正确率范围内,执行步骤S208;若计算得出的正确率不在预设正确率范围内,执行步骤S209。
S208,将初始卷积神经网络模型作为最终训练得到的卷积神经网络模型。
即若计算得出的正确率在预设正确率范围内,将初始卷积神经网络模型作为最终训练得到的卷积神经网络模型,可以理解地,计算得出的正确率在预设正确率范围内,那么认为该初始卷积神经网络模型的准确率已经较高了,可以直接使用该初始卷积神经网络模型了。
S209,更新初始卷积神经网络模型中的网络参数,将更新了网络参数的卷积网络称为卷积神经网络;接着返回执行步骤S201。可以理解地,若计算得出的正确率不在预设正确率范围内,那么说明初始卷积神经网络模型的可用性不高,出现判断错误的几率很大,因此需要再次进行训练。
S104,获取目标害虫图像。
其中,目标害虫图像即为需要确定该害虫所对应的杀虫剂以及杀虫剂的施药方法的图像。
S105,对所述目标害虫图像进行预处理。其中,预处理的方式与步骤S102中的一致。
S106,将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。
以上方法实施例可通过卷积神经网络模型对害虫图像进行处理,选择适合该害虫的杀虫剂药剂以及该药剂施药方法,提高了确定害虫的杀虫剂药剂以及该药剂施药方法的准确率,以避免无效的杀虫剂造成药剂的浪费以及对应农作物收成和产量的减少。
图4是本申请实施例提供的杀虫剂确定装置的示意性框图。如图4所示,该装置包括用于执行上述杀虫剂确定方法所对应的单元。具体地,如图4所示,该装置40包括获取单元401、预处理单元402、模型训练单元403以及模型处理单元404。
获取单元401,用于获取多个类别的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,其中,每个类别的害虫图像有多张。
预处理单元402,用于对每个类别的害虫图像进行预处理以得到对应类别的害虫图像样本集。
模型训练单元403,用于将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,其中,所述卷积神经网络模型实现输入为某一类别的害虫图像,输出为该类别的害虫所对应的杀虫剂以及杀虫剂的施药方法。
获取单元401,还用于获取目标害虫图像;
预处理单元402,还用于对所述目标害虫图像进行预处理;
模型处理单元404,将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。
在一实施例中,模型训练单元403包括训练输入层确定单元、网络模型训练单元。其中,训练输入层确定单元,用于从每个类别的害虫图像样本集中随机抽取预设数量的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像。网络模型训练单元,用于将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型。
在一实施例中,如图5所示,模型训练单元403包括训练输入层确定单元501、网络模型训练单元502、初始模型确定单元503、测试输入层确定单元504、测试结果确定单元505、正确率计算单元506、正确率判断单元507、训练模型确定单元508以及参数更新单元509。其中,训练输入层确定单元501,用于从每个类别的害虫图像样本集中随机抽取预设数量的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像。网络模型训练单元502,用于将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型。初始模型确定单元503,用于将训练得到的卷积神经网络模型作为初始卷积神经网络模型。测试输入层确定单元504,用于将每个类别的害虫图像样本集中的非训练样本的害虫图像作为测试样本,并获取测试样本中每幅害虫图像的不同颜色通道的特征图,作为测试输入层害虫图像。测试结果确定单元505,用于将测试输入层害虫图像输入到初始卷积神经网络模型中,以得到测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法。正确率计算单元506,用于基于所述测试输入层害虫图像所对应的真实的杀虫剂以及杀虫剂的施药方法,计算通过初始卷积神经网络模型得到的测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法的正确率。正确率判断单元507,用于判断计算得出的正确率是否在预设正确率范围内。训练模型确定单元508,用于若计算得出的正确率在预设正确率范围内,将初始卷积神经网络模型作为最终训练得到的卷积神经网络模型。参数更新单元509,用于若训练输入层确定单元若计算得出的正确率不在预设正确率范围内,更新初始卷积神经网络模型中的网络参数,将更新了网络参数的卷积网络称为卷积神经网络。接着触发训练输入层确定单元501。
在一实施例中,如图6所示,网络模型训练单元502包括第一卷积单元601、第一归一化单元602、第一池化单元603、第二卷积单元604、第二归一化单元605、第二池化单元606、全连接单元607以及结果输出单元608。其中,第一卷积单元601,用于将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中的第一卷积层进行处理。第一归一化单元602,用于将经过第一卷积层处理后的特征图进行归一化处理。第一池化单元603,用于将经过归一化处理的特征图输入到卷积神经网络的第一池化层进行处理。第二卷积单元604,用于将经过第一池化层的特征图输入到卷积神经网络中的第二卷积层进行处理。第二归一化单元605,用于将经过第二卷积层处理后的特征图进行归一化处理。第二池化单元606,用于将经过归一化处理的特征图输入到卷积神经网络的第二池化层进行处理。全连接单元607,用于将经过第二池化层处理的特征图输入到第一全连接层进行处理。结果输出单元608,用于将经过第一全连接层的特征图输入到第二全连接层进行处理以得到输出结果,如此,以得到卷积神经网络模型。
在一实施例中,网络模型训练单元502还包括大小计算单元、填充确定单元、填充单元。其中,大小计算单元,用于计算经过第二卷基层处理后的特征图的大小。填充确定单元,用于根据特征图的大小、所述第二池化层的下抽样核的大小确定特征图是否需要进行边界填充。填充单元,用于若确定需要进行边界填充,对特征图进行边界填充以调整特征图的大小。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述装置可以实现为一种计算机程序的形式,计算机程序可以在如图7所示的计算机设备上运行。
