CN111340019A - 基于Faster R-CNN的粮仓害虫检测方法 - Google Patents
基于Faster R-CNN的粮仓害虫检测方法 Download PDFInfo
- Publication number
- CN111340019A CN111340019A CN201911201864.9A CN201911201864A CN111340019A CN 111340019 A CN111340019 A CN 111340019A CN 201911201864 A CN201911201864 A CN 201911201864A CN 111340019 A CN111340019 A CN 111340019A
- Authority
- CN
- China
- Prior art keywords
- granary
- pest
- faster
- cnn
- network
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于Faster R‑CNN的粮仓害虫检测方法,属于粮仓害虫识别技术领域,具体包括以下步骤,首先实时获取粮仓害虫图像;然后使用Faster R‑CNN模型对粮仓害虫进行检测,具体是在训练后的模型中实时输入粮仓害虫图像,最后输出粮仓害虫检测结果,检测结果包括粮仓害虫类型和害虫在粮仓中的位置。训练模型包括以下步骤:建立粮仓害虫数据库;同时改进Faster R‑CNN模型;然后使用改进后的Faster R‑CNN模型训练粮仓害虫数据库,得到训练后的Faster R‑CNN模型。本专利有效的解决了粮仓害虫相邻检测结果不精准的问题,模型能应用于粮仓真实背景下并有较高的准确率。
Description
技术领域
本发明属于粮仓害虫识别技术领域,具体是涉及一种基于Faster R-CNN的粮仓害虫检测方法。
背景技术
中国是世界上最大的粮食生产国也是最大的粮食消费国,我国是通过各种仓库对粮 食进行储藏,在存储方面存在着很多问题,如潮湿发热、发霉变质、滋生害虫等。对储 粮害虫的快速有效检测识别方法,是治理储粮害虫的第一步,在过去,普通粮农普遍缺 乏虫害识别知识,专家人工识别的速度和效率非常有限,因此单凭粮农自身很难对症下 药,造成了很大的损失,所以需要借助计算机视觉和图像处理等技术手段对储粮害虫进 行检测。粮仓害虫图像检测中的主要挑战是在粮仓害虫与其他谷物混合的情况下识别粮 仓害虫并且将其与其他害虫种类进行区分。
对图像中的物体进行检测如行人检测和车辆检测是利用候选区域选择的方法来推 断物体的位置。候选区域选择是物体检测的预处理阶段,选择合适的候选区域方法,能使物体检测中分类器的效率得到提高。早期的候选区域选择算法包括选择性搜索,滑动 窗口,超像素和高斯等。2016年提出了区域提案网络(RPN),RPN通过图形处理单 元的加速,应用卷积神经网络方法能快速,更准确地获得感兴趣区域。
传统的害虫识别的方法大多数都集中在对害虫的特征提取上,国内早起采用的是对 害虫图像的全局特征进行提取,如通过一阶灰度直方图提取害虫图像的数理统计、纹理和几何形状特征,基于不变矩提取形状特征值对害虫进行分类,对害虫图像的全局特征 进行提取虽然易于计算,但在复杂背景以及害虫姿态变化下,难以精确地描述全局属性。 近年来对害虫图像的特征提取逐渐转向局部图像特征提取,利用点特征图像配准算法在 储粮害虫种类识别领域进行了尝试性的应用。局部图像特征提取虽然相比全局特征提取 更精确,但由于特征提取的方式仍依赖于人工选取特征,模型的优劣取决于特征的选择。 存在局限性。随着深度学习技术在图像识别以及检测方面的发展,卷积神经网络体现了 其在图像检测方面的优异性。
