CN112464971A - 害虫检测模型构建方法 - Google Patents
害虫检测模型构建方法 Download PDFInfo
- Publication number
- CN112464971A CN112464971A CN202010272570.1A CN202010272570A CN112464971A CN 112464971 A CN112464971 A CN 112464971A CN 202010272570 A CN202010272570 A CN 202010272570A CN 112464971 A CN112464971 A CN 112464971A
- Authority
- CN
- China
- Prior art keywords
- pest
- detection layer
- detection
- layer
- convolution
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 132
- 238000001514 detection method Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 241000238631 Hexapoda Species 0.000 claims abstract description 7
- 238000010200 validation analysis Methods 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims description 13
- 238000009432 framing Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 64
- 230000006870 function Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明公开了一害虫检测模型构建方法,其包括步骤:基于虫情测报灯的图片构建一训练集、一验证集以及一测试集;增强所述训练集的数据和过采样小目标样本;以结合一VGG16卷积模型和神经网络的注意力机制的方式,构建一卷积注意力网络;通过一阶动量随机梯度下降算法训练所述卷积注意力网格模型,并且利用所述验证集微调所述卷积注意力网格模型的参数;利用所述测试集测试所述卷积注意力模型,以构件一害虫检测模型,如此使得所述害虫检测模型具有高检测精度和强鲁棒性。
Description
技术领域
本发明涉及模型构建方法,特别涉及一害虫检测模型构建方法,其中所述害虫检测模型基于卷积注意力网络被构建,以使所述害虫检测模型具有高检测精度和强鲁棒性。
背景技术
植物病虫害是比较严重的自然灾害,其对于植物(尤其是农作物)的正常生长产生严重的威胁,因此,准确地识别害虫对于植保工作具有非常重要的意义。目前主要依靠少数具有专业知识的植保专家和农技人员利用专业知识对害虫进行人工识别,这种人工识别害虫的方式存在着诸多的缺陷。首先,人工识别害虫的方式不仅需要消耗大量的人力,而且识别结果的准确性无法得到保证。其次,人工识别害虫的方式需要具有专业知识的植保专家和农机人员亲自到现场工作,无法做到提前预警病虫害。第三,害虫种类繁多,并且从外观上来看,不同种类的害虫的外观相似度比较高,即便是具有专业知识的植保专家和农技人员也很难识别所有的害虫。为了解决这一问题,近年来逐渐地出现了依靠计算机图像处理方法对害虫进行自动识别,特别是利用深度学习技术的图像处理方法被引入到害虫识别领域,对于自动识别害虫的实现和发展提供了巨大的帮助。但是对于目前的利用深度学习技术的害虫识别系统来说,在利用深度学习技术对害虫进行识别时,存在着收集的害虫样本少、神经网络提取的害虫特征区分度低、虫体相互遮挡等问题,以至于导致识别准确地普遍偏低,限制了利用深度学习技术的害虫识别系统的进一步发展和大规模应用。
发明内容
本发明的一个目的在于提供一害虫检测模型构建方法,其中所述害虫检测模型构建方法利用神经网络的注意力机制构建害虫检测模型,如此使得所述害虫检测模型具有高检测精度和强鲁棒性。
本发明的一个目的在于提供一害虫检测模型构建方法,其中所述害虫检测模型构建方法利用神经网络的注意力机制构建所述害虫检测模型,如此使得所述害虫检测模型具有实时性。
本发明的一个目的在于提供一害虫检测模型构建方法,其中所述害虫检测模型构建方法在少量样本的情况下进行训练即可构建所述害虫检测模型,并且使得所述害虫检测模型具有高检测精度、强鲁棒性和实时性。
本发明的一个目的在于提供一害虫检测模型构建方法,其中所述害虫检测模型构件方法结合卷积模型和神经网络的注意力机制能够有效地提取不同大小目标的特征,以解决害虫样本数量少、害虫特征相似、害虫堆叠和遮挡以及目标较小的问题。
依本发明的一个方面,本发明提供一害虫检测模型构建方法,其中所述害虫模型构建方法包括如下步骤:
(a)基于虫情测报灯的图片构建一训练集、一验证集以及一测试集;
(b)增强所述训练集的数据和过采样小目标样本;
(c)以结合一VGG16卷积模型和神经网络的注意力机制的方式,构建一卷积注意力网络;
(d)通过一阶动量随机梯度下降算法训练所述卷积注意力网格模型,并且利用所述验证集微调所述卷积注意力网格模型的参数;以及