图7为本申请实施例提供的一种计算机设备的示意性框图。该设备为终端等设备,如移动终端、PC终端、IPad等。该设备70包括通过系统总线701连接的处理器702、存储器和网络接口703,其中,存储器可以包括非易失性存储介质704和内存储器705。
该非易失性存储介质704可存储操作系统7041和计算机程序7042。该非易失性存储介质中所存储的计算机程序7042被处理器702执行时,可实现上述所述的杀虫剂确定方法。该处理器702用于提供计算和控制能力,支撑整个设备的运行。该内存储器705为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器702执行时,可使得处理器702执行上述所述的杀虫剂确定方法。该网络接口703用于进行网络通信。本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的设备的限定,具体的设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器702用于运行存储在存储器中的计算机程序,以实现如下步骤:
获取多个类别的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,其中,每个类别的害虫图像有多张;对每个类别的害虫图像进行预处理以得到对应类别的害虫图像样本集;将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,其中,所述卷积神经网络模型实现输入为某一类别的害虫图像,输出为该类别的害虫所对应的杀虫剂以及杀虫剂的施药方法;获取目标害虫图像;对所述目标害虫图像进行预处理;将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。
在一实施例中,所述处理器702在执行所述将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型的步骤时,具体实现如下步骤:
从每个类别的害虫图像样本集中随机抽取预设数量的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像;将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型。
在一实施例中,所述处理器702在执行所述将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型的步骤之后,还实现如下步骤:
将训练得到的卷积神经网络模型作为初始卷积神经网络模型;将每个类别的害虫图像样本集中的非训练样本的害虫图像作为测试样本,并获取测试样本中每幅害虫图像的不同颜色通道的特征图,作为测试输入层害虫图像;将测试输入层害虫图像输入到初始卷积神经网络模型中,以得到测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法;基于所述测试输入层害虫图像所对应的真实的杀虫剂以及杀虫剂的施药方法,计算通过初始卷积神经网络模型得到的测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法的正确率;判断计算得出的正确率是否在预设正确率范围内;若计算得出的正确率在预设正确率范围内,将初始卷积神经网络模型作为最终训练得到的卷积神经网络模型;若计算得出的正确率不在预设正确率范围内,更新初始卷积神经网络模型中的网络参数,将更新了网络参数的卷积网络称为卷积神经网络;接着返回执行所述从每个类别的害虫图像样本集中随机抽取预设数量的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像的步骤。
在一实施例中,所述处理器702在执行所述将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型的步骤时,具体实现如下步骤:
将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中的第一卷积层进行处理;将经过第一卷积层处理后的特征图进行归一化处理;将经过归一化处理的特征图输入到卷积神经网络中的第一池化层进行处理;将经过第一池化层的特征图输入到卷积神经网络中的第二卷积层进行处理;将经过第二卷积层处理后的特征图进行归一化处理;将经过归一化处理的特征图输入到卷积神经网络中的第二池化层进行处理;将经过第二池化层处理的特征图输入到第一全连接层进行处理;将经过第一全连接层的特征图输入到第二全连接层进行处理以得到输出结果,如此,以得到卷积神经网络模型。
在一实施例中,所述处理器702在执行在特征图经过所述第二卷积层进行处理的步骤之后,还实现如下步骤:
计算经过所述第二卷基层处理后的特征图的大小;根据特征图的大小、所述第二池化层的下抽样核的大小确定特征图是否需要进行边界填充;若确定需要进行边界填充,所述处理器在执行在特征图进行第二池化层池化的步骤之前,还实现如下步骤:对特征图进行边界填充以调整特征图的大小。
在一实施例中,所述处理器702在执行所述第一池化层和第二池化层进行池化的步骤时,具体实现如下步骤:采用最大池化法进行池化。
在一实施例中,所述处理器702在执行所述对每个类别的害虫图像进行预处理的步骤时,具体实现如下步骤:
使用双线性插值法对多个类别的害虫图像进行预处理。
应当理解,在本申请实施例中,所称处理器702可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(应用程序lication Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中,该存储介质可以为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本申请还提供了一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,该计算机程序当被处理器执行时实现以下步骤:
获取多个类别的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,其中,每个类别的害虫图像有多张;对每个类别的害虫图像进行预处理以得到对应类别的害虫图像样本集;将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,其中,所述卷积神经网络模型实现输入为某一类别的害虫图像,输出为该类别的害虫所对应的杀虫剂以及杀虫剂的施药方法;获取目标害虫图像;对所述目标害虫图像进行预处理;将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。
在一实施例中,所述处理器在执行所述将每个类别的害虫图像样本集、对每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型的步骤时,具体实现如下步骤:
从每个类别的害虫图像样本集中随机抽取预设数量的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像;将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型。
在一实施例中,所述处理器在执行所述将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型的步骤之后,还实现如下步骤:
将训练得到的卷积神经网络模型作为初始卷积神经网络模型;将每个类别的害虫图像样本集中的非训练样本的害虫图像作为测试样本,并获取测试样本中每幅害虫图像的不同颜色通道的特征图,作为测试输入层害虫图像;将测试输入层害虫图像输入到初始卷积神经网络模型中,以得到测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法;基于所述测试输入层害虫图像所对应的真实的杀虫剂以及杀虫剂的施药方法,计算通过初始卷积神经网络模型得到的测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法的正确率;判断计算得出的正确率是否在预设正确率范围内;若计算得出的正确率在预设正确率范围内,将初始卷积神经网络模型作为最终训练得到的卷积神经网络模型;若计算得出的正确率不在预设正确率范围内,更新初始卷积神经网络模型中的网络参数,将更新了网络参数的卷积网络称为卷积神经网络;接着返回执行所述从每个类别的害虫图像样本集中随机抽取预设数量的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像的步骤。
在一实施例中,所述处理器在执行所述将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型的步骤时,具体实现如下步骤:
将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中的第一卷积层进行处理;将经过第一卷积层处理后的特征图进行归一化处理;将经过归一化处理的特征图输入到卷积神经网络中的第一池化层进行处理;将经过第一池化层的特征图输入到卷积神经网络中的第二卷积层进行处理;将经过第二卷积层处理后的特征图进行归一化处理;将经过归一化处理的特征图输入到卷积神经网络中的第二池化层进行处理;将经过第二池化层处理的特征图输入到第一全连接层进行处理;将经过第一全连接层的特征图输入到第二全连接层进行处理以得到输出结果,如此,以得到卷积神经网络模型。
在一实施例中,所述处理器在执行在特征图经过所述第二卷积层进行处理的步骤之后,还实现如下步骤:
计算经过所述第二卷基层处理后的特征图的大小;根据特征图的大小、所述第二池化层的下抽样核的大小确定特征图是否需要进行边界填充;若确定需要进行边界填充,所述处理器在执行在特征图进行所述第二池化层池化的步骤之前,还实现如下步骤:对特征图进行边界填充以调整特征图的大小。
在一实施例中,所述处理器在执行所述第一池化层和第二池化层进行池化的步骤时,具体实现如下步骤:采用最大池化法进行池化。
在一实施例中,所述处理器在执行所述对每个类别的害虫图像进行预处理的步骤时,具体实现如下步骤:
使用双线性插值法对多个类别的害虫图像进行预处理。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置、设备和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种杀虫剂确定方法,其特征在于,所述方法包括:
获取多个类别的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,其中,每个类别的害虫图像有多张;
对每个类别的害虫图像进行预处理以得到对应类别的害虫图像样本集;
将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,其中,所述卷积神经网络模型实现输入为某一类别的害虫图像,输出为该类别的害虫所对应的杀虫剂以及杀虫剂的施药方法;
获取目标害虫图像;
对所述目标害虫图像进行预处理;
将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。
2.根据权利要求1所述的方法,其特征在于,所述将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,包括:
从每个类别的害虫图像样本集中随机抽取预设比例的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像;
将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将训练得到的卷积神经网络模型作为初始卷积神经网络模型;
将每个类别的害虫图像样本集中的非训练样本的害虫图像作为测试样本,并获取测试样本中每幅害虫图像的不同颜色通道的特征图,作为测试输入层害虫图像;
将测试输入层害虫图像输入到初始卷积神经网络模型中进行处理,以得到测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法;
基于所述测试输入层害虫图像所对应的真实的杀虫剂以及杀虫剂的施药方法,计算通过初始卷积神经网络模型处理得到的测试输入层害虫图像所对应的杀虫剂以及杀虫剂的施药方法的正确率;
判断计算得出的正确率是否在预设正确率范围内;
若计算得出的正确率在预设正确率范围内,将初始卷积神经网络模型作为最终训练得到的卷积神经网络模型;