现有技术中国专利CN2018106014858公开了一种基于图像分块的粮仓害虫检测方法,首先对粮仓内图像集进行训练,得到训练好的SVM模型,再将待检测粮仓内图像 输入至训练好的SVM模型中,便可得到待检测粮仓内图像害虫的检测结果。其中,为 了避免害虫在图像中所占比例过小而将其当做图像噪声的情况出现,将待检测粮仓内图 像进行分块处理,每一个区域被视为一幅图像并进行害虫检测;同时,为解决因分块害 虫被分裂到多个区域块中造成无法确定粮仓内图像中害虫准确数量的问题,将待检测粮 仓内图像进行多次分块处理,使仓内图像中每一只害虫均能找到一个完全包含该害虫的 区域块,最后合并所有区域块检测结果,得到粮仓内图像的害虫检测结果。该方法有效 提升了粮仓内害虫检测结果的精度。但是该种SVM模型并不适用于真实背景下粮仓害 虫的识别,基于真实背景下的粮仓害虫识别准确率低。
中国专利CN2010205387198公开了一种无线粮仓害虫检测系统,属于害虫检测技术领域。包括设于粮仓内部的害虫收集器和无线数字图像控制器,设于粮仓外部的无线 图像传输中继和PC检测中心;无线数字图像控制器距离害虫收集器在可采集害虫收集 器内害虫图像的范围内,无线数字图像控制器将采集的害虫图像通过无线模块上传于无 线图像传输中继,无线图像传输中继与所述PC检测中心无线通讯连接;将无线通信技 术用于粮仓内对粮仓害虫的检测上,仓内的数据移动由原来的使用连接电缆的有限方式 改为无线方式,即通过无线数传模块之间的相互传递来实现,并采用多频段技术,无线 传输提高了系统的可靠性和维护性,同时也降低了工人劳动强度和电缆的损坏率。但是 该种方法仅通过设于粮仓内部的害虫收集器和无线数字图像控制器获取害虫图像来进 行害虫识别,准确率低。
一种快速的基于区域的卷积网络(faster region-based convolutional neuralnetworks, Faster R-CNN)目前被很广泛地使用。基于Faster R-CNN的区域视觉特征提取通常包含 以下几个环节,1)输入测试图像;2)将图像输入CNN,进行特征提取;3)每张图片使用区域建议网络(RPN)生成300个建议窗口(proposals);4)把建议窗口映射到 CNN的最后一层卷积feature map上;5)通过Rol pooling层使每个RoI生成固定尺寸 的featuremap;6)利用Softmax Loss(探测分类概率)和Smooth L1 Loss(探测边框回归) 对分类概率和边框回归(Bounding box regression)联合训练。
如上分析,Faster R-CNN已经成为物体区域检测的有效方法,因而也可以采用Faster R-CNN检测木材的缺陷区域。但是现有的Faster R-CNN模型完全没有涉及到与应力波 图像、木材缺陷等相关的信息,而是基于VOC2007中20类常见的物体预训练得到的模型。综上所述,因此,如何提出一种新型的粮仓害虫检测方法具有重要的研究意义。
发明内容
发明目的:为了克服现有技术中存在的不足,现有技术中粮仓害虫检测方法无法快 速、自适应、低成本、高精度和高效率地检测粮仓害虫,本发明提供了一种基于FasterR-CNN的粮仓害虫检测方法。
技术方案:为实现上述目的,本发明的基于Faster R-CNN的粮仓害虫检测方法,包括以下步骤:首先实时获取粮仓害虫图像;然后使用Faster R-CNN模型对粮仓害虫进 行检测,具体是在训练后的Faster R-CNN模型中实时输入粮仓害虫图像,最后输出粮 仓害虫检测结果,检测结果包括粮仓害虫类型和害虫在粮仓中的位置。
进一步地,所述训练后的Faster R-CNN模型包括以下步骤:建立粮仓害虫数据库;同时改进Faster R-CNN模型;然后使用改进后的Faster R-CNN模型训练粮仓害虫数据 库,得到训练后的Faster R-CNN模型。
进一步地,所述改进Faster R-CNN模型包括以下步骤:
选取特征提取网络,对该特征提取网络进行改进,采用改进后的特征提取网络对输 入图片进行特征提取得到特征图;选取区域提案网络RPN(Region Proposal Network,RPN),在该区域提案网络RPN中输入任意大小的特征图,输出为一组矩形候选框, 各候选框有对应的目标分数以及位置坐标;同时选取分类网络对上述得到的候选框中的 区域进行分类。
进一步地,所述建立粮仓害虫数据库,通过网络下载粮仓害虫图像数据和真实拍摄 粮仓害虫图像数据;其中真实拍摄粮仓害虫图像数据,通过实验室显微镜下拍摄粮仓害虫图像和单反拍摄粮仓害虫图像,粮仓害虫图像数据采用不同拍摄角度拍摄害虫目标。
进一步地,通过网络下载粮仓害虫图像数据和真实拍摄粮仓害虫图像数据进行数据 转换,通过图像数据组合和图像裁剪,或/和通过对网络下载粮仓害虫图像数据和真实拍 摄粮仓害虫图像数据进行翻转和裁剪操作。
进一步地,所述建立粮仓害虫数据库,通过网络下载粮仓害虫图像数据和真实拍摄 粮仓害虫图像数据;其中真实拍摄粮仓害虫,真实粮仓情况分别以大米和小米为背景,且选取七类粮仓害虫,包括:豆象、谷蠹、米象、锯谷盗、赤拟谷盗、印度谷螟和锈赤 扁谷盗。
有益效果:
本发明与现有技术比较,具有的优点是:
1、本专利通过显微镜拍摄粮仓害虫图像和通过单反拍摄粮仓害虫图像,作为网络下载的粮仓害虫图像,并对图像数据进行处理,包括翻转和裁剪,使用网络模型对处理 的数据进行训练,从而提高卷积神经网络检测的准确性;
2、本专利针对粮仓的环境,通过改进的Faster R-CNN模型来实现检测,具体是改进Faster R-CNN模型的候选框提取步骤,使得改进的Faster R-CNN模型更加适用于以 粮仓为真实背景的图像,从而进一步提高模型检测的准确率;
3、本专利对区域提案网络进行了修改,改进的区域提案网络能有效解决粮仓害虫相邻检测结果不佳的情况,通过修改生成候选框的比例和大小来提高粮仓害虫检测的准确性;
4、本专利对分类网络进行了改进,改进的分类网络能够有效地对候选框进行分类, 使得模型具有高精度来检测真实粮仓背景下的粮仓害虫。
附图说明
图1是三种粮仓害虫数据集图像。
图2是标记后的粮仓害虫图像。
图3是特征提取网络结构图。
图4是改进后的RPN结构示意图。
图5是用于数据采集的显微镜示意图。
图6是数据增强示意图。
图7是修改前面的候选框生成图。
图8是14000次迭代的loss图。
图9是印度谷螟不同采集方法下的图像。
图10是不同背景下粮仓害虫检测的mAP图。
图11是粮仓害虫检测结果示意图。
图12是候选框修改前后粮仓害虫检测结果图。
具体实施方式
下面结合附图和实施例对本发明作更进一步的说明。
实施例一
本实施例的基于Faster R-CNN的粮仓害虫检测方法,以粮仓害虫作为测试对象,具体包括以下步骤:
首先实时获取粮仓害虫图像;
然后使用Faster R-CNN(faster region-based convolutional neuralnetworks,Faster R-CNN)模型对粮仓害虫进行检测,具体是在训练后的Faster R-CNN模型中实时输入 粮仓害虫图像,最后输出粮仓害虫检测结果,检测结果包括粮仓害虫类型和害虫在粮仓 中的位置。
上述训练Faster R-CNN模型具体包括以下步骤:
建立粮仓害虫数据库;
同时改进Faster R-CNN模型;
然后使用改进后的Faster R-CNN模型训练粮仓害虫数据库,得到训练后的FasterR-CNN模型;
在粮仓害虫检测过程中,最后使用训练后的Faster R-CNN模型对粮仓害虫进行检测,具体是在训练后的Faster R-CNN模型中输入粮仓害虫图像,最后输出粮仓害虫检 测结果,输出检测结果包括粮仓害虫类型和害虫在粮仓中的位置。
实施例二
本实施例的基于Faster R-CNN的粮仓害虫检测方法,基于实施例一,训练FasterR-CNN模型过程中,需要建立粮仓害虫数据库,改进Faster R-CNN模型,改进Faster R-CNN模型具体是改进Faster R-CNN模型中候选框提取步骤,使得Faster R-CNN训练 模型更加适用于以粮仓为真实背景的图像。
改进Faster R-CNN模型,主要包括以下步骤:
选取特征提取网络,对该特征提取网络进行改进,采用改进后的特征提取网络对输 入图片进行特征提取得到特征图;
选取区域提案网络RPN(Region Proposal Network,RPN),在该区域提案网络RPN中输入任意大小的特征图,输出为一组矩形候选框,各候选框有对应的目标分数以及位 置坐标;
同时选取分类网络对上述得到的候选框中的区域进行分类。
实施例三
本实施例的基于Faster R-CNN的粮仓害虫检测方法,基于实施例二,训练FasterR-CNN模型过程中,需要建立粮仓害虫数据库;同时改进Faster R-CNN模型;然后使 用改进后的Faster R-CNN模型训练粮仓害虫数据库,得到训练后的Faster R-CNN模型; 其中建立粮仓害虫数据库,主要是通过网络下载粮仓害虫图像数据和真实拍摄粮仓害虫 图像数据;其中真实拍摄粮仓害虫图像数据,主要是通过实验室显微镜下拍摄粮仓害虫 图像和单反拍摄粮仓害虫图像,粮仓害虫图像数据采用不同拍摄角度拍摄害虫目标。
模拟粮仓害虫在粮仓真实场景中会出现局部遮挡以及角度差异情景,可以丰富粮仓 害虫图像数据训练集,进而准确提取图像特征,防止模型过拟合,进一步提高模型的准确率。
同时,可以对上述通过网络下载粮仓害虫图像数据和真实拍摄粮仓害虫图像数据进 行数据转换,主要是通过图像数据组合和图像裁剪,以此来扩充训练集;另外可以对通过网络下载粮仓害虫图像数据和真实拍摄粮仓害虫图像数据进行翻转和裁剪操作,以此来扩充训练集。
粮仓害虫图像数据中每幅图像中的每只害虫都被标记,用于训练模型,如图2所示。
训练Faster R-CNN模型过程中,需要建立粮仓害虫数据库,改进Faster R-CNN模型,使用改进的Faster R-CNN模型训练粮仓害虫数据库以得到训练后的Faster R-CNN 模型;其中建立粮仓害虫数据库,包括网络下载的粮仓害虫图像数据和真实拍摄的粮仓 害虫图像数据;其中真实拍摄的粮仓害虫图像数据,主要是通过显微镜拍摄粮仓害虫图 像和单反拍摄粮仓害虫图像,粮仓害虫图像数据采用不同拍摄角度拍摄害虫目标。
本实施例中网络下载的粮仓害虫图像数据和真实拍摄的粮仓害虫图像数据均以真 实粮仓环境为背景,真实粮仓环境包括大米背景和小米背景;同时网络下载的粮仓害虫图像数据和真实拍摄的粮仓害虫图像数据均是选取七类常见的粮仓害虫,包括:豆象、 谷蠹、米象、锯谷盗、赤拟谷盗、印度谷螟和锈赤扁谷盗。
本实施例中选取网络下载的粮仓害虫图像和真实拍摄的粮仓害虫图像共3050幅,各类别样本数量如表1所示,表1中选取七类较为常见的粮仓害虫:豆象、谷蠹、米象、 锯谷盗、赤拟谷盗、印度谷螟和锈赤扁谷盗。表1中网络下载的粮仓害虫图像为了避免 数据重复和错误进行了筛选,筛选后共1720幅,其中各类别样本数量呈不均匀分布; 表1中真实拍摄的粮仓害虫图像,是由农学院实验室拍摄所得,为了提高检测准确率本 实施例模拟真实粮仓情况,分别以大米和小米为背景,在此基础上添加上述七类常见的 粮仓害虫,在农学院实验室用显微镜和单反分别进行拍摄,通过显微镜拍摄的粮仓害虫 图像和单反拍摄粮仓害虫图像共1330幅,其中各类别样本数量呈均匀分布,采用单反 拍摄得到的图像需要经过处理后和通过农学院实验室显微镜下拍摄得到的图像共同作 为图像数据集。
如图1所示,分别是相同的真实粮仓背景下相同的害虫情况下网络下载、单反拍摄和显微镜拍摄的图像,图1(a)是网络下载的粮仓害虫图像,图1(b)是显微镜下拍 摄的图像,图1(c)是使用单反拍摄的图像,使用单反拍摄的粮仓害虫图像是经过处理 后的,从图1中看出,网络下载图像(a)和单反拍摄图像(c)中粮仓害虫的像素和个 体大小差异很大,本实施例中选用农学院实验室显微镜下拍摄的图像(b)作为中间数 据集。
表1
实施例四
本实施例的基于Faster R-CNN的粮仓害虫检测方法,基于实施例三,在本实施例中特征提取网络结构如图3所示,特征提取网络为VGG16卷积神经网络,本实施例设 定输入进VGG16卷积神经网络后的图像尺寸长宽为224*224,输入任意大小的图片, 在进入特征提取网络之前对图片的尺寸规整化操作,如果图片小于224*224则采取边缘 补0的方式,即在小尺寸的图片上补上黑色边缘;本实施例中VGG16卷积神经网络共 有13个conv层,设定的参数为kernel_size=3,pad=1,stride=1,conv层不会改变图片 大小,经过conv层之后输出图片的大小仍为输入图片的大小;本实施例中VGG16卷积 神经网络共有13个relu层,每个conv层之后跟了一个relu层作为激活函数,加入非线 性因素,relu层也不会改变图片大小;本实施例中VGG16卷积神经网络共有4个pooling 层,设定的参数为kernel_size=2,stride=2,图片输入一个pooling层之后输出图片的大 小为输入图片大小的1/2,在经过4个pooling层之后输出图片为输入图片大小的1/16; 由上述可知,经过VGG16卷积神经网络后图片大小尺寸变为14*14(224/16=14,224/16=14),输入图片经过该特征提取网络后得到的特征图为14*14*512,表示特征图 的大小为14*14,数量为512。
选取区域提案网络RPN(Region Proposal Network,RPN),如图4所示,在该区域提案网络RPN中输入任意大小的特征图,输出为一组矩形候选框,各候选框有对应的 目标分数以及位置坐标;本实施例中区域提案网络RPN使用3*3的滑动窗口在输入的 特征图上进行卷积生成得到256维特征向量;标准区域提案网络RPN下特征图上的每 个像素点anchor(可以称之为锚点)均产生三种不同比例(如1:2、1:1、2:1),每 种比例均有三种不同大小(如128、256、512)的共九种不同的矩形候选框;但由于粮 仓害虫的尺寸在图像中所占的比例很小,为了提高粮仓害虫检测的准确率,本实施例根 据粮仓害虫目标小的特征将候选框的比例变为(0.67,0.99,1.23),同时去掉了每种比例 对应的512大小的候选框,因此特征图上的每个像素点anchor产生六种不同的候选框; 最后将得到的候选框输入到区域提案网络RPN的分类层和回归层用于分类和包围框 (bounding box)回归,最后根据regionproposal得分高低,选取前300个得分高的 regionproposal对应的候选框作为FastR-CNN的输入从而进行目标检测。
在本实施例中,选取分类网络对候选框中的区域进行分类,为了对候选框中的区域 进行分类,使用RoI pooling层将候选框映射到特征图,通过ROI pooling层将候选框边界量化为整数点坐标值,并且将量化后的边界区域平均分割成7*7个单元,对每个单元 进行量化,之后使用两个完全连接层将特征图统一为1024维特征向量。
上述分类网络和区域提案网络RPN共享卷积层的参数,在调整由区域提案网络输入的500个候选框之后,获得候选框的坐标和以及类别的得分数,在本实施例中,在粮 仓害虫的分类中,为了平衡分类网络的精确度和召回率,当候选框中的类别得分大于0.5 时,则被认为候选框中存在该类别的粮仓害虫。
实施例五
本实施例的基于Faster R-CNN的粮仓害虫检测方法,基于实施例四,实施例三中通过实验室下显微镜拍摄的粮仓害虫图像如图5所示,实验室下显微镜拍摄的粮仓害虫 图像作为网络下载图像和单反拍摄图像的中间数据层;实施例三中对通过网络下载粮仓 害虫图像数据和真实拍摄粮仓害虫图像数据进行翻转和裁剪操作如图6所示,以增加数 据集。以此,将增强的图像数据集发送到神经网络进行训练,神经网络采用端到端的训 练方法(同时训练RPN和分类网络),添加完全连接层之后的丢失层,并且在每次训 练迭代中仅激活完全连接层的神经元的50%。网络权重由ImageNet训练的预训练模型 初始化,采用动量的随机梯度下降(SGD)方法更新参数,对于由RPN生成的每个区 域提议,与初始网络生成九个候选框不同,参照实施例四,生成六个候选框,具有两种 尺寸(128像素,256像素)和三种宽高比(0.67,0.99和1.23),初始网络以及修改后 生成候选框尺寸和比例如图7所示,在训练期间,通过非最大抑制获得的2000个候选 框被分成前景和背景作为训练集以训练分类网络,训练迭代次数为140,000次。本实施 例分析了四种损失值:RPN的回归和对数损失,分类网络的回归和对数损失,四个损失 值的总和如图8所示,图8为14000次迭代的loss图。在测试期间,RPN生成的候选框 按其分数排序。选择具有最高分数的500个候选框作为候选框。通过分类网络的完全 连接层对这些候选框进行分类和区域位置调整。
本实施例使用mAP作为绩效评估模型,mAP是每个类别的平均精度(AP)的平均 值,召回率(Recall),精确率(Precision)和平均精度的计算公式分别如下所示:
本实施例使用单反拍摄的图像模拟粮仓实际环境下摄像头捕捉的画面和网络下载 的粮仓害虫图像,建立了一个粮仓害虫的数据集,由于网络下载的图像中粮仓害虫的大小以及清晰度和单反拍摄的差距过于大,本文增加了显微镜拍摄的粮仓害虫作为中间数据集,本实施例还通过对图像进行翻转和裁剪将数据集扩充了10倍,为了找到数据增 强以及增加中间数据集对模型性能的影响,本实施例用了三种不同的数据集(数据集一: 由网上下载图像和单反拍摄图片组成,数据集二:由网上下载图像和单反拍摄图片以及 显微镜拍摄图像组成,数据集三:增加图像翻转和裁剪的数据集)训练模型,三种数据 集训练后的模型最终的mAP如表2所示,
表2
从表中可以得出在增加了中间数据集和经过数据增强之后除了印度谷螟其他六类 粮仓害虫的AP值都有所提高,印度谷螟可能是由于个体比较大如图9所示,所以增加 中间数据集后对检测没有明显变化。从最终的总mAP值有显著提升来看,说明了该模 型的的性能通过增加中间数据集得到显着改善。
实施例六
本实施例的基于Faster R-CNN的粮仓害虫检测方法,基于实施例五,粮仓害虫大多和谷物混合在一起,增加了粮仓害虫检测的难度,为了验证本实施例使用的模型能应 用于粮仓的复杂背景下,本实施例分别以白纸、大米和小米为背景采集粮仓害虫图像并 用训练好的模型进行测试。三种背景下各个种类的粮仓害虫的ap值以及总mAP值如图 10(a)(b)所示。从图中可以看出以白纸为背景的图像检测效果最好,mAP值为90.15%。 以大米和小米为背景的图像虽然mAP没有以白纸为背景的高,但是相差也不大,在豆 象、赤拟谷盗这两类的AP甚至超过白纸为背景的图像。以大米为背景的图像检测效果 要比以小米为背景的好,可能是由于大米为背景的图像和粮仓害虫之间的对比度比较明 显。实验结果说明了本模型能应用于粮仓复杂背景下的粮仓害虫检测。
使用上述训练后的模型测试的粮仓害虫检测结果的例子示于图11中。其中图11(a) ~(e)为白纸背景下粮仓害虫检测的结果图,图11(f)~(j)为小米背景下粮仓害虫检测的 结果图,图11(k)~(o)为大米背景下粮仓害虫检测的结果图。就图中所示的不同背景下粮仓害虫检测结果而言,在真实粮仓背景下和白纸背景下,粮仓害虫检测的准确率都 达到90%左右,说明该模型具有高精度来检测真实粮仓背景下的粮仓害虫。
相邻粮仓害虫框定的结果对比图,如图12所示。其中,图12(a)~(c)为标准候选框训练后的检测结果图,图12(d)~(e)为修改区域提案网络后的检测结果图。图12(a)与(d),(b)与(e),(c)与(f)分别是同一张图像在两个不同区域提案网络训练下输出的结果。从图12中可以看出,当两只及两只以上粮仓害虫相距太近的情况下,标准网络训练下的检测 结果会产生将两只害虫框定在一起或者漏框定某一只害虫的错误情况。这是由于两只粮 仓害虫的特征相似以及位置相邻,对框定的结果产生了干扰。而改进的区域提案网络有 效的解决了标准网络模型训练下出现的问题,改进后的结果如图12(d)~(e)所示。由此可 见,改进的区域提案网络能有效解决粮仓害虫相邻检测结果不佳的情况。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的技术人员来说, 在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为 本发明的保护范围。
Claims (6)
1.基于Faster R-CNN的粮仓害虫检测方法,其特征在于,包括以下步骤:
首先实时获取粮仓害虫图像;
然后使用Faster R-CNN模型对粮仓害虫进行检测,具体是在训练后的Faster R-CNN模型中实时输入粮仓害虫图像,最后输出粮仓害虫检测结果,检测结果包括粮仓害虫类型和害虫在粮仓中的位置。
2.根据权利要求1所述的基于Faster R-CNN的粮仓害虫检测方法,其特征在于,所述训练后的Faster R-CNN模型包括以下步骤:
建立粮仓害虫数据库;
同时改进Faster R-CNN模型;
然后使用改进后的Faster R-CNN模型训练粮仓害虫数据库,得到训练后的Faster R-CNN模型。
3.根据权利要求2所述的基于Faster R-CNN的粮仓害虫检测方法,其特征在于,所述改进Faster R-CNN模型包括以下步骤:
选取特征提取网络,对该特征提取网络进行改进,采用改进后的特征提取网络对输入图片进行特征提取得到特征图;