(e)利用所述测试集测试所述卷积注意力模型,以构件一害虫检测模型。
根据本发明的一个实施例,所述步骤(a)进一步包括步骤:
(a.1)对所述虫情测报灯上传的RGB图像中的害虫进行定位加边框和标记种类;和
(a.2)按照所述预设比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
根据本发明的一个实施例,所述步骤(a.2)中,所述预设比例是7:2:1,从而按照7:2:1的比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
根据本发明的一个实施例,在所述步骤(a.2)中,以将这些图像缩放至统一尺寸的方式归一化这些图像。
根据本发明的一个实施例,所述步骤(b)进一步包括步骤:
(b.1)对所述训练集中的图像进行水平翻转、随机采集加颜色扭曲、随机采集块域而得到新图像;和
(b.2)对新图像中的害虫进行定位加边框,以增强所述训练集的数据。
根据本发明的一个实施例,在所述步骤(b)中,随机地在所述训练集的图像中增加噪声,以通过随机地调整图像亮度和对比度的方式增强数据强度而扩大所述训练集一倍,从而增强所述训练集的数据。
根据本发明的一个实施例,所述步骤(b)进一步包括步骤:
(b.1)确定所述训练集的图像中含有较少害虫的图像和对含有较少害虫的图像重复采样;和
(b.2)如果含有较少害虫的图像中空白区域较多,则在包含较少害虫的图像中增加害虫出现的次数和对害虫进行定位加边框。
根据本发明的一个实施例,在所述步骤(a.2)之后,所述步骤(a)进一步包括步骤:
(a.3)在分别计算所述训练集、所述验证集和所述测试集的均值后,减均值处理所述训练集、所述验证集和所述测试集的图像。
根据本发明的一个实施例,在所述步骤(c)中,所述卷积注意力网络包括一输入层、一第一检测层、一第二检测层、一第三检测层、一第四检测层、一第五检测层以及一第六检测层,其中所述VGG16卷积模型的卷积层形成所述输入层以用于提取图像特征,将所述VGG16卷积模型的第四个模块输出的卷积层作为所述第一检测层,在所述VGG16卷积模型的卷积层之后,加入滤波器大小3×3×1025、1×1×1024、步长为1的卷积作为所述第二检测层,滤波器大小1×1×256、3×3×512、步长为2的卷积作为所述第三检测层,滤波器大小1×1×128、3×3×256、步长为2的卷积作为所述第四检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为所述第五检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为所述第六检测层,其中在所述第一检测层、所述第二检测层和所述第三检测层中加入通道域注意力模块和空间域注意力模块,在所述第四检测层、所述第五检测层和所述第六检测层中加入通道域注意力模块,其中对所述第一检测层、所述第二检测层、所述第三检测层、所述第四检测层和所述第五检测层进行进行3×3×(c+1+4)的卷积滤波,对所述第六检测层进行1×1×(c+1+4)的卷积滤波,输出预测值m×n×(c+1+4),其中参数m和n分别为检测层特征图的长和宽,参数c为害虫类别。
根据本发明的一个实施例,在所述步骤(c)中,修改损失函数,以适应害虫不平衡的状况。
附图说明
图1是依本发明的一较佳实施例的一害虫检测模型构建方法的流程示意图。
图2是依本发明的上述较佳实施例的所述害虫检测模型构建方法的卷积注意力网络的示意图。
图3是依本发明的上述较佳实施例的所述害虫检测模型构建方法的空间域注意力的示意图。
图4是依本发明的上述较佳实施例的所述害虫检测模型构建方法的通道域注意力的示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是,在本发明的揭露中,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系,其仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此上述术语不能理解为对本发明的限制。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
参考本发明的说明书附图之附图1至图4,依本发明的一较佳实施例的一害虫检测模型构建方法在接下来的描述中被揭露和被阐述,其中所述害虫检测模型构建方法包括步骤:S1,基于虫情测报灯的图像构建一训练集、一验证集以及一测试集;S2,增强所述训练集的数据和过采样小样本目标;S3,以结合一VGG16卷积模型和神经网络的注意力机制的方式,构建一卷积注意力网络;S4,通过一阶动量随机梯度下降算法训练所述卷积注意力网络,并且利用所述验证集微调所述卷积注意力网络模型的参数;S5,利用所述测试集测试所述卷积注意力网络,以构建一害虫检测模型。
接下来,本发明的所述害虫检测模型构建方法的各个步骤将被详细地说明。
