CN112801419A - 基于自适应感受野ssd的鼠害程度级别预测方法和装置 - Google Patents

基于自适应感受野ssd的鼠害程度级别预测方法和装置 Download PDF

Info

Publication number
CN112801419A
CN112801419A CN202110284973.2A CN202110284973A CN112801419A CN 112801419 A CN112801419 A CN 112801419A CN 202110284973 A CN202110284973 A CN 202110284973A CN 112801419 A CN112801419 A CN 112801419A
Authority
CN
China
Prior art keywords
data
mouse
thermal
rabbit
image data
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
Application number
CN202110284973.2A
Other languages
English (en)
Other versions
CN112801419B (zh
Inventor
唐宇
侯超钧
骆少明
李嘉豪
杨捷鹏
符伊晴
赵晋飞
张晓迪
郭琪伟
庄鑫财
黄华盛
朱兴
庄家俊
苗爱敏
褚璇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongkai University of Agriculture and Engineering
Guangdong Polytechnic Normal University
Original Assignee
Zhongkai University of Agriculture and Engineering
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongkai University of Agriculture and Engineering, Guangdong Polytechnic Normal University filed Critical Zhongkai University of Agriculture and Engineering
Priority to CN202110284973.2A priority Critical patent/CN112801419B/zh
Publication of CN112801419A publication Critical patent/CN112801419A/zh
Application granted granted Critical
Publication of CN112801419B publication Critical patent/CN112801419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请揭示一种基于自适应感受野SSD的鼠害程度级别预测方法。获取样本热感应图像；得到第一样本数据；划分数据；得到第一兔子识别模型；得到第一验证结果；若第一验证结果为验证通过，则得到多个第二兔子识别结果；得到预测的第二兔子数量；若超过数量阈值，则得到第二样本数据；划分数据；得到第二老鼠识别模型；若不超过数量阈值，则得到第三样本数据；划分数据；得到第三老鼠识别模型；得到热感应图像数据；得到预测的第三兔子数量；若超过数量阈值，则得到多个一号老鼠识别结果；预测出鼠害程度级别；若不超过数量阈值，则得到多个二号老鼠识别结果；预测出鼠害程度级别。从而利用兔子来进行辅助检测，以提高鼠害程度级别预测的准确性。