选取区域提案网络RPN(Region Proposal Network,RPN),在该区域提案网络RPN中输入任意大小的特征图,输出为一组矩形候选框,各候选框有对应的目标分数以及位置坐标;
同时选取分类网络对上述得到的候选框中的区域进行分类。
4.根据权利要求2所述的基于Faster R-CNN的粮仓害虫检测方法,其特征在于,所述建立粮仓害虫数据库,通过网络下载粮仓害虫图像数据和真实拍摄粮仓害虫图像数据;其中真实拍摄粮仓害虫图像数据,通过实验室显微镜下拍摄粮仓害虫图像和单反拍摄粮仓害虫图像,粮仓害虫图像数据采用不同拍摄角度拍摄害虫目标。
5.根据权利要求4所述的基于Faster R-CNN的粮仓害虫检测方法,其特征在于,通过网络下载粮仓害虫图像数据和真实拍摄粮仓害虫图像数据进行数据转换,通过图像数据组合和图像裁剪,或/和通过对网络下载粮仓害虫图像数据和真实拍摄粮仓害虫图像数据进行翻转和裁剪操作。
6.根据权利要求5所述的基于Faster R-CNN的粮仓害虫检测方法,其特征在于,所述建立粮仓害虫数据库,通过网络下载粮仓害虫图像数据和真实拍摄粮仓害虫图像数据;其中真实拍摄粮仓害虫,真实粮仓情况分别以大米和小米为背景,且选取七类粮仓害虫,包括:豆象、谷蠹、米象、锯谷盗、赤拟谷盗、印度谷螟和锈赤扁谷盗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201864.9A CN111340019A (zh) | 2019-11-29 | 2019-11-29 | 基于Faster R-CNN的粮仓害虫检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201864.9A CN111340019A (zh) | 2019-11-29 | 2019-11-29 | 基于Faster R-CNN的粮仓害虫检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340019A true CN111340019A (zh) | 2020-06-26 |
Family
ID=71185759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911201864.9A Pending CN111340019A (zh) | 2019-11-29 | 2019-11-29 | 基于Faster R-CNN的粮仓害虫检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340019A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112674381A (zh) * | 2020-12-07 | 2021-04-20 | 红塔烟草(集团)有限责任公司 | 一种烟梗梗头剔除装置及方法 |
CN112818982A (zh) * | 2021-01-19 | 2021-05-18 | 中国科学院合肥物质科学研究院 | 基于深度特征自相关性激活的农业害虫图像检测方法 |
CN115641575A (zh) * | 2022-10-24 | 2023-01-24 | 南京睿升达科技有限公司 | 一种基于稀疏候选框的叶蝉科农业害虫检测方法 |
CN117313984A (zh) * | 2023-08-31 | 2023-12-29 | 中国标准化研究院 | 一种粮情监测方法、装置与系统 |
-
2019
- 2019-11-29 CN CN201911201864.9A patent/CN111340019A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112674381A (zh) * | 2020-12-07 | 2021-04-20 | 红塔烟草(集团)有限责任公司 | 一种烟梗梗头剔除装置及方法 |
CN112818982A (zh) * | 2021-01-19 | 2021-05-18 | 中国科学院合肥物质科学研究院 | 基于深度特征自相关性激活的农业害虫图像检测方法 |