在所述步骤S1中,基于虫情测报灯的图像构建所述训练集、所述验证集以及所述测试集。通常情况下,所述虫情测报灯被布置于农田,以用于获取所述农田的包含害虫的图像,例如多张包含害虫的RGB格式的图像能够被获取。随后,对多张包含害虫的图像中的害虫进行定位加边框和标记种类。例如,本发明的所述害虫检测模型构建方法可以采用但不限于Labelimg软件定位包含害虫的图像中的害虫并画出边框,以在后续输出包含边框位置和害虫种类的xml文件。接着,将这些包含害虫的图像缩放至统一的尺寸而对这些图像进行归一化处理。值得一提的是,被归一化后的图像的尺寸可以是但不限于300×300。最后,按照预设比例将被归一化后的图像随机划分为所述训练集、所述验证集和所述测试集。优选地,所述预设比例可以是7:2:1,也即,按照7:2:1的比例将被归一化后的图像随机划分为所述训练集、所述验证集和所述测试集。
换言之,所述步骤S1进一步包括步骤:S11,对所述虫情测报灯上传的RGB图像中的害虫进行定位加边框和标记种类;S12,按照所述预设比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。优选地,在所述步骤S12中,所述预设比例是7:2:1,也即,按照7:2:1的比例将被归一化后的图像随机划分为所述训练集、所述验证集和所述测试集。优选地,在所述步骤S12中,以将这些图像缩放至统一尺寸的方式归一化这些图像。
在所述步骤S2中,增强所述训练集的数据和过采样小样本目标。具体地,在本发明的所述害虫检测模型构建方法的一个较佳示例中,首先,对所述训练集中的图像进行水平翻转、随机采集加颜色扭曲、随机采集块域而得到新图像;其次,对新图像中的害虫进行定位加边框,以增强所述训练集的数据。在本发明的所述害虫检测模型构建方法的另一个较佳示例中,随机地在所述训练集的图像中增加噪声,以通过随机地调整图像亮度和对比度的方式增强数据强度而扩大所述训练集一倍,从而增强所述训练集的数据。在本发明的所述害虫检测模型构建方法的另一个较佳示例中,首先,确定所述训练集的图像中含有较少害虫的图像和对含有较少害虫的图像重复采样,其次,如果含有较少害虫的图像中空白区域较多,则在包含较少害虫的图像中增加害虫出现的次数和对害虫进行定位加边框。值得一提的是,对图像中的害虫进行定位加边框的目的是标记图像中的害虫。
另外,在所述步骤S2中,对于含有小目标的图像,如果害虫样本较少,则在所述训练集中过采样害虫样本,如果面积过小,在不覆盖图像中其他害虫样本的情况下,多次复制图像中的害虫样本。
优选地,在所述步骤S12之后,所述步骤S1进一步包括步骤:S13,在分别计算所述训练集、所述验证集和所述测试集的均值后,减均值处理所述训练集、所述验证集和所述测试集的图像。
在所述步骤S3中,以结合所述VGG16卷积模型和神经网络的注意力机制的方式,构建所述卷积注意力网络,其中所述卷积注意力网络包括如下组成部分:首先,将所述VGG16卷积模型的卷积层作为一输入层提取图像特征;其次,将所述VGG16卷积模型的第四个模块输出的卷积层作为一第一检测层,在所述VGG16卷积模型的卷积层之后,加入滤波器大小3×3×1025、1×1×1024、步长为1的卷积作为一第二检测层,滤波器大小1×1×256、3×3×512、步长为2的卷积作为一第三检测层,滤波器大小1×1×128、3×3×256、步长为2的卷积作为一第四检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为一第五检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为一第六检测层;第三,在所述第一检测层、所述第二检测层和所述第三检测层中加入通道域注意力模块和空间域注意力模块,在所述第四检测层、所述第五检测层和所述第六检测层中加入通道域注意力模块;第四,对所述第一检测层、所述第二检测层、所述第三检测层、所述第四检测层和所述第五检测层进行进行3×3×(c+1+4)的卷积滤波,和对所述第六检测层进行1×1×(c+1+4)的卷积滤波,输出预测值m×n×(c+1+4),其中参数m和n分别为检测层特征图的长和宽,参数c为害虫类别。优选地,在所述步骤S3中,修改损失函数,以适应害虫不平衡的状况。
具体地,所述步骤S3进一步包括如下步骤:
S31,采用ImageNet预训练的所述VGG16卷积模型的卷积层作为图像特征提取器,对于所述训练集中的图像提取空间和语义信息。例如,在本发明的所述害虫检测模型构建方法中,被归一化的图像的尺寸为300×300,因此,采用ImageNet预训练的所述VGG16卷积模型的卷积层作为图像特征提取器能够对于所述训练集中的尺寸为300×300的图像提取空间和语义信息。
S32,在所述VGG16卷积模型的最后一层卷积后构建6个空间域注意力和通道域注意力以及卷积结合的注意力卷积层,输出维度大小为38×38×512,19×19×1024,10×10×512,5×5×256,3×3×256,1×1×256的6个特征图,其中这个6个特征图从前往后分别用于检测从小到大的目标。
S33,空间域注意力机制如图3所示,对于输入的特征图F,沿着通道维度进行平均池化和最大池化,并横向拼接特征,然后3×3×1的卷积进行滑窗处理,加入relu激活函数,生成原特征图F大小的空间注意力图Ms。
S34,通道域注意力机制如图4所示,对于输入的特征图F,分别在空间维度上进行平均池化和最大值池化聚合空间信息,得到两个特征。将这个两个特征送入到含有单层隐藏层的编码-解码器中,生成两个通道注意力图。将两个通道注意力图对应的元素相加,进行relu函数激活得到最终的通道注意力图Mc。