若计算得出的正确率不在预设正确率范围内,更新初始卷积神经网络模型中的网络参数,将更新了网络参数的卷积网络称为卷积神经网络;返回执行所述从每个类别的害虫图像样本集中随机抽取预设比例的害虫图像作为训练样本,并获取训练样本中每幅害虫图像的不同颜色通道的特征图,作为输入层害虫图像的步骤。
4.根据权利要求2所述的方法,其特征在于,所述将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,包括:
将输入层害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中的第一卷积层进行处理;
将经过第一卷积层处理后的特征图进行归一化处理;
将经过归一化处理的特征图输入到卷积神经网络中的第一池化层进行处理;
将经过第一池化层的特征图输入到卷积神经网络中的第二卷积层进行处理;
将经过第二卷积层处理后的特征图进行归一化处理;
将经过归一化处理的特征图输入到卷积神经网络中的第二池化层进行处理;
将经过第二池化层处理的特征图输入到第一全连接层进行处理;
将经过第一全连接层的特征图输入到第二全连接层进行处理以得到输出结果,如此,以得到卷积神经网络模型。
5.根据权利要求4所述的方法,其特征在于,特征图在经过所述第二卷积层进行处理后,所述方法还包括:
计算经过所述第二卷基层处理后的特征图的大小;
根据特征图的大小、所述第二池化层的下抽样核的大小确定特征图是否需要进行边界填充;
在特征图进行第二池化层池化之前,若确定需要进行边界填充,所述方法还包括:对特征图进行边界填充以调整特征图的大小。
6.根据权利要求4所述的方法,其特征在于:所述第一池化层和所述第二池化层均采用最大池化法进行池化。
7.根据权利要求1所述的方法,其特征在于,所述对每个类别的害虫图像进行预处理,包括:
使用双线性插值法对每个类别的害虫图像进行预处理。
8.一种杀虫剂确定装置,其特征在于,所述杀虫剂确定装置包括:
获取单元,用于获取多个类别的害虫图像、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法,其中,每个类别的害虫图像有多张;
预处理单元,用于对每个类别的害虫图像进行预处理以得到对应类别的害虫图像样本集;
模型训练单元,用于将每个类别的害虫图像样本集、每个类别的害虫所对应的杀虫剂以及杀虫剂的施药方法输入到卷积神经网络中,通过卷积神经网络进行训练,以得到卷积神经网络模型,其中,所述卷积神经网络模型实现输入为某一类别的害虫图像,输出为该类别的害虫所对应的杀虫剂以及杀虫剂的施药方法;
获取单元,用于还用于获取目标害虫图像;
预处理单元,还用于对所述目标害虫图像进行预处理;
模型处理单元,用于将预处理后的目标害虫图像输入到训练得到的卷积神经网络模型中,得到目标害虫所对应的杀虫剂以及杀虫剂的施药方法。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器,以及与所述存储器相连的处理器;
所述存储器用于存储计算机程序;所述处理器用于运行所述存储器中存储的计算机程序,以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910009263.1A CN109886287B (zh) | 2019-01-04 | 2019-01-04 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910009263.1A CN109886287B (zh) | 2019-01-04 | 2019-01-04 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886287A true CN109886287A (zh) | 2019-06-14 |
CN109886287B CN109886287B (zh) | 2024-05-14 |
Family
ID=66925563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910009263.1A Active CN109886287B (zh) | 2019-01-04 | 2019-01-04 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886287B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287991A (zh) * | 2019-05-22 | 2019-09-27 | 平安科技(深圳)有限公司 | 植物类生药真伪验证方法、装置、计算机设备及存储介质 |
CN113741597A (zh) * | 2021-09-03 | 2021-12-03 | 安徽中昆绿色防控科技有限公司 | 农林诱虫测报智能控制系统 |
CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 浙江天演维真网络科技股份有限公司 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090049933A (ko) * | 2007-11-14 | 2009-05-19 | 부산대학교 산학협력단 | 해충 인지 시스템 및 그 방법 |
CN106912331A (zh) * | 2017-03-02 | 2017-07-04 | 深圳春沐源农业科技有限公司 | 一种针对农作物害虫的喷药方法及喷药系统 |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
CN108073908A (zh) * | 2017-12-28 | 2018-05-25 | 深圳春沐源控股有限公司 | 害虫识别方法及装置、计算机装置及存储介质 |
US20180293444A1 (en) * | 2017-04-05 | 2018-10-11 | International Business Machines Corporation | Automatic pest monitoring by cognitive image recognition with two cameras on autonomous vehicles |