CN112818982B (zh) * | 2021-01-19 | 2022-09-09 | 中国科学院合肥物质科学研究院 | 基于深度特征自相关性激活的农业害虫图像检测方法 |
CN115641575A (zh) * | 2022-10-24 | 2023-01-24 | 南京睿升达科技有限公司 | 一种基于稀疏候选框的叶蝉科农业害虫检测方法 |
CN117313984A (zh) * | 2023-08-31 | 2023-12-29 | 中国标准化研究院 | 一种粮情监测方法、装置与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | Detection of stored-grain insects using deep learning | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN113065558A (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN106845374B (zh) | 基于深度学习的行人检测方法及检测装置 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
CN109684922B (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
CN110770752A (zh) | 多尺度特征融合网络结合定位模型的害虫自动计数方法 | |
CN108780508A (zh) | 用于归一化图像的系统和方法 | |
WO2018052587A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN107516103B (zh) | 一种影像分类方法和系统 | |
CN110222215B (zh) | 一种基于f-ssd-iv3的作物害虫检测方法 | |
CN111539957B (zh) | 一种用于目标检测的图像样本生成方法、系统及检测方法 | |
CN110223349A (zh) | 一种采摘点定位方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN111611889B (zh) | 基于改进卷积神经网络的农田微型虫害识别装置 | |
CN111400536A (zh) | 一种基于轻量化深度神经网络的低成本番茄叶片病害识别方法 | |
Thakur et al. | An innovative approach for fruit ripeness classification | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
CN112633257A (zh) | 基于改良卷积神经网络的马铃薯病害识别方法 | |
CN113657294A (zh) | 一种基于计算机视觉的作物病虫害检测方法及系统 | |
CN111833322A (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN113989536A (zh) | 一种基于布谷鸟搜索算法的番茄病害识别方法 | |
CN109558803B (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
Hortinela et al. | Classification of Cacao Beans Based on their External Physical Features Using Convolutional Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200626 |
|
WD01 | Invention patent application deemed withdrawn after publication |