S35,带有注意力机制的6个检测器结构分别是:(1),所述VGG16卷积模型的卷积最后一层的特征图+通道注意力+空间注意力;(2),在(1)中输出的特征图+滤波器大小3×3×1025,1×1×1024,步长1的卷积+通道注意力+空间注意力;(3),在(2)中输出的特征图+滤波器大小1×1×256,3×3×512,步长2的卷积+通道注意力+空间注意力;(4),在(3)中输出的特征图+滤波器大小1×1×128,3×3×256,步长2的卷积+通道注意力+空间注意力;(5),在(4)中输出的特征图+滤波器大小1×1×128,3×3×256,步长1的卷积+通道注意力;(6),在(5)中输出的特征图+滤波器大小1×1×128,3×3×256,步长1的卷积+通道注意力;其中各个检测器输入的特征图的维度大小为38×38×512,19×19×1024,10×10×512,5×5×256,3×3×256,1×1×256。
S36,对于6个特征图选取尺度依次为30,60,111,162,213,264的先验框,长宽比选取{1,2,3,1/2,1/3}。
S37对于每一个检测器各采用3×3的卷积预测类别置信度和边界框位置,预测的边界框与标记的边界框IOU>0.7时且物体种类正确时判别为预测正确。
S38,损失函数为两部分组成,边框位置损失函数和类别置信度损失函数,其中边框位置损失函数为带L1正则化的平均均方差,损失函数采用Smooth L1Loss,其中类别置信度损失函数采用Focal Loss。
在所述步骤S4中,通过一阶动量随机梯度下降算法训练所述卷积注意力网络,并且利用所述验证集微调所述卷积注意力网络模型的参数,其中一阶动量随机梯度下降算法的学习率为0.01,动量为0.9,衰退为0.001,批尺寸为32。
也就是说,参考附图1,本发明的所述害虫检测模型构建方法包括步骤:1001,基于虫情测报灯的图像构建所述训练集、所述验证集以及所述测试集;1002,增强所述训练集的数据和过采样小样本目标;1003,以结合所述VGG16卷积模型和神经网络的注意力机制的方式,构建所述卷积注意力网络;1004,通过一阶动量随机梯度下降算法训练所述卷积注意力网络,并且利用所述验证集微调所述卷积注意力网络模型的参数;1005,利用所述测试集测试所述卷积注意力网络,以构建所述害虫检测模型;其中本发明的所述害虫检测模型构建方法利用神经网络的注意力机制构建所述害虫检测模型,能够有效地去除不同大小目标的特征,解决害虫样本数量少、害虫特征相似、害虫堆叠和遮挡以及目标较小的问题。经过测试,在45种害虫的目标检测中,精确度可以达到72.5mAP,较现有害虫目标检测方法的65.4mAP平均精确度有很大提升,检测速度可达36fps,有效地达到实际害虫检测模型的使用性能。
本领域的技术人员可以理解的是,以上实施例仅为举例,其中不同实施例的特征可以相互组合,以得到根据本发明揭露的内容很容易想到但是在附图中没有明确指出的实施方式。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
Claims (10)
1.一害虫检测模型构建方法,其特征在于,所述害虫检测模型构建方法包括如下步骤:
(a)基于虫情测报灯的图片构建一训练集、一验证集以及一测试集;
(b)增强所述训练集的数据和过采样小目标样本;
(c)以结合一VGG16卷积模型和神经网络的注意力机制的方式,构建一卷积注意力网络;
(d)通过一阶动量随机梯度下降算法训练所述卷积注意力网格模型,并且利用所述验证集微调所述卷积注意力网格模型的参数;以及
(e)利用所述测试集测试所述卷积注意力模型,以构件一害虫检测模型。
2.根据权利要求1所述的害虫检测模型构建方法,其中所述步骤(a)进一步包括步骤:
(a.1)对所述虫情测报灯上传的RGB图像中的害虫进行定位加边框和标记种类;和
(a.2)按照所述预设比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
3.根据权利要求2所述的害虫检测模型构建方法,其中所述步骤(a.2)中,所述预设比例是7:2:1,从而按照7:2:1的比例划分被归一化的这些图像为所述训练集、所述验证集和所述测试集。
4.根据权利要求2所述的害虫检测模型构建方法,其中在所述步骤(a.2)中,以将这些图像缩放至统一尺寸的方式归一化这些图像。
5.根据权利要求1至4中任一所述的害虫检测模型构建方法,其中所述步骤(b)进一步包括步骤:
(b.1)对所述训练集中的图像进行水平翻转、随机采集加颜色扭曲、随机采集块域而得到新图像;和
(b.2)对新图像中的害虫进行定位加边框,以增强所述训练集的数据。
6.根据权利要求1至4中任一所述的害虫检测模型构建方法,其中在所述步骤(b)中,随机地在所述训练集的图像中增加噪声,以通过随机地调整图像亮度和对比度的方式增强数据强度而扩大所述训练集一倍,从而增强所述训练集的数据。
7.根据权利要求1至4中任一所述的害虫检测模型构建方法,其中所述步骤(b)进一步包括步骤:
(b.1)确定所述训练集的图像中含有较少害虫的图像和对含有较少害虫的图像重复采样;和
(b.2)如果含有较少害虫的图像中空白区域较多,则在包含较少害虫的图像中增加害虫出现的次数和对害虫进行定位加边框。
8.根据权利要求2至4中任一所述的害虫检测模型构建方法,其中在所述步骤(a.2)之后,所述步骤(a)进一步包括步骤:
(a.3)在分别计算所述训练集、所述验证集和所述测试集的均值后,减均值处理所述训练集、所述验证集和所述测试集的图像。
9.根据权利要求1至4中任一所述的害虫检测模型构建方法,其中在所述步骤(c)中,所述卷积注意力网络包括一输入层、一第一检测层、一第二检测层、一第三检测层、一第四检测层、一第五检测层以及一第六检测层,其中所述VGG16卷积模型的卷积层形成所述输入层以用于提取图像特征,将所述VGG16卷积模型的第四个模块输出的卷积层作为所述第一检测层,在所述VGG16卷积模型的卷积层之后,加入滤波器大小3×3×1025、1×1×1024、步长为1的卷积作为所述第二检测层,滤波器大小1×1×256、3×3×512、步长为2的卷积作为所述第三检测层,滤波器大小1×1×128、3×3×256、步长为2的卷积作为所述第四检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为所述第五检测层,滤波器大小1×1×128、3×3×256、步长为1的卷积作为所述第六检测层,其中在所述第一检测层、所述第二检测层和所述第三检测层中加入通道域注意力模块和空间域注意力模块,在所述第四检测层、所述第五检测层和所述第六检测层中加入通道域注意力模块,其中对所述第一检测层、所述第二检测层、所述第三检测层、所述第四检测层和所述第五检测层进行进行3×3×(c+1+4)的卷积滤波,对所述第六检测层进行1×1×(c+1+4)的卷积滤波,输出预测值m×n×(c+1+4),其中参数m和n分别为检测层特征图的长和宽,参数c为害虫类别。
10.根据权利要求9所述的害虫检测模型构建方法,其中在所述步骤(c)中,修改损失函数,以适应害虫不平衡的状况。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272570.1A CN112464971A (zh) | 2020-04-09 | 2020-04-09 | 害虫检测模型构建方法 |
PCT/CN2020/089441 WO2021203505A1 (zh) | 2020-04-09 | 2020-05-09 | 害虫检测模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272570.1A CN112464971A (zh) | 2020-04-09 | 2020-04-09 | 害虫检测模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464971A true CN112464971A (zh) | 2021-03-09 |
Family
ID=74832951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010272570.1A Pending CN112464971A (zh) | 2020-04-09 | 2020-04-09 | 害虫检测模型构建方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112464971A (zh) |
WO (1) | WO2021203505A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177486A (zh) * | 2021-04-30 | 2021-07-27 | 重庆师范大学 | 基于区域建议网络的蜻蜓目昆虫识别方法 |
CN113673340A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 一种害虫种类图像识别方法及系统 |
CN114519803A (zh) * | 2022-01-24 | 2022-05-20 | 东莞理工学院 | 一种基于迁移学习的小样本目标识别方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005029B (zh) * | 2021-10-20 | 2024-04-23 | 华南农业大学 | 基于改进yolov5网络的广佛手病虫害识别方法及系统 |
CN114092799A (zh) * | 2021-10-28 | 2022-02-25 | 长春工业大学 | 基于池化视觉Transformer林业害虫识别检测方法 |
CN113822383B (zh) * | 2021-11-23 | 2022-03-15 | 北京中超伟业信息安全技术股份有限公司 | 一种基于多域注意力机制的无人机检测方法及系统 |
CN114120093B (zh) * | 2021-12-01 | 2024-04-16 | 安徽理工大学 | 一种基于改进YOLOv5算法的煤矸目标检测方法 |
CN114241344B (zh) * | 2021-12-20 | 2023-05-02 | 电子科技大学 | 一种基于深度学习的植物叶片病虫害严重程度评估方法 |
CN114677553A (zh) * | 2021-12-31 | 2022-06-28 | 广西慧云信息技术有限公司 | 一种解决农作物病虫害样本不均衡问题的图像识别方法 |
CN114612898A (zh) * | 2022-03-16 | 2022-06-10 | 华南农业大学 | 一种基于YOLOv5网络的荔枝蒂蛀虫羽化率检测方法 |
CN114677606B (zh) * | 2022-04-28 | 2023-04-18 | 电子科技大学 | 基于注意力机制和双分支网络的柑橘细粒度病害识别方法 |
CN114972208B (zh) * | 2022-05-05 | 2024-04-09 | 扬州大学 | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 |
CN114821536B (zh) * | 2022-05-13 | 2024-02-20 | 河南科技大学 | 一种改进yolov5的无人驾驶拖拉机田间障碍物识别方法 |
CN114743023B (zh) * | 2022-06-14 | 2022-08-26 | 安徽大学 | 一种基于RetinaNet模型的麦蜘蛛图像检测方法 |
CN115561243B (zh) * | 2022-09-30 | 2023-05-23 | 东莞市言科新能源有限公司 | 锂电池制备中极片质量监测系统及其方法 |
CN115578624A (zh) * | 2022-10-28 | 2023-01-06 | 北京市农林科学院 | 农业病虫害模型构建方法、检测方法及装置 |
CN115661544B (zh) * | 2022-11-08 | 2024-04-05 | 吉林农业大学 | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 |
CN115937689B (zh) * | 2022-12-30 | 2023-08-11 | 安徽农业大学 | 一种农业害虫智能识别与监测技术 |
CN116403048B (zh) * | 2023-04-17 | 2024-03-26 | 哈尔滨工业大学 | 一种基于多模态数据融合的农作物生长估计模型构建方法 |
CN117151342B (zh) * | 2023-10-24 | 2024-01-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害的识别与抗性检测方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
CN110222215A (zh) * | 2019-05-31 | 2019-09-10 | 浙江大学 | 一种基于f-ssd-iv3的作物害虫检测方法 |
KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
CN110502987A (zh) * | 2019-07-12 | 2019-11-26 | 山东农业大学 | 一种基于深度学习的植物病虫害识别方法及系统 |
CN110889343A (zh) * | 2019-11-15 | 2020-03-17 | 复旦大学 | 基于注意力型深度神经网络的人群密度估计方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7597003B2 (en) * | 2007-07-05 | 2009-10-06 | King Fahd University Of Petroleum And Minerals | Acoustic chamber for detection of insects |
CN104616283B (zh) * | 2014-12-01 | 2017-08-08 | 北京工业大学 | 一种基于低秩表示算法的害虫检测方法 |
JP6375333B2 (ja) * | 2016-04-08 | 2018-08-15 | 株式会社シー・アイ・シー | 捕虫器 |
CN107665355B (zh) * | 2017-09-27 | 2020-09-29 | 重庆邮电大学 | 一种基于区域卷积神经网络的农业害虫检测方法 |
CN108615046A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种储粮害虫检测识别方法及装置 |
CN110766041B (zh) * | 2019-09-04 | 2023-04-07 | 江苏大学 | 一种基于深度学习的害虫检测方法 |
-
2020
- 2020-04-09 CN CN202010272570.1A patent/CN112464971A/zh active Pending
- 2020-05-09 WO PCT/CN2020/089441 patent/WO2021203505A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
CN110222215A (zh) * | 2019-05-31 | 2019-09-10 | 浙江大学 | 一种基于f-ssd-iv3的作物害虫检测方法 |
CN110502987A (zh) * | 2019-07-12 | 2019-11-26 | 山东农业大学 | 一种基于深度学习的植物病虫害识别方法及系统 |
CN110889343A (zh) * | 2019-11-15 | 2020-03-17 | 复旦大学 | 基于注意力型深度神经网络的人群密度估计方法及装置 |
Non-Patent Citations (3)
Title |
---|
LIU LIU 等: "PestNet: An End-to-End Deep Learning Approach for Large-Scale Multi-Class Pest Detection and Classification", IEEE ACCESS, vol. 7, 16 April 2019 (2019-04-16), pages 45301 - 45312, XP011719967, DOI: 10.1109/ACCESS.2019.2909522 * |
MATE KISANTAL 等: "Augmentation for small object detection", ARXIV, 19 February 2019 (2019-02-19), pages 1 - 15 * |
孙鹏 等: "基于注意力卷积神经网络的大豆害虫图像识别", 中国农机化学报, vol. 41, no. 2, 15 February 2020 (2020-02-15), pages 171 - 176 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177486A (zh) * | 2021-04-30 | 2021-07-27 | 重庆师范大学 | 基于区域建议网络的蜻蜓目昆虫识别方法 |
CN113673340A (zh) * | 2021-07-16 | 2021-11-19 | 北京农业信息技术研究中心 | 一种害虫种类图像识别方法及系统 |
CN114519803A (zh) * | 2022-01-24 | 2022-05-20 | 东莞理工学院 | 一种基于迁移学习的小样本目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021203505A1 (zh) | 2021-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464971A (zh) | 害虫检测模型构建方法 | |
CN110188807B (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN112232476B (zh) | 更新测试样本集的方法及装置 | |
CN108596046A (zh) | 一种基于深度学习的细胞检测计数方法及系统 | |
CN108416314B (zh) | 图片重要人脸检测方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
CN111291799A (zh) | 房间窗户分类模型构建方法、房间窗户分类方法及系统 | |
Shi et al. | Amur tiger stripes: Individual identification based on deep convolutional neural network | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN107392251B (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN112001370A (zh) | 一种农作物病虫害识别方法及系统 | |
CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
CN113312999B (zh) | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 | |
CN110569858A (zh) | 一种基于深度学习算法的烟叶病虫害识别方法 | |
CN110399804A (zh) | 一种基于深度学习的食品检测识别方法 | |
CN106096527A (zh) | 一种实时高精度在线纸币面值的识别方法 | |
CN107064159B (zh) | 一种依据植物黄叶检测判断生长趋势的装置及系统 | |
CN113537293A (zh) | 基于无人机和全卷积神经网络的小麦倒伏区域识别方法 | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及系统 | |
CN110705698A (zh) | 尺度自适应感知的目标计数深度网络设计方法 | |
CN115690778A (zh) | 基于深度神经网络的成熟期水果的检测与跟踪计数的方法 | |
KR102416714B1 (ko) | 3차원 이미지 및 딥러닝을 활용한 도시 규모 나무 지도 작성 시스템 및 방법 | |
CN107886049B (zh) | 一种基于摄像探头的能见度识别预警方法 |
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 |