Description

基于自适应感受野SSD的鼠害程度级别预测方法和装置
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于自适应感受野SSD的鼠害程度级别预测方法、装置、计算机设备和存储介质。
背景技术
在农业领域中，鼠害是造成经济损失的主因之一。鼠害防治工作的前提是确定鼠害的程度，以便针对性进行治理。但是，由于鼠类活动范围广、灵活性强及作物易遮挡等因素导致监测困难，现有的鼠害预估方案难以解决这些困难，因此无法准确预估鼠害的程度。
发明内容
本申请提出一种基于自适应感受野SSD的鼠害程度级别预测方法，包括以下步骤：
S1、获取样本热感应图像，并根据预设的第一比例对所述样本热感应图像进行划分处理，从而得到第一热感应图像数据和第二热感应图像数据；其中，所述第一热感应图像数据和第二热感应图像数据均为在时间上连续的热感应图像数据，并且所述第一热感应图像数据和第二热感应图像数据为在不同区域利用红外热像仪采集得到的数据；
S2、对第一热感应图像数据进行人工标注处理，以将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得第一样本数据；
S3、根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过；
S4、若所述第一验证结果为验证通过，则将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果；
S5、统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值；
S6、若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据；
S7、根据预设的第三比例，将所述第二样本数据划分为第二训练数据和第二验证数据；
S8、将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；
S9、若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型；
S10、若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；
S11、根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；
S12、将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；
S13、若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型；
S14、在待分析区域利用红外热像仪进行数据采集处理，从而得到在时间上连续的待处理的热感应图像数据；
S15、将所述待处理的热感应图像数据输入预设的第一兔子识别模型中进行处理，从而得到所述第一兔子识别模型输出的多个第三兔子识别结果；
S16、统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值；
S17、若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；
S18、若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。
进一步地，所述若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据的步骤S6之前，包括：
S51、对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的热感应图像分别标注上三个级别标签；其中，所述三个级别标签包括一号级别标签、二号级别标签和三号级别标签，人工判定为老鼠的热感应图像被标注为一号级别标签、人工判定不是老鼠的热感应图像被标注为三号级别标签、人工判定为疑似老鼠的热感应图像被标注为二号级别标签；
S52、将所述一号级别标签和所述三号级别标签设置为不可更改，同时将所述二号级别标签设置为能够更改。
进一步地，所述第一比例小于所述第二比例、第三比例和第四比例，所述第二比例大于所述第三比例和第四比例，所述第三比例等于所述第四比例。
进一步地，所述根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别的步骤S17，包括：
S1701、获取待分析区域的面积；
S1702、根据公式：预测的老鼠密度＝预测的老鼠数量/所述待分析区域的面积，计算出预测的老鼠密度；
S1703、获取待分析区域的地质数据、作物数据和气候数据；
S1704、根据预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，预测出鼠害程度级别。
进一步地，所述根据预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，预测出鼠害程度级别的步骤S1704，包括：
S17041、采用大数据采集方法获取鼠害数据，所述鼠害数据包括老鼠密度、区域的地质数据、作物数据、气候数据和鼠害程度级别；
S17042、根据所述鼠害数据，建立老鼠密度、区域的地质数据、作物数据、气候数据对应于鼠害程度级别的映射表；
S17043、根据所述预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，在所述映射表进行匹配检索，以得到与所述待分析区域对应的鼠害程度级别；
S17044、将所述待分析区域对应的鼠害程度级别作为预测出鼠害程度级别。
本申请提供一种基于自适应感受野SSD的鼠害程度级别预测装置，包括：
样本热感应图像划分单元，用于获取样本热感应图像，并根据预设的第一比例对所述样本热感应图像进行划分处理，从而得到第一热感应图像数据和第二热感应图像数据；其中，所述第一热感应图像数据和第二热感应图像数据均为在时间上连续的热感应图像数据，并且所述第一热感应图像数据和第二热感应图像数据为在不同区域利用红外热像仪采集得到的数据；
第一样本数据获取单元，用于对第一热感应图像数据进行人工标注处理，以将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得第一样本数据；
第一模型训练单元，用于根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过；
第二兔子识别结果获取单元，用于若所述第一验证结果为验证通过，则将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果；
第二兔子数量判断单元，用于统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值；
第二样本数据获取单元，用于若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据；
第二训练数据获取单元，用于根据预设的第三比例，将所述第二样本数据划分为第二训练数据和第二验证数据；
第二老鼠暂时识别模型训练单元，用于将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；
第二老鼠暂时识别模型标记单元，用于若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型；
第三样本数据获取单元，用于若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；
第三训练数据获取单元，用于根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；
第三老鼠暂时识别模型训练单元，用于将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；
第三老鼠暂时识别模型标记单元，用于若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型；
数据采集单元，用于在待分析区域利用红外热像仪进行数据采集处理，从而得到在时间上连续的待处理的热感应图像数据；
第三兔子识别结果获取单元，用于将所述待处理的热感应图像数据输入预设的第一兔子识别模型中进行处理，从而得到所述第一兔子识别模型输出的多个第三兔子识别结果；
第三兔子数量判断单元，用于统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值；
一号老鼠识别结果获取单元，用于若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；
二号老鼠识别结果获取单元，用于若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于自适应感受野SSD的鼠害程度级别预测方法、装置、计算机设备和存储介质。获取样本热感应图像；得第一样本数据；划分为第一训练数据和第一验证数据；得到第一兔子识别模型；得到第一验证结果；若第一验证结果为验证通过，则得到多个第二兔子识别结果；得到预测的第二兔子数量；若超过数量阈值，则得第二样本数据；划分为第二训练数据和第二验证数据；得到第二老鼠暂时识别模型；得到第二验证结果；若验证通过，则记为第二老鼠识别模型；若不超过预设的数量阈值，则得到第三样本数据；划分为第三训练数据和第三验证数据；得到第三老鼠暂时识别模型；得到第三验证结果；若验证通过，则记为第三老鼠识别模型；得到待处理的热感应图像数据；得到预测的第三兔子数量；若超过预设的数量阈值，则得到第二老鼠识别模型输出的多个一号老鼠识别结果；预测出鼠害程度级别；若不超过预设的数量阈值，则得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；预测出鼠害程度级别。利用体形更大且更易检测的兔子来进行辅助检测，以最终实现了准确预测鼠害程度级别的目的。
附图说明
图1和2为本申请一实施例的基于自适应感受野SSD的鼠害程度级别预测方法的流程示意图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1和2，本申请实施例提供一种基于自适应感受野SSD的鼠害程度级别预测方法，包括以下步骤：
S1、获取样本热感应图像，并根据预设的第一比例对所述样本热感应图像进行划分处理，从而得到第一热感应图像数据和第二热感应图像数据；其中，所述第一热感应图像数据和第二热感应图像数据均为在时间上连续的热感应图像数据，并且所述第一热感应图像数据和第二热感应图像数据为在不同区域利用红外热像仪采集得到的数据；
S2、对第一热感应图像数据进行人工标注处理，以将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得第一样本数据；
S3、根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过；
S4、若所述第一验证结果为验证通过，则将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果；
S5、统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值；
S6、若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据；
S7、根据预设的第三比例，将所述第二样本数据划分为第二训练数据和第二验证数据；
S8、将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；
S9、若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型；
S10、若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；
S11、根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；
S12、将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；
S13、若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型；
S14、在待分析区域利用红外热像仪进行数据采集处理，从而得到在时间上连续的待处理的热感应图像数据；
S15、将所述待处理的热感应图像数据输入预设的第一兔子识别模型中进行处理，从而得到所述第一兔子识别模型输出的多个第三兔子识别结果；
S16、统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值；
S17、若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；
S18、若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。
如上述步骤S1-S6所述，获取样本热感应图像，并根据预设的第一比例对所述样本热感应图像进行划分处理，从而得到第一热感应图像数据和第二热感应图像数据；其中，所述第一热感应图像数据和第二热感应图像数据均为在时间上连续的热感应图像数据，并且所述第一热感应图像数据和第二热感应图像数据为在不同区域利用红外热像仪采集得到的数据；对第一热感应图像数据进行人工标注处理，以将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得到第一样本数据；根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过；若所述第一验证结果为验证通过，则将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果；统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值；若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据。
本申请的特点包括，利用兔子识别模型来对老鼠识别模型进行辅助修正，从而提高最终预测的准确性；采用热感应图像数据进行分析，以利用兔子、鼠类与地表、作物之间的温差形成图像，从而减少作物易遮挡的影响，提高图像的可用性，提高最终预测的准确性；增加深度神经网络卷积层的感受野，提高神经网络获取局部小目标特征的能力，建立基于自适应感受野SSD方法的老鼠检测模型，实现热图像中的鼠类检测与定位，解决鼠类体型小、作物遮挡而难以检测的问题，提高最终预测的准确性。
另外，本申请中待分析区域的热感应图像数据，可采用任意可行时间或者位置的热感应图像数据，优选根据鼠类与地表、作物之间的温差及鼠类的活动规律，在不同时段、不同作物生长期，选择合适的位置与时间进行采集以得到。
本申请采用热感应图像作为分析依据，而热感应图像是基于温差而生成的，尤其适合野外小目标的检测。获取的样本热感应图像，将用于模型的训练与验证，再划分为第一热感应图像数据和第二热感应图像数据。由于是样本数据，因此热感应图像数据应当由多个区域的数据构成，而每个数据均为在时间上连续的。其中，在时间上连续的热感应数据有利于规律性分析，以得到可靠性强的分析结果。再进行人工标注处理，将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得第一样本数据。第一热感应图像数据仅用于兔子识别模型的训练，因此只需对兔子热感应图像进行标注。在此需要介绍的是，本申请的目的在于预测鼠害程度级别，但却涉及了兔子识别模型，看似不相干，但其实是本申请的一大特点。首先，兔子与老鼠在食物链上处于相同或者相似的位置，彼此之间处于竞争者关系，在资源充足的情况下(这在大部分农业区域均能够满足，因为大部分农业区域种植的作物资源是充足的)，兔子与老鼠之间具有一定的关联性，例如兔子的数量与老鼠的数量成正比(不考虑人为大规模捕杀的情况，而事实上，人为大规模捕杀应当发生在本申请预测出鼠害程度级别之后)，本申请即是借助这种关联性，来实现老鼠的准确识别。另外，之所以兔子能够辅助提高老鼠的识别准确性，其另外一个原因在于，兔子的体型比老鼠大，相对而言更易被检测出来，具体的数据如下，老鼠一般体重300g左右，大的有900g重，而兔子中的大型兔的体重大约在5～8公斤(也有少数超过8公斤)，中型兔的体重大约在2～4公斤，小型兔的体重大约在2公斤以下，从而本申请选择兔子来提高老鼠的识别准确性，而具体如何辅助实现，会在后续结合具体步骤进行阐述。
根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过。从而利用标注好的样本数据进行有监督训练，以得到第一兔子识别模型。另外需要说明的是，本申请的一个特点是采用了基于自适应感受野SSD的卷积神经网络模型作为老鼠识别模型的初始模型，但是基于自适应感受野SSD的卷积神经网络模型相较于普通的深度神经网络更为复杂，训练耗时更长，因此本申请在训练兔子识别模型时，优选不采用基于自适应感受野SSD的卷积神经网络模型，而采用其他的深度神经网络模型，例如卷积神经网络模型，这是因为兔子的体型更大，更易识别。若所述第一验证结果为验证通过，表明第一兔子识别模型可用，因此将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果。
在此需要说明下本申请对于样本热感应图像的多次划分的目的，这也是与普通的样本数据有显著区别的地方。本申请对于样本热感应图像的多次划分，划分为第一热感应图像数据和第二热感应图像数据(用于确定在对应区域的兔子数量)；再将所述第一样本数据(标注兔子标签后的第一热感应图像数据)划分为第一训练数据(目的在于训练第一兔子识别模型)和第一验证数据(目的在于验证第一兔子识别模型)；将所述第二样本数据(标注老鼠标签后的第二热感应图像数据)划分为第二训练数据和第二验证数据；将所述第三样本数据(标注老鼠标签后的第二热感应图像数据)划分为第三训练数据和第三验证数据，这种划分的目的是得到两个修正后的老鼠识别模型，以适应不同的条件(兔子数量多或者兔子数量少)。其中，将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果，实际上指的是将一个第二热感应图像数据输入所述第一兔子识别模型(这是唯一的理解，因为模型的训练即为单一数据的输入，因此此时也应为单一第二热感应图像数据的输入)，以得到多个第二兔子识别结果(在一个时间上连续的热感应图像数据中，一般会有多个兔子被检测得到，因此对应得识别出多个兔子)，当然，每个第二兔子识别结果可能为是兔子，也可能不是兔子。这样，将不同的第二热感应图像数据输入所述第一兔子识别模型，就能得到所述第一兔子识别模型输出的对应不同的多个第二兔子识别结果。统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值。之所以进行数量阈值的判断，目的在于对不确切的老鼠图像进行划分。老鼠难以识别，主要原因在于难以确定热感应图像的小目标是否为老鼠，因此利用兔子数量的多寡来辅助确定。若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得到第二样本数据。从而将不确定的老鼠图像，疑似老鼠热感应图像，视为与确切老鼠热感应图像相同。
进一步地，所述若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据的步骤S6之前，包括：
S51、对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的热感应图像分别标注上三个级别标签；其中，所述三个级别标签包括一号级别标签、二号级别标签和三号级别标签，人工判定为老鼠的热感应图像被标注为一号级别标签、人工判定不是老鼠的热感应图像被标注为三号级别标签、人工判定为疑似老鼠的热感应图像被标注为二号级别标签；
S52、将所述一号级别标签和所述三号级别标签设置为不可更改，同时将所述二号级别标签设置为能够更改。
从而便于标签的修改，使得一次标注能够应用于两种不同的老鼠识别模型中。其中，由于老鼠体形较小，体现在第二热感应图像数据上，即是有些热感应图像中老鼠的特征较为迷糊，但从体形大小等特征来人工分析有可能属于老鼠，但无法准确确定，因此将其人工判定为疑似老鼠的热感应图像被标注为二号级别标签。从而，一号级别标签、二号级别标签、三号级别标签在确认是否为老鼠的程度上依次降低。再将所述一号级别标签和所述三号级别标签设置为不可更改，同时将所述二号级别标签设置为能够更改，以使其能够与兔子识别模型进行关联。从而最终提高鼠害预测的准确性。
如上述步骤S7-S13所述，根据预设的第三比例，将所述第二样本数据划分为第二训练数据和第二验证数据；将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型；若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型。
第二样本数据是在第二热感应图像数据的基础上标注得到的，需要注意的是，虽然第三样本数据也是在第二热感应图像数据的基础上标注得到的，但是这二者的区别为疑似老鼠图像的划分不同。而疑似老鼠图像的划分依据，来自于兔子识别模型，即其原理为，在食物链上处于竞争者关系的兔子和老鼠，在普通的农业环境下，其数量为正比，因此某一区域的兔子数量较多，意味着老鼠数量也较多，因此疑似老鼠图像对应为老鼠的可能性高得多；反之，若某一区域的兔子数量较少，意味着老鼠数量也较少，因此疑似老鼠图像对应为老鼠的可能性较低。本申请利用这种原理对老鼠识别模型进行优化，以提高识别准确性。再将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型。
同样地，若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型。此时的第二老鼠识别模型和第三老鼠识别模型均为优化后的模型，其分别适用于不同环境下(即兔子数量多或者少)的老鼠识别任务。另外，本申请的第二老鼠识别模型和第三老鼠识别模型，均是在基于自适应感受野SSD的卷积神经网络模型的基础上训练得到的(当然，也可以替换为普通的卷积神经网络模型，但是对于老鼠而言，更适合采用基于自适应感受野SSD的卷积神经网络模型)，而基于自适应感受野SSD的卷积神经网络模型相对于普通的卷积神经网络模型，其中的SSD指Single Shot MultiBox Detector，single shot指的是采用的SSD算法属于one-stage方法，MultiBox说明SSD是多框预测；而自适应感受野，相对于普通的卷积网络层的卷积核大小固定，导致每一层的感受野也是固定，本申请的老鼠识别模型的每一层不同神经元的感受野实际上是不同的，即自适应感受野是可选核网络，从而提高神经网络获取局部小目标特征的能力。
进一步地，所述第一比例小于所述第二比例、第三比例和第四比例，所述第二比例大于所述第三比例和第四比例，所述第三比例等于所述第四比例。其中，第一比例只是划分样本数据，而划分出的样本数据在未标注前是相同的，因此第一比例接近于0.5是较优方案；而第二比例用于兔子识别模型的训练与验证，因此第二比例最大，因为兔子的体型更大，无需过多验证，相对而言，老鼠模型对应的第三比例和第四比例，与第二比例相较更小。
如上述步骤S14-S18所述，在待分析区域利用红外热像仪进行数据采集处理，从而得到在时间上连续的待处理的热感应图像数据；将所述待处理的热感应图像数据输入预设的第一兔子识别模型中进行处理，从而得到所述第一兔子识别模型输出的多个第三兔子识别结果；统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值；若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。
本申请在训练得到第一兔子识别模型、第二老鼠识别模型和第三老鼠识别模型后，即可进行老鼠识别的操作，在进行老鼠识别时，需要利用红外热像仪进行数据采集处理得到的热感应图像数据，需要第一兔子识别模型和一个老鼠识别模型共同完成。因此先得到所述第一兔子识别模型输出的多个第三兔子识别结果，统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值，以确定需要采用哪个老鼠识别模型。若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。从而有针对性地实现了准确识别老鼠的目的，在此基础上预测出的鼠害程度级别更准确。
进一步地，所述根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别的步骤S17，包括：
S1701、获取待分析区域的面积；
S1702、根据公式：预测的老鼠密度＝预测的老鼠数量/所述待分析区域的面积，计算出预测的老鼠密度；
S1703、获取待分析区域的地质数据、作物数据和气候数据；
S1704、根据预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，预测出鼠害程度级别。
从而实现了根据地域区别，预测鼠害程度级别的目的。鼠害程度与老鼠密度直接相关，同时与待分析区域的地质数据、作物数据和气候数据间接相关。例如在适宜老鼠生长与繁殖的地域，相对于不适宜老鼠生长与繁殖的地域，正常情况下前者的老鼠密度会高于后者的老鼠密度，但不适合将前者的鼠害程度级别认为高于后者的鼠害程度级别。因此，本申请在预测鼠害程度级别时，还引入了待分析区域的地质数据、作物数据和气候数据。
进一步地，所述根据预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，预测出鼠害程度级别的步骤S1704，包括：
S17041、采用大数据采集方法获取鼠害数据，所述鼠害数据包括老鼠密度、区域的地质数据、作物数据、气候数据和鼠害程度级别；
S17042、根据所述鼠害数据，建立老鼠密度、区域的地质数据、作物数据、气候数据对应于鼠害程度级别的映射表；
S17043、根据所述预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，在所述映射表进行匹配检索，以得到与所述待分析区域对应的鼠害程度级别；
S17044、将所述待分析区域对应的鼠害程度级别作为预测出鼠害程度级别。
从而以映射表的关系，提高鼠害程度级别预测效率。由于区域的地质数据、作物数据、气候数据是可穷尽的，并且本申请利用大数据以获取足量的数据，能够形成数据量足够充分的映射表，再通过查询映射表，即可直接得到所述待分析区域对应的鼠害程度级别，并将所述待分析区域对应的鼠害程度级别作为预测出鼠害程度级别。
本申请的基于自适应感受野SSD的鼠害程度级别预测方法，获取样本热感应图像；得第一样本数据；划分为第一训练数据和第一验证数据；得到第一兔子识别模型；得到第一验证结果；若第一验证结果为验证通过，则得到多个第二兔子识别结果；得到预测的第二兔子数量；若超过数量阈值，则得第二样本数据；划分为第二训练数据和第二验证数据；得到第二老鼠暂时识别模型；得到第二验证结果；若验证通过，则记为第二老鼠识别模型；若不超过预设的数量阈值，则得到第三样本数据；划分为第三训练数据和第三验证数据；得到第三老鼠暂时识别模型；得到第三验证结果；若验证通过，则记为第三老鼠识别模型；得到待处理的热感应图像数据；得到预测的第三兔子数量；若超过预设的数量阈值，则得到第二老鼠识别模型输出的多个一号老鼠识别结果；预测出鼠害程度级别；若不超过预设的数量阈值，则得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；预测出鼠害程度级别。利用体形更大且更易检测的兔子来进行辅助检测，以最终实现了准确预测鼠害程度级别的目的。
本申请实施例提供一种基于自适应感受野SSD的鼠害程度级别预测装置，包括：
样本热感应图像划分单元，用于获取样本热感应图像，并根据预设的第一比例对所述样本热感应图像进行划分处理，从而得到第一热感应图像数据和第二热感应图像数据；其中，所述第一热感应图像数据和第二热感应图像数据均为在时间上连续的热感应图像数据，并且所述第一热感应图像数据和第二热感应图像数据为在不同区域利用红外热像仪采集得到的数据；
第一样本数据获取单元，用于对第一热感应图像数据进行人工标注处理，以将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得第一样本数据；
第一模型训练单元，用于根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过；
第二兔子识别结果获取单元，用于若所述第一验证结果为验证通过，则将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果；
第二兔子数量判断单元，用于统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值；
第二样本数据获取单元，用于若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据；
第二训练数据获取单元，用于根据预设的第三比例，将所述第二样本数据划分为第二训练数据和第二验证数据；
第二老鼠暂时识别模型训练单元，用于将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；
第二老鼠暂时识别模型标记单元，用于若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型；
第三样本数据获取单元，用于若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；
第三训练数据获取单元，用于根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；
第三老鼠暂时识别模型训练单元，用于将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；
第三老鼠暂时识别模型标记单元，用于若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型；
数据采集单元，用于在待分析区域利用红外热像仪进行数据采集处理，从而得到在时间上连续的待处理的热感应图像数据；
第三兔子识别结果获取单元，用于将所述待处理的热感应图像数据输入预设的第一兔子识别模型中进行处理，从而得到所述第一兔子识别模型输出的多个第三兔子识别结果；
第三兔子数量判断单元，用于统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值；
一号老鼠识别结果获取单元，用于若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；
二号老鼠识别结果获取单元，用于若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。
其中上述单元分别用于执行的操作与前述实施方式的基于自适应感受野SSD的鼠害程度级别预测方法的步骤一一对应,在此不再赘述。
本申请的基于自适应感受野SSD的鼠害程度级别预测装置。获取样本热感应图像；得第一样本数据；划分为第一训练数据和第一验证数据；得到第一兔子识别模型；得到第一验证结果；若第一验证结果为验证通过，则得到多个第二兔子识别结果；得到预测的第二兔子数量；若超过数量阈值，则得第二样本数据；划分为第二训练数据和第二验证数据；得到第二老鼠暂时识别模型；得到第二验证结果；若验证通过，则记为第二老鼠识别模型；若不超过预设的数量阈值，则得到第三样本数据；划分为第三训练数据和第三验证数据；得到第三老鼠暂时识别模型；得到第三验证结果；若验证通过，则记为第三老鼠识别模型；得到待处理的热感应图像数据；得到预测的第三兔子数量；若超过预设的数量阈值，则得到第二老鼠识别模型输出的多个一号老鼠识别结果；预测出鼠害程度级别；若不超过预设的数量阈值，则得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；预测出鼠害程度级别。利用体形更大且更易检测的兔子来进行辅助检测，以最终实现了准确预测鼠害程度级别的目的。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于自适应感受野SSD的鼠害程度级别预测方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于自适应感受野SSD的鼠害程度级别预测方法。
上述处理器执行上述基于自适应感受野SSD的鼠害程度级别预测方法，其中所述方法包括的步骤分别与执行前述实施方式的基于自适应感受野SSD的鼠害程度级别预测方法的步骤一一对应,在此不再赘述。
本领域技术人员可以理解，图中示出的结构，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计算机设备的限定。
本申请的计算机设备，获取样本热感应图像；得第一样本数据；划分为第一训练数据和第一验证数据；得到第一兔子识别模型；得到第一验证结果；若第一验证结果为验证通过，则得到多个第二兔子识别结果；得到预测的第二兔子数量；若超过数量阈值，则得第二样本数据；划分为第二训练数据和第二验证数据；得到第二老鼠暂时识别模型；得到第二验证结果；若验证通过，则记为第二老鼠识别模型；若不超过预设的数量阈值，则得到第三样本数据；划分为第三训练数据和第三验证数据；得到第三老鼠暂时识别模型；得到第三验证结果；若验证通过，则记为第三老鼠识别模型；得到待处理的热感应图像数据；得到预测的第三兔子数量；若超过预设的数量阈值，则得到第二老鼠识别模型输出的多个一号老鼠识别结果；预测出鼠害程度级别；若不超过预设的数量阈值，则得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；预测出鼠害程度级别。利用体形更大且更易检测的兔子来进行辅助检测，以最终实现了准确预测鼠害程度级别的目的。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于自适应感受野SSD的鼠害程度级别预测方法，其中所述方法包括的步骤分别与执行前述实施方式的基于自适应感受野SSD的鼠害程度级别预测方法的步骤一一对应,在此不再赘述。
本申请的计算机可读存储介质，获取样本热感应图像；得第一样本数据；划分为第一训练数据和第一验证数据；得到第一兔子识别模型；得到第一验证结果；若第一验证结果为验证通过，则得到多个第二兔子识别结果；得到预测的第二兔子数量；若超过数量阈值，则得第二样本数据；划分为第二训练数据和第二验证数据；得到第二老鼠暂时识别模型；得到第二验证结果；若验证通过，则记为第二老鼠识别模型；若不超过预设的数量阈值，则得到第三样本数据；划分为第三训练数据和第三验证数据；得到第三老鼠暂时识别模型；得到第三验证结果；若验证通过，则记为第三老鼠识别模型；得到待处理的热感应图像数据；得到预测的第三兔子数量；若超过预设的数量阈值，则得到第二老鼠识别模型输出的多个一号老鼠识别结果；预测出鼠害程度级别；若不超过预设的数量阈值，则得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；预测出鼠害程度级别。利用体形更大且更易检测的兔子来进行辅助检测，以最终实现了准确预测鼠害程度级别的目的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序或指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种基于自适应感受野SSD的鼠害程度级别预测方法，其特征在于，包括：
S1、获取样本热感应图像，并根据预设的第一比例对所述样本热感应图像进行划分处理，从而得到第一热感应图像数据和第二热感应图像数据；其中，所述第一热感应图像数据和第二热感应图像数据均为在时间上连续的热感应图像数据，并且所述第一热感应图像数据和第二热感应图像数据为在不同区域利用红外热像仪采集得到的数据；
S2、对第一热感应图像数据进行人工标注处理，以将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得第一样本数据；
S3、根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过；
S4、若所述第一验证结果为验证通过，则将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果；
S5、统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值；
S6、若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据；
S7、根据预设的第三比例，将所述第二样本数据划分为第二训练数据和第二验证数据；
S8、将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；
S9、若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型；
S10、若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；
S11、根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；
S12、将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；
S13、若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型；
S14、在待分析区域利用红外热像仪进行数据采集处理，从而得到在时间上连续的待处理的热感应图像数据；
S15、将所述待处理的热感应图像数据输入预设的第一兔子识别模型中进行处理，从而得到所述第一兔子识别模型输出的多个第三兔子识别结果；
S16、统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值；
S17、若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；
S18、若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。
2.根据权利要求1所述的基于自适应感受野SSD的鼠害程度级别预测方法，其特征在于，所述若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得第二样本数据的步骤S6之前，包括：
S51、对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的热感应图像分别标注上三个级别标签；其中，所述三个级别标签包括一号级别标签、二号级别标签和三号级别标签，人工判定为老鼠的热感应图像被标注为一号级别标签、人工判定不是老鼠的热感应图像被标注为三号级别标签、人工判定为疑似老鼠的热感应图像被标注为二号级别标签；
S52、将所述一号级别标签和所述三号级别标签设置为不可更改，同时将所述二号级别标签设置为能够更改。
3.根据权利要求1所述的基于自适应感受野SSD的鼠害程度级别预测方法，其特征在于，所述第一比例小于所述第二比例、第三比例和第四比例，所述第二比例大于所述第三比例和第四比例，所述第三比例等于所述第四比例。
4.根据权利要求1所述的基于自适应感受野SSD的鼠害程度级别预测方法，其特征在于，所述根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别的步骤S17，包括：
S1701、获取待分析区域的面积；
S1702、根据公式：预测的老鼠密度＝预测的老鼠数量/所述待分析区域的面积，计算出预测的老鼠密度；
S1703、获取待分析区域的地质数据、作物数据和气候数据；
S1704、根据预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，预测出鼠害程度级别。
5.根据权利要求4所述的基于自适应感受野SSD的鼠害程度级别预测方法，其特征在于，所述根据预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，预测出鼠害程度级别的步骤S1704，包括：
S17041、采用大数据采集方法获取鼠害数据，所述鼠害数据包括老鼠密度、区域的地质数据、作物数据、气候数据和鼠害程度级别；
S17042、根据所述鼠害数据，建立老鼠密度、区域的地质数据、作物数据、气候数据对应于鼠害程度级别的映射表；
S17043、根据所述预测的老鼠密度、待分析区域的地质数据、作物数据和气候数据，在所述映射表进行匹配检索，以得到与所述待分析区域对应的鼠害程度级别；
S17044、将所述待分析区域对应的鼠害程度级别作为预测出鼠害程度级别。
6.一种基于自适应感受野SSD的鼠害程度级别预测装置，其特征在于，包括：
样本热感应图像划分单元，用于获取样本热感应图像，并根据预设的第一比例对所述样本热感应图像进行划分处理，从而得到第一热感应图像数据和第二热感应图像数据；其中，所述第一热感应图像数据和第二热感应图像数据均为在时间上连续的热感应图像数据，并且所述第一热感应图像数据和第二热感应图像数据为在不同区域利用红外热像仪采集得到的数据；
第一样本数据获取单元，用于对第一热感应图像数据进行人工标注处理，以将第一热感应图像数据中的所有兔子热感应图像均标注第一标签，从而得第一样本数据；
第一模型训练单元，用于根据预设的第二比例，将所述第一样本数据划分为第一训练数据和第一验证数据；将所述第一训练数据输入预设的深度神经网络进行训练处理，从而得到第一兔子识别模型；采用所述第一验证数据对所述第一兔子识别模型进行验证处理，以得到第一验证结果，并判断所述第一验证结果是否为验证通过；
第二兔子识别结果获取单元，用于若所述第一验证结果为验证通过，则将所述第二热感应图像数据输入所述第一兔子识别模型，从而得到所述第一兔子识别模型输出的多个第二兔子识别结果；
第二兔子数量判断单元，用于统计多个第二兔子识别结果的数量，从而得到预测的第二兔子数量，判断所述第二兔子数量是否超过预设的数量阈值；
第二样本数据获取单元，用于若所述第二兔子数量超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，以将第二热感应图像数据中的疑似老鼠热感应图像和确切老鼠热感应图像标记第二标签，从而得到第二样本数据；
第二训练数据获取单元，用于根据预设的第三比例，将所述第二样本数据划分为第二训练数据和第二验证数据；
第二老鼠暂时识别模型训练单元，用于将所述第二训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第二老鼠暂时识别模型；采用所述第二验证数据对所述第二老鼠暂时识别模型进行验证处理，以得到第二验证结果，并判断所述第二验证结果是否为验证通过；
第二老鼠暂时识别模型标记单元，用于若所述第二验证结果为验证通过，则将所述第二老鼠暂时识别模型记为第二老鼠识别模型；
第三样本数据获取单元，用于若所述第二兔子数量不超过预设的数量阈值，则对第二热感应图像数据进行人工标注处理，仅将第二热感应图像数据中的确切老鼠热感应图像标记第三标签，而第二热感应图像数据中的疑似老鼠热感应图像不进行标记，得到第三样本数据；
第三训练数据获取单元，用于根据预设的第四比例，将所述第三样本数据划分为第三训练数据和第三验证数据；
第三老鼠暂时识别模型训练单元，用于将所述第三训练数据输入预设的基于自适应感受野SSD的卷积神经网络模型进行训练处理，从而得到第三老鼠暂时识别模型；采用所述第三验证数据对所述第三老鼠暂时识别模型进行验证处理，以得到第三验证结果，并判断所述第三验证结果是否为验证通过；
第三老鼠暂时识别模型标记单元，用于若所述第三验证结果为验证通过，则将所述第三老鼠暂时识别模型记为第三老鼠识别模型；
数据采集单元，用于在待分析区域利用红外热像仪进行数据采集处理，从而得到在时间上连续的待处理的热感应图像数据；
第三兔子识别结果获取单元，用于将所述待处理的热感应图像数据输入预设的第一兔子识别模型中进行处理，从而得到所述第一兔子识别模型输出的多个第三兔子识别结果；
第三兔子数量判断单元，用于统计多个第三兔子识别结果的数量，从而得到预测的第三兔子数量；判断所述第三兔子数量是否超过预设的数量阈值；
一号老鼠识别结果获取单元，用于若所述第三兔子数量超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第二老鼠识别模型中进行处理，从而得到所述第二老鼠识别模型输出的多个一号老鼠识别结果；统计多个一号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别；
二号老鼠识别结果获取单元，用于若所述第三兔子数量不超过预设的数量阈值，则将所述待处理的热感应图像数据输入所述第三老鼠识别模型中进行处理，从而得到所述第三老鼠识别模型输出的多个二号老鼠识别结果；统计多个二号老鼠识别结果的数量，从而得到预测的老鼠数量，并根据预测的老鼠数量与所述待分析区域的面积，预测出鼠害程度级别。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202110284973.2A 2021-03-17 2021-03-17 基于自适应感受野ssd的鼠害程度级别预测方法和装置 Active CN112801419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110284973.2A CN112801419B (zh) 2021-03-17 2021-03-17 基于自适应感受野ssd的鼠害程度级别预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110284973.2A CN112801419B (zh) 2021-03-17 2021-03-17 基于自适应感受野ssd的鼠害程度级别预测方法和装置

Publications (2)

Publication Number Publication Date
CN112801419A true CN112801419A (zh) 2021-05-14
CN112801419B CN112801419B (zh) 2021-08-27

Family

ID=75815523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110284973.2A Active CN112801419B (zh) 2021-03-17 2021-03-17 基于自适应感受野ssd的鼠害程度级别预测方法和装置

Country Status (1)

Country Link
CN (1) CN112801419B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496077A (zh) * 2011-12-06 2012-06-13 北京林业大学 林业有害生物灾害预测系统和方法
US20190354835A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Action detection by exploiting motion in receptive fields
CN110765901A (zh) * 2019-10-10 2020-02-07 中国农业科学院农业资源与农业区划研究所 一种基于物联网的农业灾害信息遥感提取系统及方法
CN111881728A (zh) * 2020-06-16 2020-11-03 四川师范大学 基于低空遥感的草地鼠害监测方法
CN112329751A (zh) * 2021-01-06 2021-02-05 北京道达天际科技有限公司 一种基于深度学习的多尺度遥感影像目标识别系统及方法
US20210050110A1 (en) * 2019-08-14 2021-02-18 Optum Technology, Inc. Cohort-based predictive data analysis

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496077A (zh) * 2011-12-06 2012-06-13 北京林业大学 林业有害生物灾害预测系统和方法
US20190354835A1 (en) * 2018-05-17 2019-11-21 International Business Machines Corporation Action detection by exploiting motion in receptive fields
US20210050110A1 (en) * 2019-08-14 2021-02-18 Optum Technology, Inc. Cohort-based predictive data analysis
CN110765901A (zh) * 2019-10-10 2020-02-07 中国农业科学院农业资源与农业区划研究所 一种基于物联网的农业灾害信息遥感提取系统及方法
CN111881728A (zh) * 2020-06-16 2020-11-03 四川师范大学 基于低空遥感的草地鼠害监测方法
CN112329751A (zh) * 2021-01-06 2021-02-05 北京道达天际科技有限公司 一种基于深度学习的多尺度遥感影像目标识别系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭正华 等: "基于自适应感受野的DC－SSD目标检测算法", 《工业控制计算机》 *

Also Published As

Publication number Publication date
CN112801419B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
Dinh et al. An algorithm for automatic localization and detection of rebars from GPR data of concrete bridge decks
CN108921026A (zh) 动物身份的识别方法、装置、计算机设备和存储介质
CN109784391A (zh) 基于多模型的样本标注方法及装置
Chen et al. A study on giant panda recognition based on images of a large proportion of captive pandas
CN112529012B (zh) 基于目标匹配的油气管道巡检方法、装置、设备及介质
CN108447057B (zh) 基于显著性和深度卷积网络的sar图像变化检测方法
Suma et al. CNN based leaf disease identification and remedy recommendation system
CN116012720B (zh) 基于高分遥感影像的农作物长势监测方法、设备及介质
CN110991220B (zh) 禽蛋检测、图像处理方法，装置、电子设备及存储介质
US11763179B2 (en) Apparatus and method for abnormal situation detection
CN112801419B (zh) 基于自适应感受野ssd的鼠害程度级别预测方法和装置
CN110866428A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN116778333A (zh) 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统
Dao et al. Automatic cattle location tracking using image processing
CN112035775A (zh) 基于随机森林模型的用户识别方法、装置和计算机设备
Hi et al. A deep learning approach for lantana camara weed detection and localization in the natural environment
CN114049205A (zh) 异常交易识别方法、装置、计算机设备和存储介质
CN112883822A (zh) 集预测与预防为一体的病虫害预测位置分析方法和装置
Avolio et al. Automatic Detection of Anomalous Time Trends from Satellite Image Series to Support Agricultural Monitoring
Nurhabib et al. Recognition and counting of oil palm tree with deep learning using satellite image
CN111754547B (zh) 一种暗光环境肉鸡的多目标自动识别跟踪定位方法
CN114092516B (zh) 一种多目标跟踪检测方法、装置、设备及介质
CN114882357B (zh) 基于双重追踪的水稻白叶枯病防治方法与装置
Maile et al. The successes and pitfalls: Deep‐learning effectiveness in a Chernobyl field camera trap application
Vijayalakshmi et al. Early prediction of plant disease using AI enabled IOT

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