CN117636249A - 少样本学习的虫情监控与识别方法、装置、设备及介质 - Google Patents

少样本学习的虫情监控与识别方法、装置、设备及介质 Download PDF

Info

Publication number
CN117636249A
CN117636249A CN202311599370.7A CN202311599370A CN117636249A CN 117636249 A CN117636249 A CN 117636249A CN 202311599370 A CN202311599370 A CN 202311599370A CN 117636249 A CN117636249 A CN 117636249A
Authority
CN
China
Prior art keywords
pest
detection model
insect
condition detection
target
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
Application number
CN202311599370.7A
Other languages
English (en)
Inventor
陆翔
古成龙
田朝杰
汪婷
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.)
Left Bank Xinhui Shanghai Data Technology Co ltd
SHANGHAI ZUOANXINHUI ELECTRONIC TECHNOLOGY CO LTD
Original Assignee
Left Bank Xinhui Shanghai Data Technology Co ltd
SHANGHAI ZUOANXINHUI ELECTRONIC TECHNOLOGY CO LTD
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 Left Bank Xinhui Shanghai Data Technology Co ltd, SHANGHAI ZUOANXINHUI ELECTRONIC TECHNOLOGY CO LTD filed Critical Left Bank Xinhui Shanghai Data Technology Co ltd
Priority to CN202311599370.7A priority Critical patent/CN117636249A/zh
Publication of CN117636249A publication Critical patent/CN117636249A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种少样本学习的虫情监控与识别方法、装置、设备及介质。该方法包括：采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；采用所述目标虫情检测模型对新物种害虫进行监控与识别。本发明实施例使用虫情视觉数据收集装置诱导并捕获害虫，当检测到新物种害虫时，利用少样本学习算法对少量的新样本进行模型训练。本技术方案结合元学习和自注意力机制来实现有效的害虫种类监控和识别，即使在样本量很少的情况下也能保持高准确率。

Description

少样本学习的虫情监控与识别方法、装置、设备及介质
技术领域
本申请涉及虫害监控领域，尤其涉及一种少样本学习的虫情监控与识别方法、装置、设备及介质。
背景技术
农作物病虫害是世界范围内主要农业灾害之一，若病虫害发现与防治不及时，可能会对农业生产造成重大损失。准确识别田间害虫的类型，对于虫害的防治或测报具有重要意义。现有技术中，可以基于机器学习算法训练害虫识别模型，进而可以基于训练好地害虫识别模型进行害虫种类的识别。
然而，发明人发现相关技术中至少存在如下技术问题：
由于收集害虫样本往往需要专业的设备在指定地点进行采集，并且受各种随机性因素影响较大，因此整个领域都缺乏足够数量的害虫样本。现有技术中的机器学习系统往往依靠大量数据进行特征学习，而对于新物种的害虫，往往不存在大量数据。因此，如何基于少样本的害虫数据进行有效的学习成为了一个难点。
发明内容
本申请的一个目的是提供一种少样本学习的虫情监控与识别方法、装置、设备及介质，至少用以解决害虫样本获取困难以及病害虫样本数量的不足等问题，本申请的目的在于：提供了一种基于少样本学习的虫情监控与识别方法。该方法采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；采用所述目标虫情检测模型对新物种害虫进行监控与识别。本发明实施例构建了一种对新物种害虫的种类进行监控与识别的目标虫情检测模型；使用虫情视觉数据收集装置的灯光诱导并捕获害虫来收集样本，当检测到新物种害虫时，将利用少样本学习算法对少量的新样本进行模型训练。本发明实施例的技术方案结合元学习和自注意力机制来实现有效的害虫种类监控和识别，即使在样本量很少的情况下也能保持高准确率。
为实现上述目的，本申请的一些实施例提供了以下几个方面：
第一方面，本申请的一些实施例还提供了一种少样本学习的虫情监控与识别方法，所述方法包括：
采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；
对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；
依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；
采用所述目标虫情检测模型对新物种害虫进行监控与识别。
第二方面，本申请的一些实施例还提供了一种少样本学习的虫情监控与识别装置，所述装置包括：
害虫图像获取模块，用于采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；
数据集获取模块，用于对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；
目标虫情检测模型确定模块，用于依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；
害虫监控与识别模块，用于采用所述目标虫情检测模型对新物种害虫进行监控与识别。
第三方面，本申请的一些实施例还提供了一种计算机设备，所述设备包括：
一个或多个处理器；以及
存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如上所述的少样本学习的虫情监控与识别方法。
第四方面，本申请的一些实施例还提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如上所述的少样本学习的虫情监控与识别方法。
相较于现有技术，本申请实施例提供的方案中，通过采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；采用所述目标虫情检测模型对新物种害虫进行监控与识别。采用本发明实施例的技术方案，构建了一种对新物种害虫的种类进行监控与识别的目标虫情检测模型；使用虫情视觉数据收集装置的灯光诱导并捕获害虫来收集样本，当检测到新物种害虫时，将利用少样本学习算法对少量的新样本进行模型训练。本发明实施例的技术方案结合元学习和自注意力机制来实现有效的害虫种类监控和识别，即使在样本量很少的情况下也能保持高准确率。
附图说明
图1是本申请实施例一提供的少样本学习的虫情监控与识别方法的流程示意图；
图2是本申请实施例二提供的少样本学习的虫情监控与识别方法的流程示意图；
图3是本申请实施例三提供的少样本学习的虫情监控与识别装置的结构示意图；
图4是本申请实施例四提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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作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。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的技术方案进行详细地说明。
实施例一
图1是本申请实施例一提供的少样本学习的虫情监控与识别方法的流程示意图。如图1所示，具体包括如下步骤：该流程包括：
步骤S101，采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像。
其中，虫害可以是指有害的昆虫对植物生长造成的伤害，准确识别害虫的种类对虫害的防治具有重要意义。但害虫样本往往需要采用专用的设备在指定地点进行收集，受各种随机因素的影响所收集到的害虫样本数量较少；且在对害虫模型进行训练时需要大量数据。因此，本发明实施例提供了一种基于少样本学习的虫情监控与识别。
采用本发明实施例的技术方案，采用虫情视觉数据收集装置对害虫进行诱导并获取样本数据集；在检测到新物种时，基于少样本的害虫图像以及元学习算法对虫情检测模型进行训练，以得到目标虫情检测模型；采用所述目标虫情检测模型对新物种害虫进行监控与识别，即使在样本量很少的情况下也能保持高准确率。
在本申请一些实施例中，所述采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像，包括但不限于步骤A1-A2：
步骤A1：将虫情视觉数据收集装置部署在目标区域，并采用虫情视觉数据收集装置吸引并捕捉害虫，以获取害虫样本；所述虫情视觉数据收集装置包括智能虫情监测灯。
步骤A2：定期采用图像采集设备对虫情视觉数据收集装置中的害虫样本进行图像采集，确定害虫图像。
其中，在本发明实施例中以智能虫情监测灯作为虫情视觉数据收集装置，以CCD相机作为图像采集设备为例，获取害虫图像。将智能虫情监测灯部署在目标区域，利用灯光吸引害虫并通过电网捕捉害虫；定期使用高分辨率CCD相机捕捉智能虫情监测灯内害虫的图像。
本方案中，采用智能虫情监测灯的灯光吸引害虫并通过电网将害虫进行捕捉，可以在较短的时间内捕捉大量害虫，提供样本收集的效率。
步骤S102，对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集。
其中，对获取的害虫图像进行特征提取，并将提取的特征与已有的特征数据进行比对，将与已有的特征数据差异较大的特征作为新物种害虫新特征；其中，已有的特征数据可以是指已知害虫种类的特征数据。将所述新物种害虫特征进行标记，得到所述新物种害虫的样本数据集。
本发明实施例中，将新物种害虫进行标记，并应有于后续的少样本元学习算法中，可降低成本，实现依据原有模型对新物种害虫的识别。
在本申请一些实施例中，本发明实施例在对害虫图像进行特征提取前，还可以对害虫图像进行预处理，所述预处理包括但不限于对害虫图像进行图像增强处理，通过图像处理技术提高害虫图像质量，使得特征提取更为准确。
步骤S103，依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型。
其中，元学习可以是指利用以往的知识经验来指导新任务的学习，使网络具备学会学习的能力，是解决小样本问题(Few-shot Learning)常用的方法之一。在元学习中，训练单位是任务，一般有两个任务分别是训练任务(Train Tasks)和测试任务(Test Task)。训练任务要准备许多子任务来进行学习，目的是学习出一个较好的超参数，测试任务是利用训练任务学习出的超参数对特定任务进行训练。
本发明实施例中采用已知害虫种类的样本数据集构成多个子任务，采用所述多个子任务进行学习得到一个超参数；将所述超参数作为新物种害虫虫情检测模型的初始化参数，并采用所述超参数对新物种害虫识别任务进行训练，对所述新物种害虫虫情检测模型的初始化参数进行优化，并得到目标虫情检测模型。
步骤S104，采用所述目标虫情检测模型对新物种害虫进行监控与识别。
其中，在确定能够对新物种害虫进行识别检测的目标虫情检测模型后，采用所述目标虫情检测模型对新物种害虫进行监控与识别。例如，采用智能虫情监测灯获取害虫图像，并将所述害虫图像进行特征提取，将特征提取后的害虫图像输入至所述目标虫情检测模型中对所述害虫图像进行检测与识别，确定所述害虫图像对应的害虫种类。
在本发明实施例的一种可选方案中，采用所述目标虫情检测模型对害虫进行识别，在确定出现新物种害虫时可及时对新物种害虫进行干预。所述目标虫情检测模型可以有效地识别和监控害虫种类，即使在样本量稀缺的情况下也能保持高准确率。
本发明实施例提供了一种基于少样本学习的虫情监控与识别方法，通过采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；采用所述目标虫情检测模型对新物种害虫进行监控与识别。采用本发明实施例的技术方案，使用虫情视觉数据收集装置诱导并捕获害虫来收集样本，当检测到新物种害虫时，利用少样本学习算法对少量的新样本进行模型训练；采用训练得到的目标虫情检测模型可以有效地识别和监控害虫种类，即使在样本量稀缺的情况下也能保持高准确率。
实施例二
图2是本申请实施例二提供的少样本学习的虫情监控与识别方法的流程示意图。如图2所示，具体包括如下步骤：
步骤S201，采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像。
步骤S202，通过深度学习模型对所述害虫图像进行特征提取，确定害虫特征提取后的目标害虫图像。
其中，采用深度学习模型对害虫图像进行特征提取，以将害虫图像特征进行加权处理。所述害虫特征包括但不限于颜色、形状以及纹理特征。例如，本发明实施例中采用Transformer结构中的self-attention机制对害虫图像进行特征提取，以将害虫图像特征进行加权处理。
在本申请一些实施例中，所述通过深度学习模型对所述害虫图像进行特征提取，包括：
使用Transformer结构中的self-attention机制对害虫图像进行特征提取，公式如下：
其中，Q、K以及V分别是指查询、键以及值矩阵，Q、K以及V矩阵是由害虫图像特征经过线性变换得到的；dk是指键的维度。
其中，self-attention机制可以是指自注意力机制，可以视为一个特征提取层，给定输入特征a1,a2,…,an，经过自注意力层，融合每个输入特征，得到新的特征b1,b2,…,bn。例如，设害虫图像特征为I，将害虫图像特征I分别乘以三个矩阵Wq、Wk以及Wv得到Q、K以及V三个矩阵；将矩阵Q和KT相乘得到注意力矩阵；将所述注意力矩阵进行归一化，得到归一化后的注意力矩阵，其中注意力矩阵归一化可以是指将注意力矩阵除以调节因子以对注意力矩阵的输出值进行压缩；最后，将归一化后的注意力矩阵乘上V，得到害虫图像最后的输出特征。
步骤S203，依据所述害虫特征从害虫图像中确定新物种害虫图像，并将所述新物种害虫图像的特征进行标记得到目标数据集。
其中，获取害虫特征，并将所述害虫特征与已获取的特征数据进行比对，若存在与已获取的特征数据差异性较大的害虫特征数据，将所述害虫特征数据进行标记。由于已获取的特征数据是已知害虫种类的特征数据，则在获取到与已获取的特征数据差异性较大的害虫特征数据时，则表征所述害虫图像中存在新物种害虫图像；将所述新物种害虫图像特征进行标记，并确定为目标数据集。
步骤S204，依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型。
其中，在元学习过程中，将采用已知害虫种类的数据集得到的虫情检测模型的初始化参数进行优化，已得到能够检测新物种害虫的目标虫情检测模型。本发明实施例中通过对虫情检测模型的初始化参数进行优化更新，以在新任务上采用少量的新物种害虫样本数据对虫情检测模型进行训练，已得到目标虫情检测模型。
在本申请一些实施例中，所述依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型，包括但不限于步骤B1-B4：
步骤B1：将所述目标数据集拆分成训练集以及测试集，并将训练集进行拆分构成至少两个训练任务；所述训练集中包括支持集以及查询集。
步骤B2：确定虫情检测模型的初始化参数，并将所述初始化参数进行梯度计算确定梯度下降后的参数。
步骤B3：依据所述梯度下降后的参数确定至少两个训练任务的损失和，并依据所述损失和对初始化参数进行更新。
步骤B4：依据更新后的初始化参数对虫情检测模型进行训练，得到目标虫情检测模型。
其中，在MAML中，确定虫情检测模型的初始化参数θ，采用少量的梯度更新来适应新任务。所述优化初始化参数可以表示为：
其中，θ是虫情检测模型的初始化参数，T是一个从任务分布中采样的任务，LT是对应于任务T的损失函数，fθ是由参数θ参数化的模型，α是一个学习率，表示对θ的梯度。
在每个meta-training iteration中，首先在当前的参数θ上进行一步梯度下降得到新的参数，然后在新的参数上计算损失并更新θ。本发明实施例中采用元学习，创建了一个目标虫情检测模型，所述目标虫情检测模型可以利用少量的样本来快速适应新物种害虫种类，能大幅度降低训练模型的数据成本从而大大提高其识别准确度和可靠度。
在本申请一些实施例中，所述依据更新后的初始化参数对虫情检测模型进行训练，得到目标虫情检测模型，包括但不限于步骤C1-C3：
步骤C1：依据更新后的初始化参数对虫情检测模型进行训练，得到待优化虫情检测模型。
步骤C2：依据支持集中的样本和标签对查询集中样本的标签进行预测。
步骤C3：确定查询集中样本的标签与支持集中样本的标签间的相似度，并依据所述相似度对待优化虫情检测模型进行参数调整，以得到目标虫情检测模型。
其中，匹配网络Matching Networks的主要目的是利用支持集中的信息来预测查询集中样本的标签。通过计算查询集中的样本与支持集中的样本之间的相似度，并使用注意力权重来计算加权和，可以预测查询集中样本的标签。这种方法特别适合少样本学习，因为它可以有效地使用少量的标记样本来预测未标记样本的标签。Matching Networks采用注意力机制来权衡支持集中样本的重要性，通过计算支持集中的样本和查询样本之间的相似度来进行分类。相似度可以通过学习得到的度量空间来计算，其形式可以表示为：
其中，y是查询点的标签，x是查询点，xi和yi分别是支持集中的样本和标签；a(x,xi)是注意力权重，通常使用softmax函数来归一化；k是支持集的大小。
本发明实施例中通过上述公式确定查询点的标签，确定查询点的标签与样本点的标签之间的相似度，以对所述目标虫情检测模型进行优化调整。其中，查询集和支持集之间的相似度用于得出预测值，查询集和支持集之间的相似度越大，得到的预测值越大，表征所述目标虫情检测模型检测越精确。
在本申请一些实施例中，所述确定查询集中样本的标签与支持集中样本的标签间的相似度，包括：
采用交叉熵损失函数最大化查询集中样本的标签与支持集中样本的标签间的相似度；采用如下公式计算交叉熵损失函数：
其中，|Q|是指查询集中样本的数量；∑cyc是对所有类别c求和；yc是样本的真实标签在类别c上的指示函数，其中，若样本属于类别c，则为1，否则为0；是模型预测样本属于类别c的概率。
本发明实施例中将在得到的交叉熵损失函数进行最小化，以确定最大化预测值与真实值之间的相似度。通过本发明实施例的技术方案，可以训练一个能够利用少量样本来识别和分类新物种害虫种类的模型，大大提高虫情检测灯的可靠性和实用性。
步骤S205，采用所述目标虫情检测模型对新物种害虫进行监控与识别。
本实施例在上述实施例的基础上，提供了一种对新物种害虫的种类进行监控与识别的目标虫情检测模型。使用虫情视觉数据收集装置的灯光诱导并捕获害虫来收集样本，当检测到新物种害虫时，将利用少样本学习算法对少量的新样本进行模型训练。本发明实施例的技术方案结合元学习和自注意力机制来实现有效的害虫种类监控和识别，即使在样本量很少的情况下也能保持高准确率。
实施例三
图3是本申请实施例三提供的少样本学习的虫情监控与识别装置的结构示意图。如图3所示，具体包括如下：
害虫图像获取模块310，用于采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；
数据集获取模块320，用于对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；
目标虫情检测模型确定模块330，用于依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；
害虫监控与识别模块340，用于采用所述目标虫情检测模型对新物种害虫进行监控与识别。
本申请实施例中的少样本学习的虫情监控与识别装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的少样本学习的虫情监控与识别装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为iOS操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。
本申请实施例提供的少样本学习的虫情监控与识别装置能够实现上述方法实施例实现的各个过程，为避免重复，这里不再赘述。
实施例四
此外，本申请实施例还提供了一种计算机设备，图4是本申请实施例五提供的计算机设备的结构示意图。该设备的结构如图4所示，所述设备包括用于存储计算机可读指令的存储器51和用于执行计算机可读指令的处理器52，其中，当该计算机可读指令被该处理器执行时，触发所述处理器执行所述的方法。
本申请实施例中的方法和/或实施例可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被处理单元执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的针对硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面，本申请实施例还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个计算机可读指令，所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案的步骤。
在本申请一个典型的配置中，终端、服务网络的设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类别的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
此外，本申请实施例还提供了一种计算机程序，所述计算机程序存储于计算机设备，使得计算机设备执行所述控制代码执行的方法。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中，本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种少样本学习的虫情监控与识别方法，其特征在于，所述方法包括：
采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；
对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；
依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；
采用所述目标虫情检测模型对新物种害虫进行监控与识别。
2.根据权利要求1所述的方法，其特征在于，所述采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像，包括：
将虫情视觉数据收集装置部署在目标区域，并采用虫情视觉数据收集装置吸引并捕捉害虫，以获取害虫样本；所述虫情视觉数据收集装置包括智能虫情监测灯；
定期采用图像采集设备对虫情视觉数据收集装置中的害虫样本进行图像采集，确定害虫图像。
3.根据权利要求1所述的方法，其特征在于，所述对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集，包括：
通过深度学习模型对所述害虫图像进行特征提取，确定害虫特征提取后的目标害虫图像；其中，害虫特征包括颜色、形状以及纹理特征；
依据所述害虫特征从害虫图像中确定新物种害虫图像，并将所述新物种害虫图像的特征进行标记得到目标数据集。
4.根据权利要求3所述的方法，其特征在于，所述通过深度学习模型对所述害虫图像进行特征提取，包括：
使用Transformer结构中的self-attention机制对害虫图像进行特征提取，公式如下：
其中，Q、K以及V分别是指查询、键以及值矩阵，Q、K以及V矩阵是由害虫图像特征经过线性变换得到的；dk是指键的维度。
5.根据权利要求1所述的方法，其特征在于，所述依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型，包括：
将所述目标数据集拆分成训练集以及测试集，并将训练集进行拆分构成至少两个训练任务；所述训练集中包括支持集以及查询集；
确定虫情检测模型的初始化参数，并将所述初始化参数进行梯度计算确定梯度下降后的参数；
依据所述梯度下降后的参数确定至少两个训练任务的损失和，并依据所述损失和对初始化参数进行更新；
依据更新后的初始化参数对虫情检测模型进行训练，得到目标虫情检测模型。
6.根据权利要求5所述的方法，其特征在于，所述依据更新后的初始化参数对虫情检测模型进行训练，得到目标虫情检测模型，包括：
依据更新后的初始化参数对虫情检测模型进行训练，得到待优化虫情检测模型；
依据支持集中的样本和标签对查询集中样本的标签进行预测；
确定查询集中样本的标签与支持集中样本的标签间的相似度，并依据所述相似度对待优化虫情检测模型进行参数调整，以得到目标虫情检测模型。
7.根据权利要求6所述的方法，其特征在于，所述确定查询集中样本的标签与支持集中样本的标签间的相似度，包括：
采用交叉熵损失函数最大化查询集中样本的标签与支持集中样本的标签间的相似度；采用如下公式计算交叉熵损失函数：
其中，|Q|是指查询集中样本的数量；∑cyc是对所有类别c求和；yc是样本的真实标签在类别c上的指示函数，其中，若样本属于类别c，则为1，否则为0；是模型预测样本属于类别c的概率。
8.一种少样本学习的虫情监控与识别装置，其特征在于，所述装置包括：
害虫图像获取模块，用于采用虫情视觉数据收集装置捕捉害虫，并通过图像采集设备获取害虫图像；
数据集获取模块，用于对害虫图像进行特征提取确定新物种害虫特征并进行标记，以得到目标数据集；
目标虫情检测模型确定模块，用于依据所述目标数据集以及元学习算法对虫情检测模型进行训练，优化虫情检测模型初始化参数并得到目标虫情检测模型；
害虫监控与识别模块，用于采用所述目标虫情检测模型对新物种害虫进行监控与识别。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；以及
存储有计算机程序指令的存储器，所述计算机程序指令在被执行时使所述处理器执行如权利要求1-7中任意一项所述的少样本学习的虫情监控与识别方法。
10.一种计算机可读介质，其特征在于，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如权利要求1-7中任意一项所述的少样本学习的虫情监控与识别方法。
CN202311599370.7A 2023-11-27 2023-11-27 少样本学习的虫情监控与识别方法、装置、设备及介质 Pending CN117636249A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311599370.7A CN117636249A (zh) 2023-11-27 2023-11-27 少样本学习的虫情监控与识别方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311599370.7A CN117636249A (zh) 2023-11-27 2023-11-27 少样本学习的虫情监控与识别方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN117636249A true CN117636249A (zh) 2024-03-01

Family

ID=90029837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311599370.7A Pending CN117636249A (zh) 2023-11-27 2023-11-27 少样本学习的虫情监控与识别方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117636249A (zh)

Similar Documents

Publication Publication Date Title
CN113158909B (zh) 基于多目标跟踪的行为识别轻量化方法、系统、设备
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN111754498A (zh) 一种基于YOLOv3的传送带托辊检测方法
CN108564102A (zh) 图像聚类结果评价方法和装置
Mann et al. Automatic flower detection and phenology monitoring using time‐lapse cameras and deep learning
CN116453056A (zh) 目标检测模型构建方法和变电站异物入侵检测方法
CN115019209A (zh) 一种基于深度学习的电力杆塔状态检测的方法及系统
CN118131365A (zh) 用于新能源发电预测的气象监测装置及方法
CN116805435B (zh) 一种数电机房智能巡检装置
CN116719002B (zh) 定量降水估计方法、装置、电子设备及计算机存储介质
CN117391466A (zh) 一种新型矛盾纠纷案件的预警方法和系统
CN117636249A (zh) 少样本学习的虫情监控与识别方法、装置、设备及介质
CN114972893A (zh) 一种数据标注方法、装置、电子设备和存储介质
CN114757941A (zh) 变电站设备缺陷的识别方法、装置、电子设备及存储介质
CN114140879A (zh) 基于多头级联注意网络与时间卷积网络的行为识别方法及装置
Apostolov et al. Predicting tree failure likelihood for utility risk mitigation via a convolutional neural network
CN118505704B (zh) 一种面板产线缺陷检测通用模型建模检测方法
EP4057184A1 (en) In-situ model adaptation for privacy-compliant image processing
CN118468232B (zh) 粮仓诱虫装置虫满预警方法及系统
CN117392462A (zh) 无标签自监督学习的害虫识别方法、装置、设备及介质
CN117808650B (zh) 一种基于Transform-Flownet和R-FPN的降水预测方法
CN118485823B (zh) 边缘场景下畜牧场中各动物的图像识别方法、设备及介质
CN118397478B (zh) 一种基于VGGNet模型的台风眼识别与台风眼半径估算方法
CN117523310A (zh) 基于增量学习的虫情监测方法、装置、设备及可读介质

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