KR20180133612A (ko) * | 2017-06-07 | 2018-12-17 | 주식회사 엘시스 | 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법 |
-
2019
- 2019-01-04 CN CN201910009263.1A patent/CN109886287B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090049933A (ko) * | 2007-11-14 | 2009-05-19 | 부산대학교 산학협력단 | 해충 인지 시스템 및 그 방법 |
CN106912331A (zh) * | 2017-03-02 | 2017-07-04 | 深圳春沐源农业科技有限公司 | 一种针对农作物害虫的喷药方法及喷药系统 |
US20180293444A1 (en) * | 2017-04-05 | 2018-10-11 | International Business Machines Corporation | Automatic pest monitoring by cognitive image recognition with two cameras on autonomous vehicles |
KR20180133612A (ko) * | 2017-06-07 | 2018-12-17 | 주식회사 엘시스 | 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법 |
CN107463958A (zh) * | 2017-08-04 | 2017-12-12 | 成都东谷利农农业科技有限公司 | 昆虫识别预警方法及系统 |
CN107578089A (zh) * | 2017-09-13 | 2018-01-12 | 中国水稻研究所 | 一种农作物灯诱测报害虫的自动识别与计数方法 |
CN108038471A (zh) * | 2017-12-27 | 2018-05-15 | 哈尔滨工程大学 | 一种基于深度学习技术的水声通信调制模式识别方法 |
CN108073908A (zh) * | 2017-12-28 | 2018-05-25 | 深圳春沐源控股有限公司 | 害虫识别方法及装置、计算机装置及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287991A (zh) * | 2019-05-22 | 2019-09-27 | 平安科技(深圳)有限公司 | 植物类生药真伪验证方法、装置、计算机设备及存储介质 |
CN113741597A (zh) * | 2021-09-03 | 2021-12-03 | 安徽中昆绿色防控科技有限公司 | 农林诱虫测报智能控制系统 |
CN113741597B (zh) * | 2021-09-03 | 2022-04-12 | 安徽中昆绿色防控科技有限公司 | 农林诱虫测报智能控制系统 |
CN116259078A (zh) * | 2023-05-16 | 2023-06-13 | 浙江天演维真网络科技股份有限公司 | 一种杀虫剂推荐方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109886287B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
US11308587B2 (en) | Learning method of generative adversarial network with multiple generators for image denoising | |
CN109886287A (zh) | 杀虫剂确定方法、装置、计算机设备及存储介质 | |
CN108492269B (zh) | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 | |
EP3719708A1 (en) | Model test method and device | |
CN108492271A (zh) | 一种融合多尺度信息的自动图像增强系统及方法 | |
CN110033003A (zh) | 图像分割方法和图像处理装置 | |
CN108830221A (zh) | 图像的目标对象分割及训练方法和装置、设备、介质、产品 | |
CN110297483A (zh) | 待作业区域边界获取方法、装置,作业航线规划方法 | |
CN108765344A (zh) | 一种基于深度卷积神经网络的单幅图像雨线去除的方法 | |
CN107194426A (zh) | 一种基于Spiking神经网络的图像识别方法 | |
CN109448090A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN108510504A (zh) | 图像分割方法和装置 | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
CN108268931A (zh) | 数据处理的方法、装置和系统 | |
CN110349082A (zh) | 图像区域的裁剪方法和装置、存储介质及电子装置 | |
CN109300531A (zh) | 一种脑疾病早期诊断方法和装置 | |
CN108198185A (zh) | 眼底病灶图像的分割方法及、装置、存储介质、处理器 | |
CN106373160A (zh) | 一种基于深度强化学习的摄像机主动目标定位方法 | |
CN110859642B (zh) | 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质 | |
CN113838067B (zh) | 肺结节的分割方法和装置、计算设备、可存储介质 | |
CN113658040A (zh) | 一种基于先验信息和注意力融合机制的人脸超分辨方法 | |
CN107205162A (zh) | 视频识别方法及装置 | |
CN108205802A (zh) | 深度神经网络模型训练、图片处理方法及装置和设备 | |
CN111008943A (zh) | 低剂量dr图像降噪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |