CN115797789A - 基于级联检测器的水稻害虫监测系统、方法和存储介质 - Google Patents
基于级联检测器的水稻害虫监测系统、方法和存储介质 Download PDFInfo
- Publication number
- CN115797789A CN115797789A CN202310136633.4A CN202310136633A CN115797789A CN 115797789 A CN115797789 A CN 115797789A CN 202310136633 A CN202310136633 A CN 202310136633A CN 115797789 A CN115797789 A CN 115797789A
- Authority
- CN
- China
- Prior art keywords
- layer
- branch
- feature
- module
- characteristic
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于级联检测器的水稻害虫监测系统、方法和存储介质,所述系统包括数据采集模块、数据处理模块、监测模块,数据处理模块用于搭建网络模型并采用训练集训练网络模型;网络模型包括双线性卷积神经网络、全尺度特征增强模块、渐进式级联检测器;所述渐进式级联检测器用于进行分类定位,且包括从上至下依次设置的若干个层级,每一层级分别设置有类别分类分支和位置定位回归分支,相邻层级间的类别分类分支通过自注意力模块连接;相邻层级间的位置定位回归分支通过空间注意力模块连接。本发明的渐进式级联检测器由粗到细地处理目标检测任务,并通过注意力机制自顶向下逐步优化,检测性能得到大大提高,具有较好的实用性。
Description
技术领域
本发明属于目标检测的技术领域,具体涉及一种基于级联检测器的水稻害虫监测系统、方法和存储介质。
背景技术
随着地球气候的变化、环境的污染和农作物栽培方式的变换,农作物害虫经常出现,有时还会出现重大损失情况。农业作为我国经济发展的重要因素之一,国家积极推进害虫防治技术的创新,将多学科与农业结合,智能化监测病虫害出现的种类,提高农作物的产量和资源利用率。
水稻是我国最重要的粮食农作物,所以如何智能化监测水稻害虫的发生,是大多数研究者热烈讨论的问题之一。农田中针对害虫的防治手段有很多种,其中包括化学药剂喷洒、诱捕灯、雷达辐射等方法,但这些方法需预先调研害虫的种类,针对性的放置药物和性诱剂,否则造成害虫的耐药性和逃脱,导致防治失败。目前,水稻害虫的监测方法包含人工调查和基于人工智能的方法,通过监测田间出现的害虫种类,针对性地部署灭虫手段,大大减少害虫带来的损失。人工调查主要是通过专业人员定期到田间,对捕获的害虫进行抽样调查,这种方法过于主观,依赖于专业人员的经验,费时费力。而基于人工智能的方法主要是通过机器视觉技术,实现水稻害虫的无接触式检测识别,能同时处理多种害虫,避免了人为因素带来的误检。
目前,大多数水稻害虫监测方法是通用方法迁移学习得来的,都是某些特定的类别和单一的背景,但实际的农田监测环境更为复杂,已有的监测方法无法对小目标害虫进行分类,而且害虫之间外貌相似,更加增加了区分的难度。因此,急需一种分类精度高、易部署的水稻害虫监测方法,能准确地处理小型害虫,对复杂背景泛化性强,及时向工作人员可视化监测结果,为后续的防治工作提供有力的参考基础。
发明内容
本发明的目的在于提供一种基于级联检测器的水稻害虫监测系统、方法和存储介质,旨在解决上述的问题。
本发明主要通过以下技术方案实现:
一种基于级联检测器的水稻害虫监测系统,包括数据采集模块、数据处理模块、监测模块,所述数据采集模块用于收集不同环境下的水稻害虫图像,并标注出害虫类别和定位框标签,形成训练集;所述数据处理模块用于搭建网络模型并采用训练集训练网络模型;所述监测模块用于将待检测图像输入训练后的网络模型并输出水稻害虫监测结果;所述网络模型包括从前至后依次设置的双线性卷积神经网络、全尺度特征增强模块、渐进式级联检测器;所述双线性卷积神经网络用于提取样本的深层特征信息,所述全尺度特征增强模块用于融合生成特征金字塔,所述渐进式级联检测器用于进行分类定位;所述渐进式级联检测器包括从上至下依次设置的若干个层级,每一层级分别设置有类别分类分支和位置定位回归分支,相邻层级间的类别分类分支通过自注意力模块连接,且相邻的自注意力模块相互连接;相邻层级间的位置定位回归分支通过空间注意力模块连接,且相邻的空间注意力模块相互连接;所述网络模型的损失函数包括类别分类损失函数和位置回归损失函数,所述渐进式级联检测器的每一层级都将类别分类损失函数和位置回归损失函数作为指导损失函数,用于优化预测值与真实值之间的损失。
为了更好地实现本发明,进一步地,所述渐进式级联检测器包括第一注意力模块、第二注意力模块、第一空间注意力模块、第二空间注意力模块,以及从上至下依次设置的第一层级、第二层级、第三层级;所述第一层级的类别分类分支通过第一自注意力模块与第二层级的类别分类分支连接,所述第一注意力模块通过第二自注意力模块与第三层级的类别分类分支连接;所述第一层级的位置定位回归分支通过第一空间注意力模块与第二层级的位置定位回归分支连接,所述第一注意力模块通过第二空间注意力模块与第三层级的位置定位回归分支连接。
为了更好地实现本发明,进一步地,所述全尺度特征增强模块包括从上至下依次设置的若干个分支,相邻分支通过特征拼接层连接,且相邻特征拼接层相互连接;最后一个分支的特征拼接层的输出端分别连接最大值池化层、平均池化层连接,且最大值池化层、平均池化层的输出端分别通过特征拼接层与S型生长曲线函数连接,所述S型生长曲线函数分别通过特征相乘层与之前的分支的输入端连接;相邻特征相乘层通过上采样层与特征相加层连接。
为了更好地实现本发明,进一步地,所述全尺度特征增强模块包括从上至下依次设置的第一分支、第二分支、第三分支、第四分支,所述第一分支、第二分支、第三分支、第四分支上分别从前至后依次设置有初始卷积层、卷积层、批归一化层、修正线性单元层;所述第一分支、第二分支的输出端分别与第一特征拼接层连接,所述第一特征拼接层、第三分支的输出端分别与第二特征拼接层连接,所述第二特征拼接层、第四分支的输出端分别与第三特征拼接层连接;所述第三特征拼接层分别与最大值池化层、平均池化层连接,且最大值池化层、平均池化层的输出端分别通过第四特征拼接层与S型生长曲线函数连接;所述S型生长曲线函数分别通过第一特征相乘层、第二特征相乘层、第三特征相乘层与第一分支、第二分支、第三分支的输入端连接,所述第三特征相乘层通过上采样层与第二特征相加层连接,且第二特征相加层与第二特征相乘层连接;所述第二特征相乘层通过上采样层与第一特征相加层连接,且第一特征相加层与第二特征相乘层连接。
为了更好地实现本发明,进一步地,所述类别分类损失函数采用焦点损失函数,所述位置回归损失函数采用平滑L1函数。
本发明主要通过以下技术方案实现:
一种基于级联检测器的水稻害虫监测方法,采用上述的系统进行,包括以下步骤:
步骤S100:利用监测设备和诱捕器拍摄不同环境下的水稻害虫图像,并人工标注出害虫类别和定位框标签,对应整理生成训练集;
步骤S200:建立网络模型,首先利用双线性卷积神经网络提取样本的深层特征信息,然后利用全尺度特征增强模块融合生成特征金字塔,最后使用渐进式级联检测器进行分类定位;
步骤S300:预先设置网络模型训练所需的超参数,然后选择随机梯度下降法作为优化器,迭代优化计算,随机初始化网络模型训练中产生的相关权重参数,直到训练次数达到最大迭代次数,中止训练,最后从保存的网络模型中测试择优,得到训练后的网络模型;
步骤S400:将检测图片输入训练后的网络模型并输出水稻害虫监测结果。
为了更好地实现本发明,进一步地,所述步骤S200中,所述双线性卷积神经网络通过特征点的加操作将不同路径、同层次的卷积特征汇集起来,从而增强特征表示。
为了更好地实现本发明,进一步地,所述全尺度特征增强模块首先以最小的尺寸为标准,融合所有尺度的特征信息,然后分别与不同尺度的特征信息融合,引入注意力机制进行特征交互,增强特征信息的细粒度,最后生成增强版特征金字塔。
为了更好地实现本发明,进一步地,所述渐进式级联检测器的层级之间引入自注意力模块,以将分类能力渐进式地传递,而空间注意力模块则是传递空间细节能力,提高网络模型的定位。
一种计算机可读存储介质,存储有计算机程序指令,所述程序指令被处理器执行时实现上述的方法。
本发明的有益效果如下:
(1)所述全尺度特征增强模块首先以最小的尺寸为标准,融合所有尺度的特征信息,然后分别与不同尺度的特征信息融合,引入注意力机制进行特征交互,增强特征信息的细粒度,最后生成增强版特征金字塔;
(2)所述渐进式级联检测器采用自顶向下结构,一层级的类别分类分支通过自注意力模块与下一层级的类别分类分支相连,而一层级的位置定位回归分支通过空间注意力模块与下一层级的位置定位回归分支相连,实现了由粗到细的提炼检测能力;
(3)本发明利用全尺度特征增强模块增加特征信息的细粒度,为检测器部分提供准确的目标特征信息,而且渐进式级联检测器由粗到细地处理目标检测任务,并通过注意力机制自顶向下逐步优化,检测性能得到大大提高,具有较好的实用性;
(4)本发明通过在多尺度特征之间交互增强表征能力和细粒度,提高模型对小目标的检测能力,使类间差异增大,更好的区分前景背景,提升分类识别结果。由实验可得,本发明提出的方法与已有的方法相比较,能更好的处理多种类目标,泛化性更强,在目标粘连严重的情况下也能获取良好的检测结果,为后续的防治工作提供有力的参考基础。
附图说明
图1为网络模型的整体结构示意图;
图2为全尺度特征增强模块的结构示意图;
图3为渐进式级联检测器的结构示意图。
具体实施方式
实施例1:
一种基于级联检测器的水稻害虫监测系统,包括数据采集模块、数据处理模块、监测模块,所述数据采集模块用于收集不同环境下的水稻害虫图像,并标注出害虫类别和定位框标签,形成训练集;所述数据处理模块用于搭建网络模型并采用训练集训练网络模型;所述监测模块用于将待检测图像输入训练后的网络模型并输出水稻害虫监测结果。
如图1所示,所述网络模型包括从前至后依次设置的双线性卷积神经网络、全尺度特征增强模块、渐进式级联检测器;所述双线性卷积神经网络用于提取样本的深层特征信息,所述全尺度特征增强模块用于融合生成特征金字塔,所述渐进式级联检测器用于进行分类定位。如图3所示,所述渐进式级联检测器包括从上至下依次设置的若干个层级,每一层级分别设置有类别分类分支和位置定位回归分支,相邻层级间的类别分类分支通过自注意力模块连接,且相邻的自注意力模块相互连接;相邻层级间的位置定位回归分支通过空间注意力模块连接,且相邻的空间注意力模块相互连接;所述网络模型的损失函数包括类别分类损失函数和位置回归损失函数,所述渐进式级联检测器的每一层级都将类别分类损失函数和位置回归损失函数作为指导损失函数,用于优化预测值与真实值之间的损失。
优选地,所述类别分类损失函数采用焦点损失函数,所述位置回归损失函数采用平滑L1函数。
优选地,如图2所示,所述全尺度特征增强模块包括从上至下依次设置的若干个分支,相邻分支通过特征拼接层连接,且相邻特征拼接层相互连接;最后一个分支的特征拼接层的输出端分别连接最大值池化层、平均池化层连接,且最大值池化层、平均池化层的输出端分别通过特征拼接层与S型生长曲线函数连接,所述S型生长曲线函数分别通过特征相乘层与之前的分支的输入端连接;相邻特征相乘层通过上采样层与特征相加层连接;
优选地,如图2所示,所述全尺度特征增强模块包括从上至下依次设置的第一分支、第二分支、第三分支、第四分支,所述第一分支、第二分支、第三分支、第四分支上分别从前至后依次设置有初始卷积层、卷积层、批归一化层、修正线性单元层;所述第一分支、第二分支的输出端分别与第一特征拼接层连接,所述第一特征拼接层、第三分支的输出端分别与第二特征拼接层连接,所述第二特征拼接层、第四分支的输出端分别与第三特征拼接层连接;所述第三特征拼接层分别与最大值池化层、平均池化层连接,且最大值池化层、平均池化层的输出端分别通过第四特征拼接层与S型生长曲线函数连接;所述S型生长曲线函数分别通过第一特征相乘层、第二特征相乘层、第三特征相乘层与第一分支、第二分支、第三分支的输入端连接,所述第三特征相乘层通过上采样层与第二特征相加层连接,且第二特征相加层与第二特征相乘层连接;所述第二特征相乘层通过上采样层与第一特征相加层连接,且第一特征相加层与第二特征相乘层连接。
本发明利用全尺度特征增强模块增加特征信息的细粒度,为检测器部分提供准确的目标特征信息,而且渐进式级联检测器由粗到细地处理目标检测任务,并通过注意力机制自顶向下逐步优化,检测性能得到大大提高,具有较好的实用性。
实施例2:
一种基于级联检测器的水稻害虫监测方法,采用上述的系统进行,包括以下步骤:
步骤S100:利用监测设备和诱捕器拍摄不同环境下的水稻害虫图像,并人工标注出害虫类别和定位框标签,对应整理生成训练集;
步骤S200:建立网络模型,首先利用双线性卷积神经网络提取样本的深层特征信息,然后利用全尺度特征增强模块融合生成特征金字塔,最后使用渐进式级联检测器进行分类定位;
步骤S300:预先设置网络模型训练所需的超参数,然后选择随机梯度下降法作为优化器,迭代优化计算,随机初始化网络模型训练中产生的相关权重参数,直到训练次数达到最大迭代次数,中止训练,最后从保存的网络模型中测试择优,得到训练后的网络模型;
步骤S400:将检测图片输入训练后的网络模型并输出水稻害虫监测结果。
优选地,所述步骤S200中,所述双线性卷积神经网络通过特征点的加操作将不同路径、同层次的卷积特征汇集起来,从而增强特征表示。
优选地,所述全尺度特征增强模块首先以最小的尺寸为标准,融合所有尺度的特征信息,然后分别与不同尺度的特征信息融合,引入注意力机制进行特征交互,增强特征信息的细粒度,最后生成增强版特征金字塔。
优选地,所述渐进式级联检测器的层级之间引入自注意力模块,以将分类能力渐进式地传递,而空间注意力模块则是传递空间细节能力,提高网络模型的定位。
本发明利用全尺度特征增强模块增加特征信息的细粒度,为检测器部分提供准确的目标特征信息,而且渐进式级联检测器由粗到细地处理目标检测任务,并通过注意力机制自顶向下逐步优化,检测性能得到大大提高,具有较好的实用性。
实施例3:
一种基于渐进式级联检测器的水稻害虫监测方法,包括以下步骤:
利用监测设备和诱捕器拍摄不同环境下的水稻害虫图像,并人工标注出害虫类别和定位框标签,一一对应整理生成训练集;
根据目标像素占比小且类间相似度高的特性,设计出一种级联检测的方法,如图1所示,首先利用双线性卷积神经网络提取样本的深层特征信息,然后利用全尺度特征增强模块融合生成特征金字塔,最后使用渐进式级联检测器进行分类定位;
每一级连接的检测器都将类别分类损失函数和位置回归损失函数作为指导损失函数,用于优化预测值与真实值之间的损失;
预先设置模型训练所需的超参数,然后选择随机梯度下降法作为优化器,迭代优化计算,随机初始化模型训练中产生的相关权重参数,直到训练次数达到最大迭代次数,中止训练,最后从保存的模型中测试择优。
进一步地,如图1所示,所述的网络模型主要由双线性卷积神经网络、全尺度特征增强模块以及渐进式级联检测器构成,双线性卷积神经网络是常用于提取细粒度特征的结构之一,通过特征点加操作将不同路径、同层次的卷积特征汇集起来,从而增强特征表示。
进一步地,如图2所示,所述的全尺度特征增强模块从前至后由卷积层、批归一化层、激活函数层、最大值池化层、平均池化层、特征上采样层、特征拼接层、特征相加层以及特征相乘层构成。该模块首先以最小的尺寸为标准,融合所有尺度的特征信息,然后分别与不同尺度的特征信息融合,引入注意力机制进行特征交互,增强特征信息的细粒度,最后生成增强版特征金字塔。
进一步地,如图3所示,所述的渐进式级联检测器主要由类别分类分支、位置定位回归分支、自注意力模块以及空间注意力模块构成,检测器主要设置在下采样倍数为8、4、2的特征信息上,采用自顶向下结构,一层级的类别分类分支通过自注意力模块与下一层级的类别分类分支相连,而一层级的位置定位回归分支通过空间注意力模块与下一层级的位置定位回归分支相连,由粗到细的提炼检测能力。层级之间引入的自注意力模块可以将分类能力渐进式地传递,而空间注意力模块则是传递空间细节能力,提高模型的定位。
更进一步地,所述的损失函数分为类别分类损失函数和位置回归损失函数作为指导损失函数,类别分类损失函数采用焦点损失函数,而位置回归损失函数采用平滑L1函数。
本发明利用全尺度特征增强模块增加特征信息的细粒度,为检测器部分提供准确的目标特征信息,而且渐进式级联检测器由粗到细地处理目标检测任务,并通过注意力机制自顶向下逐步优化,检测性能得到大大提高,具有较好的实用性。
实施例4:
一种基于级联检测器的水稻害虫监测系统,包括数据采集模块、数据处理模块、监测模块,所述数据采集模块用于收集不同环境下的水稻害虫图像,并标注出害虫类别和定位框标签,形成训练集;所述数据处理模块用于搭建网络模型并采用训练集训练网络模型;所述监测模块用于将待检测图像输入训练后的网络模型并输出水稻害虫监测结果。
优选地,如图1所示,整个网络模型主要由双线性卷积神经网络、全尺度特征增强模块以及渐进式级联检测器构成,双线性卷积神经网络是常用于提取细粒度特征的结构之一,通过特征点加操作将不同路径、同层次的卷积特征汇集起来,从而增强特征表示。核心处理流程是首先将任意大小的图像输入到双线性卷积网络中,提取深度特征信息,通过线性结构增加特征信息的细粒度,然后通过全尺度特征增强模块融合多尺度特征,并利用注意力机制调整每层级特征信息的关注力,引入注意力机制进行特征交互,生成增强版特征金字塔,进一步加强了模型对目标的特征表示能力,在细粒度方面加大了类间的差异,最后利用渐进式级联检测器自顶向下逐步提炼检测结果,从而提高模型对小目标害虫的检测精度,尤其是粘连部分重合的目标多的情况。
优选地,如图2所示,全尺度特征增强模块从前至后由卷积层、批归一化层、激活函数层、最大值池化层、平均池化层、特征上采样层、特征拼接层、特征相加层以及特征相乘层构成。该模块首先利用步长为2的卷积层下采样特征信息,再利用卷积组合块对特征信息进行变维,降低权重参数计算量,然后以最小的尺寸为标准,融合所有尺度的特征信息,并利用平均池化层、最大值池化层和S型生长曲线函数进行注意力机制交互,最后自底向上通过特征相加融合生成增强版特征金字塔。与已有的特征金字塔方法相比,全尺度特征增强模块引入注意力机制进行特征交互,可以有效地增强模型对前景背景的对比学习,而已有的特征金字塔只有层级之间的融合,并没有层级之间的交互,全尺度特征增强模块能更好地处理小目标,具有较好的泛化性。
优选地,如图3所示,渐进式级联检测器主要由类别分类分支、位置定位回归分支、自注意力模块以及空间注意力模块构成,检测器主要设置在下采样倍数为8、4、2的特征信息上,采用自顶向下结构,一层级的类别分类分支通过自注意力模块与下一层级的类别分类分支相连,自注意力模块特征映射公式如下:
公式中分别表示当前处理层级的类别分类分支和上一层级的类别分类分支,表示类别分类分支卷积组合块处理后的特征信息,d表示特征信息的维度,softmax是柔性最大值函数,进行归一化处理。而一层级的位置定位回归分支通过空间注意力模块与下一层级的位置定位回归分支相连,由粗到细的提炼检测能力,空间注意力模块特征映射公式如下:
公式中分别表示当前处理层级的位置定位回归分支和上一层级的位置定位回归分支,sigmoid表示S型生长曲线函数,conv表示卷积层处理,表示位置定位回归分支卷积组合块处理后的特征信息。层级之间引入的自注意力模块可以将分类能力渐进式地传递,而空间注意力模块则是传递空间细节能力,提高模型的定位。
在网络模型部署完成后,预先设置模型训练所需的超参数,然后选择随机梯度下降法作为优化器,迭代优化计算,随机初始化模型训练中产生的相关权重参数,直到训练次数达到最大迭代次数,中止训练,最后从保存的模型中测试择优,以进行后续的水稻害虫监测。
本发明通过在多尺度特征之间交互增强表征能力和细粒度,提高模型对小目标的检测能力,使类间差异增大,更好的区分前景背景,提升分类识别结果。由实验可得,本发明提出的方法与已有的方法相比较,能更好的处理多种类目标,泛化性更强,在目标粘连严重的情况下也能获取良好的检测结果,为后续的防治工作提供有力的参考基础。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种基于级联检测器的水稻害虫监测系统,其特征在于,包括数据采集模块、数据处理模块、监测模块,所述数据采集模块用于收集不同环境下的水稻害虫图像,并标注出害虫类别和定位框标签,形成训练集;所述数据处理模块用于搭建网络模型并采用训练集训练网络模型;所述监测模块用于将待检测图像输入训练后的网络模型并输出水稻害虫监测结果;所述网络模型包括从前至后依次设置的双线性卷积神经网络、全尺度特征增强模块、渐进式级联检测器;所述双线性卷积神经网络用于提取样本的深层特征信息,所述全尺度特征增强模块用于融合生成特征金字塔,所述渐进式级联检测器用于进行分类定位;
所述渐进式级联检测器包括从上至下依次设置的若干个层级,每一层级分别设置有类别分类分支和位置定位回归分支,相邻层级间的类别分类分支通过自注意力模块连接,且相邻的自注意力模块相互连接;相邻层级间的位置定位回归分支通过空间注意力模块连接,且相邻的空间注意力模块相互连接;所述网络模型的损失函数包括类别分类损失函数和位置回归损失函数,所述渐进式级联检测器的每一层级都将类别分类损失函数和位置回归损失函数作为指导损失函数,用于优化预测值与真实值之间的损失。
2.根据权利要求1所述的一种基于级联检测器的水稻害虫监测系统,其特征在于,所述渐进式级联检测器包括第一注意力模块、第二注意力模块、第一空间注意力模块、第二空间注意力模块,以及从上至下依次设置的第一层级、第二层级、第三层级;所述第一层级的类别分类分支通过第一自注意力模块与第二层级的类别分类分支连接,所述第一注意力模块通过第二自注意力模块与第三层级的类别分类分支连接;所述第一层级的位置定位回归分支通过第一空间注意力模块与第二层级的位置定位回归分支连接,所述第一注意力模块通过第二空间注意力模块与第三层级的位置定位回归分支连接。
3.根据权利要求1或2所述的一种基于级联检测器的水稻害虫监测系统,其特征在于,所述全尺度特征增强模块包括从上至下依次设置的若干个分支,相邻分支通过特征拼接层连接,且相邻特征拼接层相互连接;最后一个分支的特征拼接层的输出端分别连接最大值池化层、平均池化层连接,且最大值池化层、平均池化层的输出端分别通过特征拼接层与S型生长曲线函数连接,所述S型生长曲线函数分别通过特征相乘层与之前的分支的输入端连接;相邻特征相乘层通过上采样层与特征相加层连接。
4.根据权利要求3所述的一种基于级联检测器的水稻害虫监测系统,其特征在于,所述全尺度特征增强模块包括从上至下依次设置的第一分支、第二分支、第三分支、第四分支,所述第一分支、第二分支、第三分支、第四分支上分别从前至后依次设置有初始卷积层、卷积层、批归一化层、修正线性单元层;所述第一分支、第二分支的输出端分别与第一特征拼接层连接,所述第一特征拼接层、第三分支的输出端分别与第二特征拼接层连接,所述第二特征拼接层、第四分支的输出端分别与第三特征拼接层连接;所述第三特征拼接层分别与最大值池化层、平均池化层连接,且最大值池化层、平均池化层的输出端分别通过第四特征拼接层与S型生长曲线函数连接;所述S型生长曲线函数分别通过第一特征相乘层、第二特征相乘层、第三特征相乘层与第一分支、第二分支、第三分支的输入端连接,所述第三特征相乘层通过上采样层与第二特征相加层连接,且第二特征相加层与第二特征相乘层连接;所述第二特征相乘层通过上采样层与第一特征相加层连接,且第一特征相加层与第二特征相乘层连接。
5.根据权利要求1所述的一种基于级联检测器的水稻害虫监测系统,其特征在于,所述类别分类损失函数采用焦点损失函数,所述位置回归损失函数采用平滑L1函数。
6.一种基于级联检测器的水稻害虫监测方法,采用权利要求1-5任一项所述的系统进行,其特征在于,包括以下步骤:
步骤S100:利用监测设备和诱捕器拍摄不同环境下的水稻害虫图像,并人工标注出害虫类别和定位框标签,对应整理生成训练集;
步骤S200:建立网络模型,首先利用双线性卷积神经网络提取样本的深层特征信息,然后利用全尺度特征增强模块融合生成特征金字塔,最后使用渐进式级联检测器进行分类定位;
步骤S300:预先设置网络模型训练所需的超参数,然后选择随机梯度下降法作为优化器,迭代优化计算,随机初始化网络模型训练中产生的相关权重参数,直到训练次数达到最大迭代次数,中止训练,最后从保存的网络模型中测试择优,得到训练后的网络模型;
步骤S400:将检测图片输入训练后的网络模型并输出水稻害虫监测结果。
7.根据权利要求6所述的一种基于级联检测器的水稻害虫监测方法,其特征在于,所述步骤S200中,所述双线性卷积神经网络通过特征点的加操作将不同路径、同层次的卷积特征汇集起来,从而增强特征表示。
8.根据权利要求7所述的一种基于级联检测器的水稻害虫监测方法,其特征在于,所述全尺度特征增强模块首先以最小的尺寸为标准,融合所有尺度的特征信息,然后分别与不同尺度的特征信息融合,引入注意力机制进行特征交互,增强特征信息的细粒度,最后生成增强版特征金字塔。
9.根据权利要求8所述的一种基于级联检测器的水稻害虫监测方法,其特征在于,所述渐进式级联检测器的层级之间引入自注意力模块,以将分类能力渐进式地传递,而空间注意力模块则是传递空间细节能力,提高网络模型的定位。
10.一种计算机可读存储介质,存储有计算机程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求6-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136633.4A CN115797789B (zh) | 2023-02-20 | 2023-02-20 | 基于级联检测器的水稻害虫监测系统、方法和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136633.4A CN115797789B (zh) | 2023-02-20 | 2023-02-20 | 基于级联检测器的水稻害虫监测系统、方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797789A true CN115797789A (zh) | 2023-03-14 |
CN115797789B CN115797789B (zh) | 2023-05-30 |
Family
ID=85431025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310136633.4A Active CN115797789B (zh) | 2023-02-20 | 2023-02-20 | 基于级联检测器的水稻害虫监测系统、方法和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797789B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055718A1 (en) * | 2014-08-19 | 2016-02-25 | Bally Gaming, Inc. | Gaming device, system and method for providing cascading progressive awards |
JP2017165684A (ja) * | 2016-03-16 | 2017-09-21 | 日本曹達株式会社 | イネの病害を防除する方法 |
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
CN111127423A (zh) * | 2019-12-23 | 2020-05-08 | 金陵科技学院 | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 |
CN112129631A (zh) * | 2020-09-16 | 2020-12-25 | 浙江久立特材科技股份有限公司 | 一种基于全尺寸应变强化的冷变形模具工作曲线设计方法 |
CN112347859A (zh) * | 2020-10-15 | 2021-02-09 | 北京交通大学 | 一种光学遥感图像显著性目标检测方法 |
CN112470160A (zh) * | 2018-07-31 | 2021-03-09 | 三星电子株式会社 | 个性化自然语言理解的装置和方法 |
CN113850825A (zh) * | 2021-09-27 | 2021-12-28 | 太原理工大学 | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
CN114638794A (zh) * | 2022-03-04 | 2022-06-17 | 南京理工大学 | 基于深度学习和slam技术的裂缝检测与三维定位方法 |
CN114926343A (zh) * | 2022-06-08 | 2022-08-19 | 南京大学 | 一种基于金字塔融合注意力网络的图像超分辨率方法 |
CN114937154A (zh) * | 2022-06-02 | 2022-08-23 | 中南大学 | 一种基于递归解码器的显著性检测方法 |
CN114998840A (zh) * | 2022-07-18 | 2022-09-02 | 成都东方天呈智能科技有限公司 | 一种基于深度级联有监督学习的老鼠目标检测方法 |
CN115050022A (zh) * | 2022-06-08 | 2022-09-13 | 合肥工业大学 | 一种基于多层级自适应注意力的农作物病虫害识别方法 |
CN115116054A (zh) * | 2022-07-13 | 2022-09-27 | 江苏科技大学 | 一种基于多尺度轻量级网络的病虫害识别方法 |
CN115359331A (zh) * | 2022-08-29 | 2022-11-18 | 安徽大学 | 面向Transformer的多尺度特征增强模块 |
CN115512251A (zh) * | 2022-11-04 | 2022-12-23 | 深圳市瓴鹰智能科技有限公司 | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 |
CN115546735A (zh) * | 2022-11-28 | 2022-12-30 | 四川川锅环保工程有限公司 | 一种冷却塔结冰检测识别系统、方法和存储介质 |
CN115620125A (zh) * | 2022-09-05 | 2023-01-17 | 北京遥感设备研究所 | 一种基于时空渐进式学习的抗干扰方法及装置 |
-
2023
- 2023-02-20 CN CN202310136633.4A patent/CN115797789B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055718A1 (en) * | 2014-08-19 | 2016-02-25 | Bally Gaming, Inc. | Gaming device, system and method for providing cascading progressive awards |
JP2017165684A (ja) * | 2016-03-16 | 2017-09-21 | 日本曹達株式会社 | イネの病害を防除する方法 |
CN112470160A (zh) * | 2018-07-31 | 2021-03-09 | 三星电子株式会社 | 个性化自然语言理解的装置和方法 |
CN109711471A (zh) * | 2018-12-28 | 2019-05-03 | 井冈山大学 | 一种基于深度卷积神经网络的水稻病害图像识别方法 |
CN111127423A (zh) * | 2019-12-23 | 2020-05-08 | 金陵科技学院 | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 |
CN112129631A (zh) * | 2020-09-16 | 2020-12-25 | 浙江久立特材科技股份有限公司 | 一种基于全尺寸应变强化的冷变形模具工作曲线设计方法 |
CN112347859A (zh) * | 2020-10-15 | 2021-02-09 | 北京交通大学 | 一种光学遥感图像显著性目标检测方法 |
CN113850825A (zh) * | 2021-09-27 | 2021-12-28 | 太原理工大学 | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
CN114638794A (zh) * | 2022-03-04 | 2022-06-17 | 南京理工大学 | 基于深度学习和slam技术的裂缝检测与三维定位方法 |
CN114937154A (zh) * | 2022-06-02 | 2022-08-23 | 中南大学 | 一种基于递归解码器的显著性检测方法 |
CN114926343A (zh) * | 2022-06-08 | 2022-08-19 | 南京大学 | 一种基于金字塔融合注意力网络的图像超分辨率方法 |
CN115050022A (zh) * | 2022-06-08 | 2022-09-13 | 合肥工业大学 | 一种基于多层级自适应注意力的农作物病虫害识别方法 |
CN115116054A (zh) * | 2022-07-13 | 2022-09-27 | 江苏科技大学 | 一种基于多尺度轻量级网络的病虫害识别方法 |
CN114998840A (zh) * | 2022-07-18 | 2022-09-02 | 成都东方天呈智能科技有限公司 | 一种基于深度级联有监督学习的老鼠目标检测方法 |
CN115359331A (zh) * | 2022-08-29 | 2022-11-18 | 安徽大学 | 面向Transformer的多尺度特征增强模块 |
CN115620125A (zh) * | 2022-09-05 | 2023-01-17 | 北京遥感设备研究所 | 一种基于时空渐进式学习的抗干扰方法及装置 |
CN115512251A (zh) * | 2022-11-04 | 2022-12-23 | 深圳市瓴鹰智能科技有限公司 | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 |
CN115546735A (zh) * | 2022-11-28 | 2022-12-30 | 四川川锅环保工程有限公司 | 一种冷却塔结冰检测识别系统、方法和存储介质 |
Non-Patent Citations (5)
Title |
---|
GUO, Z. 等: "Multi-level feature fusion pyramid network for object detection" * |
ZHANG, ZHENHUA 等: "MFE: Multi-scale Feature Enhancement for Object Detection" * |
ZHENG, H. 等: "Feature Enhancement for Multi-scale Object Detection" * |
杜亮: "基于深度学习的行人重识别研究" * |
杨哲: "无约束场景下人脸检测方法研究与轻量级实现" * |
Also Published As
Publication number | Publication date |
---|---|
CN115797789B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bellver Bueno et al. | Hierarchical object detection with deep reinforcement learning | |
Chen et al. | Detecting citrus in orchard environment by using improved YOLOv4 | |
Andrianto et al. | Smartphone application for deep learning-based rice plant disease detection | |
Junos et al. | An optimized YOLO‐based object detection model for crop harvesting system | |
CN113486846A (zh) | 从具有大视野的图像中进行疾病识别 | |
Tetila et al. | A deep-learning approach for automatic counting of soybean insect pests | |
Tufail et al. | Identification of tobacco crop based on machine learning for a precision agricultural sprayer | |
Ennadifi et al. | Wheat diseases classification and localization using convolutional neural networks and GradCAM visualization | |
Roldán-Serrato et al. | Automatic pest detection on bean and potato crops by applying neural classifiers | |
Radha et al. | A polyhouse: plant monitoring and diseases detection using CNN | |
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 | |
Hemalatha et al. | Sugarcane leaf disease detection through deep learning | |
Tian et al. | Tomato leaf diseases recognition based on deep convolutional neural networks | |
Parez et al. | Towards Sustainable Agricultural Systems: A Lightweight Deep Learning Model for Plant Disease Detection. | |
Mendoza-Bernal et al. | A Convolutional Neural Network approach for image-based anomaly detection in smart agriculture | |
CN115797789B (zh) | 基于级联检测器的水稻害虫监测系统、方法和存储介质 | |
Singh et al. | Leaf Disease Detection Using Deep Neural Network | |
Suvarna et al. | Enhancing crop health by identifying leaf disease with high accuracy using CNN | |
Slim et al. | Smart insect monitoring based on YOLOV5 case study: Mediterranean fruit fly Ceratitis capitata and Peach fruit fly Bactrocera zonata | |
Verma et al. | Applicability of machine learning algorithms for intelligent farming | |
Xu et al. | Research on machine vision and deep learning based recognition of cotton seedling aphid infestation level | |
Badgujar et al. | Agricultural object detection with You Only Look Once (YOLO) Algorithm: A bibliometric and systematic literature review | |
Schnell | Plant detection and classification in agricultural fields | |
Sundaram et al. | Weedspedia: Deep Learning-Based Approach for Weed Detection using R-CNN, YoloV3 and Centernet | |
Vani et al. | An Innovative Method for Detecting Disease in Maize Crop Leaves using Deep Convolutional Neural Networks |
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 |