CN113591794B - 基于特征选择模块的林业害虫识别方法及*** - Google Patents

基于特征选择模块的林业害虫识别方法及*** Download PDF

Info

Publication number
CN113591794B
CN113591794B CN202110956172.6A CN202110956172A CN113591794B CN 113591794 B CN113591794 B CN 113591794B CN 202110956172 A CN202110956172 A CN 202110956172A CN 113591794 B CN113591794 B CN 113591794B
Authority
CN
China
Prior art keywords
feature
feature selection
pest
forestry pest
forestry
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.)
Active
Application number
CN202110956172.6A
Other languages
English (en)
Other versions
CN113591794A (zh
Inventor
张友梅
冯富祥
张瑜
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202110956172.6A priority Critical patent/CN113591794B/zh
Publication of CN113591794A publication Critical patent/CN113591794A/zh
Application granted granted Critical
Publication of CN113591794B publication Critical patent/CN113591794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本公开提供了一种基于特征选择模块的林业害虫识别方法及***，包括：获取林业害虫图像；根据获取的林业害虫图像以及预设的林业害虫识别网络模，得到林业害虫分类结果，进行林业害虫识别；其中，所述林业害虫识别网络模型通过扩充处理后的林业害虫图像训练集，训练嵌入了特征选择模块的ResNet网络得到；所述特征选择模块通过特征选择单元与残差映射相结合得到；本公开将经典的ResNet特征提取网络与设计的特征选择模块相结合，使网络可以有目的地进行特征提取，选择输入数据中害虫特征信息，并且加以增强，可以有效地解决害虫图片背景复杂度高以及部分害虫相似度高的问题，有效地提高了识别精度。

Description

基于特征选择模块的林业害虫识别方法及***
技术领域
本公开属于计算机视觉技术领域，尤其涉及一种基于特征选择模块的林业害虫识别方法及***。
背景技术
林业害虫对森林的破坏是显而易见的，如何提高林业害虫防治水平一直是社会的研究热点。
本公开发明人发现，由于环境因素变化较大，害虫背景信息变化大，并且害虫在图像中呈现的尺寸和角度差别大，为林业害虫的识别研究带来较大的挑战；而现有的基于计算机视觉技术进行的林业害虫识别方法中，没有考虑害虫背景信息等因素对识别结果的影响，存在识别精度不高的问题。
发明内容
本公开为了解决上述问题，提出了一种基于特征选择模块的林业害虫识别方法及***；本公开中，特征提取网络利用ResNet残差网络，该网络能够有效地提取图像的特征信息，针对目标害虫背景变化较大以及部分害虫相似度较大带来的问题，设计特征选择模块(Feature Selection Module，FSM)，并且将设计好的特征选择模块嵌入到ResNet网络中残差模块之后，对每次降维得到的特征图，都选择一部分重要的特征数据进行强化处理，使模型动态地关注图像的某些位置，让网络有选择性地关注有区分度的区域，有效地忽略掉害虫图像的背景信息从而提高网络整体的识别精度。
第一方面，本公开提供了一种基于特征选择模块的林业害虫识别方法，包括：
获取林业害虫图像；
根据获取的林业害虫图像以及预设的林业害虫识别网络模型，得到林业害虫分类结果，进行林业害虫识别；
其中，所述林业害虫识别网络模型，通过扩充处理后的林业害虫图像和嵌入了特征选择模块的ResNet网络训练得到；所述特征选择模块通过特征选择单元与残差映射相结合得到。
进一步的，林业害虫识别网络模型训练内容包括：
获取林业害虫图像，并且根据害虫种类进行分类，将搜集的图片按比例划分训练集与测试集；
对划分后训练集中的数据图像做扩充处理；
构造基于特征选择模块的ResNet网络；
基于扩充后的训练集和构造的ResNet网络，训练得到林业害虫识别网络模型。
进一步的，林业害虫图像的扩充处理包括随机翻转、增加对比度、随机灰度处理、垂直镜像变换和水平镜像变换。
进一步的，所述ResNet网络包括四个残差模块，每一个残差模块都包括卷积、标准化、激活函数、残差映射和池化，每次卷积操作都对应一次标准化处理，数据每一次通过残差模块都有效地提取图片中的害虫特征。
进一步的，所述特征选择模块由通道特征选择单元、空间特征选择单元以及残差映射结构组成；其中，所述通道特征选择单元由1个全局平均池化层、1个全局最大池化层和多层感知机组成；所述空间特征选择单元由1个沿通道轴应用的平均池化层、1个沿通道轴应用的最大池化层和卷积层组成；将所述通道特征选择单元与所述空间特征选择单元串联起来，得到特征选择单元，然后将该单元和残差映射结构结合，组成特征选择模块。
进一步的，通道特征选择单元中，特征图首先分别经过全局最大池化层和全局平均池化层，再将得到的结果经过多层感知机，进行非线性特征变换，最后再相加，得到每个通道的特征权重，再将该权重乘回特征图。
进一步的，空间特征选择单元中，特征图首先分别经过沿通道应用的平均池化层和沿通道应用的最大池化层，得到两张特征图，最后特征图经过卷积操作，得到一张特征选择图。
第二方面，本公开还提供了一种基于特征选择模块的林业害虫识别***，包括数据获取模块和种类识别模块；
所述数据获取模块，被配置为：获取林业害虫图像；
所述种类识别模块，被配置为：根据获取的林业害虫图像以及预设的林业害虫识别网络模，得到林业害虫分类结果，进行林业害虫识别；
其中，所述林业害虫识别网络模型，通过扩充处理后的林业害虫图像和嵌入了特征选择模块的ResNet网络训练得到；所述特征选择模块通过特征选择单元与残差映射相结合得到。
第三方面，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面中所述的基于特征选择模块的林业害虫识别方法中的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面中所述的基于特征选择模块的林业害虫识别方法的步骤。
与现有技术相比，本公开的有益效果为：
1.本公开提供的林业害虫识别算法，面对复杂多变的环境背景，可以精准有效地识别害虫，有助于提高农业的智能化管理水平；
2.本公开将经典的ResNet特征提取网络与设计的特征选择模块相结合，使网络可以有目的地进行特征提取，主要选择关注输入数据中害虫的特征信息，可以有效地解决害虫图片背景复杂度高以及部分害虫相似度高的问题，有效地提高了识别精度；
3.本公开结合ResNet网络本身的残差映射结构，创造性地将特征选择单元与残差映射相结合，组成特征选择模块，有效地解决了特征选择单元引入过多而导致精度下降的问题；
4.本公开扩充性好，目前只是有15种害虫分类，后期只要得到了新的害虫图片数据，都可以套用本公开算法，训练新的模型参数，从而扩充可识别的害虫种类。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本公开实施例1的流程图；
图2为本公开实施例1的嵌入了特征选择模块的部分ResNet50网络结构图；
图3为本公开实施例1的特征选择模块里的通道特征选择单元；
图4为本公开实施例1的特征选择模块里的空间特征选择单元。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
本公开提供了一种基于特征选择模块的林业害虫识别方法，包括：
获取林业害虫图像；
根据获取的林业害虫图像以及预设的林业害虫识别网络模，得到林业害虫分类结果，进行林业害虫识别；
其中，本实施例中ResNet特征提取网络选择ResNet50网络，所述林业害虫识别网络模型，通过扩充处理后的林业害虫图像和嵌入了特征选择模块的ResNet50网络训练得到；所述特征选择模块通过特征选择单元与残差映射相结合得到。
ResNet残差网络是近几年比较流行的特征提取网络，该网络创造性地提出了残差映射结构，有效地解决了神经网络层数加深而带来的精度下降的问题；本公开中，特征选择模块的林业害虫识别方法，通过传入害虫图片，返回害虫名称编号，从而根据编号返回害虫对应的各种信息，比如说形态、危害与防治等。
在本实施例中，林业害虫识别网络模型训练内容包括：
1.在互联网上，获取林业害虫图像，并且根据害虫种类对图像进行分类以及划分训练集与测试集；
具体的，获取了15种害虫图片，分别为：扁刺蛾(幼虫)、草履蚧、大叶青蝉、褐边绿刺蛾、黑蚱蝉、黄刺蛾、柳蓝叶甲、麻皮蝽、美国白蛾、日本脊吉丁、桑天牛、霜天蛾、丝带凤蝶、松墨天牛和星天牛；并且将害虫图片根据害虫种类分类，按某种比例划分训练集与测试集，训练集用于模型参数的训练，测试集用来测试模型，得到模型精度。
2.对划分后的训练集进行扩充处理，增加数据集的数量，从而有效地避免过拟合的风险、提高模型识别精度，并且还可以提高模型的泛化能力；
对获取的图片进行随机翻转、增加对比度、随机灰度处理、垂直镜像变换和水平镜像变化，丰富已有的害虫信息，可以避免过拟合风险以及增加该***的识别泛化能力。
3.利用扩充处理后的数据，训练嵌入了特征选择模块的ResNet50网络，得到网络参数，并且保存测试精度最高的模型参数；
特征提取网络采用ResNet50网络，该网络由四个残差模块组成，每一个残差模块都由卷积、标准化、激活函数、残差映射和池化组成，每次卷积操作都对应一次标准化处理，可以加速网络的收敛，残差映射的引进，可以使神经网络在增加深度的同时，保证精度不降低，数据每一次通过残差模块都可以有效地提取图片中的害虫特征。
所述特征选择模块(FSM)由通道特征选择单元、空间特征选择单元以及残差映射结构组成；其中，通道特征选择单元由1个全局平均池化层、1个全局最大池化层和多层感知机组成；空间特征选择单元由1个沿通道轴应用的平均池化层、1个沿通道轴应用的最大池化层和卷积层组成；需注意的是，首先将通道特征选择单元与空间特征选择单元串联起来，得到特征选择单元，然后将该单元和残差映射结构结合，组成最终的特征选择模块。通道特征选择单元与空间特征选择单元串联的具体效果如下，特征图先经过通道特征选择单元，选择部分对害虫分类有积极贡献的特征通道，赋予其正权重，将这些通道与其他通道区分起来，达到有目的地关注部分特征通道的作用，之后接着进入空间特征选择单元，选择每张特征图内部对害虫分类产生积极影响的部分信息，赋予其正权重，将每张特征图内部的特征信息加以区分，这样先调整通道的侧重点，再调整每张特征图内部的侧重点可以有效地让网络集中关注输入图像的关键信息，将关注点放在害虫上面。最后将串联得到的特征选择单元再与残差映射结构相结合，可以有效地解决网络层数过深而带来的退化问题，防止出现由于特征选择单元引入过多，而带来对害虫识别精度下降的问题。
通道特征选择单元中，特征图首先分别经过全局最大池化层和全局平均池化层，再将得到的结果经过多层感知机，进行非线性特征变换，最后再相加，得到每个通道的特征权重，乘回特征图。
空间特征选择单元中，特征图首先分别经过沿通道应用的平均池化层和沿通道应用的最大池化层，得到两张特征图，最后特征图经过卷积操作，得到一张特征选择图。
将得到的特征选择模块嵌入到ResNet50网络中的残差模块之后，特征图经过特征选择模块时，会动态地调整网络的侧重点，增强图像中害虫信息数据，抑制背景信息数据，使网络关注点集中在害虫本身，选择害虫特征信息，并且将背景信息有效地过滤掉。
实施例2：
如图1所示，本公开提供了一种基于特征选择模块的林业害虫识别方法，包括：
1.获取林业害虫的图片，并且根据害虫种类进行分类，具体的，将搜集的图片按4:1的比例划分训练集与测试集，训练集用于模型参数的训练，测试集用于测试模型参数精度的计算；
2.对划分后训练集中的数据图像做扩充处理；
在本实施例中，分别采用随机翻转、增加对比度、随机灰度处理、垂直镜像变换和水平镜像变换等操作进行数据扩充；优选的，随机将原图片翻转-180°到180°，随机改变原图像的对比度，对比度浮动比为0.1，每张图像以0.025的概率生成灰度图像，每张图以0.5的概率分别做垂直镜像变换和水平镜像变换，最后，将所有数据集的做标准化处理。
3.构造基于特征选择模块的ResNet网络；
考虑到林业害虫识别任务所面对的问题——图片背景环境复杂多变并且害虫本身相似度高，本实例中的ResNet网络选择使用ResNet50网络。本实施例将特征选择模块嵌入到每一个残差模块之后，也就是网络每经过一次下采样，都会接着进入特征选择模块，选择性地强化部分特征，使网络动态调整网络侧重点，选择让网络关注信息丰富且对害虫识别有积极作用的特征数据；其中，前两个特征选择模块中由于输入的特征图尺寸较大，分别是56*56和28*28，所以在空间特征选择单元里面采用步长为7的卷积模块，后两个特征选择模块中输入的特征图尺寸较小，分别是14*14和7*7，所以在空间特征选择单元中采用步长为3的卷积模块。
如图2所示，是特征选择模块中的通道特征选择单元；具体的，特征图通过通道特征选择单元，生成每个通道的权重，该权重反应了特征通道的重要程度，将这些权重再反乘回特征图，从而让网络着重选择加强某些特征通道的特征数据，达到有目的地关注存有害虫信息通道的作用；特征通道的权重数据具体生成步骤为，假设输入特征图尺寸为RC×H×W，(其中：C为特征图的长，H为特征图的高，W为特征图的宽)该特征图首先分别经过全局最大池化层和全局平均池化层，得到两组一维通道特征数据，尺寸为RC×1×1，这两组通道特征数据分别有效地代表了局部信息和全局信息。之后经过两次线性映射，第一次将长度为C的数据映射成长度为C/2的数据，第二次再将数据映射成长度为C的数据(做两次线性变换)，最后将两组数据逐元素相加，再经过一层LeakyReLU激活函数，生成最终的通道特征权重数据。每个通道都有一个强化权重，通过让该值乘回对应的通道，来让网络选择性地关注某些储存害虫信息的通道，从而增加害虫识别的准确度。
如图3所示，是特征选择模块中的空间特征选择单元；具体的，特征图经过空间特征选择单元，生成一张空间特征选择图，该图上的参数反应了每张特征图中信息重要度的分部情况，将该图与特征图做点乘，可以使网络有目的地关注特征图中的某些区域。空间特征选择图具体生成步骤为，假设输入特征图尺寸为RC×H×W，该特征图首先分别经过沿通道应用的平均池化层和沿通道应用的最大池化层，得到两张空间特征权重图，尺寸均为R1×H×W，其中分别代表了害虫特征图的全局信息和局部信息，再将这两张空间特征权重图分别经过一次卷积，最后逐元素相加，经过一层Sigmoid激活函数，得到最终的空间特征选择图。该空间特征选择图上的参数代表了每张特征图中不同区域重要程度，通过将该空间特征选择图返乘回特征图，可以让网络有选择性关注每张特征图存储害虫信息的区域，增强图像中害虫信息的重要程度，选择让网络关注害虫特征信息，过滤掉背景环境信息，从而有效增加害虫识别的准确度。
如图4所示，为嵌入了特征选择模块的部分ResNet50网络结构图；具体的，特征图经过通道特征选择单元和空间特征选择单元之后，再与之前未经过特征选择的特征图进行逐元素相加(即做一个残差映射)，可以有效地解决特征选择单元引入过多而导致的对害虫识别精度下降问题。
4.基于扩充后的数据和构造的神经网络，训练参数，并且保存网络的最优参数；具体的，在训练过程中，采用迁移学习的训练方法，首先在网络上下载在ImageNet训练好的ResNet50模型，作为预训练模型，将该预训练里的四个残差模型参数加载到3中构建好的网络中。第一个训练阶段，“冻结”四个残差模块的参数(即反向传播时，不更新参数)，更新参数时采用Adam方法，初始学习率为0.01，每迭代5次，学习率变为原来的0.7倍，迭代60次；第二个训练阶段，将四个残差模块的参数“解冻”(即反向传播时，更新参数)，更新参数时采用Adam方法，初始学习率为0.0002，每迭代5次，学习率变为原来的0.7倍，迭代80次。在训练过程中，保存在测试集上精度最高的模型参数。
5.针对测试数据，首先搭建与训练模型一致的网络结构，复制4中训练好的网络参数用于实际应用的模型，然后针对新接收的林业害虫图像进行识别，最终得到害虫编号；下表为不同算法效果对比。
算法 AlexNet VGG16 ResNet50 ResNet50+FSM
精度 73.33％ 78.46％ 83.64％ 88.72％
本次识别精度的计算方法：在测试集中，正确被程序识别的图片数量除以测试集中图片总数量，公式为：
其中，n为测试集图片总数，如果第i张图片成功被识别，则mi＝1，否则mi＝0。
实施例3：
本实施例提供了一种基于特征选择模块的林业害虫识别***，包括数据获取模块和种类识别模块；
所述数据获取模块，被配置为：获取林业害虫图像；
所述种类识别模块，被配置为：根据获取的林业害虫图像以及预设的林业害虫识别网络模，得到林业害虫分类结果，进行林业害虫识别；
其中，所述林业害虫识别网络模型通过扩充处理后的林业害虫图像训练集，训练嵌入了特征选择模块的ResNet50网络得到；所述特征选择模块通过特征选择单元与残差映射相结合得到。
实施例4：
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的基于特征选择模块的林业害虫识别方法中的步骤。
实施例5：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的基于特征选择模块的林业害虫识别方法中的步骤。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (6)

1.基于特征选择模块的林业害虫识别方法，其特征在于，包括：
获取林业害虫图像；
根据获取的林业害虫图像以及预设的林业害虫识别网络模型，得到林业害虫分类结果，进行林业害虫识别；
其中，所述林业害虫识别网络模型，通过扩充处理后的林业害虫图像和嵌入了特征选择模块的ResNet网络训练得到；所述特征选择模块通过特征选择单元与残差映射相结合得到；
所述ResNet网络包括四个残差模块，每一个残差模块都包括卷积、标准化、激活函数、残差映射和池化，每次卷积操作都对应一次标准化处理，数据每一次通过残差模块都有效地提取图片中的害虫特征；
所述特征选择模块由通道特征选择单元、空间特征选择单元以及残差映射结构组成；其中，所述通道特征选择单元由1个全局平均池化层、1个全局最大池化层和多层感知机组成；所述空间特征选择单元由1个沿通道轴应用的平均池化层、1个沿通道轴应用的最大池化层和卷积层组成；将所述通道特征选择单元与所述空间特征选择单元串联起来，得到特征选择单元，然后将该单元和残差映射结构结合，组成特征选择模块；
通道特征选择单元中，特征图首先分别经过全局最大池化层和全局平均池化层，再将得到的结果经过多层感知机，进行非线性特征变换，最后再相加，得到每个通道的权重值，再乘回特征图；
空间特征选择单元中，特征图首先分别经过沿通道应用的平均池化层和沿通道应用的最大池化层，得到两张特征图，最后特征图经过卷积操作，得到一张特征选择图；
其中，通道特征选择单元与空间特征选择单元串联后，特征图先经过通道特征选择单元，选择部分对害虫分类有积极贡献的特征通道，赋予其正权重，将这些通道与其他通道区分起来，达到有目的地关注部分特征通道的作用，之后接着进入空间特征选择单元，选择每张特征图内部对害虫分类产生积极影响的部分信息，赋予其正权重，将每张特征图内部的特征信息加以区分，这样先调整通道的侧重点，再调整每张特征图内部的侧重点可以有效地让网络集中关注输入图像的关键信息，将关注点放在害虫上面。
2.如权利要求1所述的基于特征选择模块的林业害虫识别方法，其特征在于，林业害虫识别网络模型训练内容包括：
获取林业害虫图像，并且根据害虫种类进行分类，将搜集的图片按比例划分训练集与测试集；
对划分后训练集中的数据图像做扩充处理；
构造基于特征选择模块的ResNet网络；
基于扩充后的训练集和构造的ResNet网络，训练得到林业害虫识别网络模型。
3.如权利要求1所述的基于特征选择模块的林业害虫识别方法，其特征在于，林业害虫图像的扩充处理包括随机翻转、增加对比度、随机灰度处理、垂直镜像变换和水平镜像变换。
4.基于特征选择模块的林业害虫识别***，用于实现如权利要求1-3任一项权利要求所述的方法，其特征在于，包括数据获取模块和种类识别模块；
所述数据获取模块，被配置为：获取林业害虫图像；
所述种类识别模块，被配置为：根据获取的林业害虫图像以及预设的林业害虫识别网络模，得到林业害虫分类结果，进行林业害虫识别；
其中，所述林业害虫识别网络模型，通过扩充处理后的林业害虫图像和嵌入了特征选择模块的ResNet网络训练得到；所述特征选择模块通过特征选择单元与残差映射相结合得到。
5.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了如权利要求1-3任一项所述的基于特征选择模块的林业害虫识别方法中的步骤。
6.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现了如权利要求1-3任一项所述的基于特征选择模块的林业害虫识别方法中的步骤。
CN202110956172.6A 2021-08-19 2021-08-19 基于特征选择模块的林业害虫识别方法及*** Active CN113591794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110956172.6A CN113591794B (zh) 2021-08-19 2021-08-19 基于特征选择模块的林业害虫识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110956172.6A CN113591794B (zh) 2021-08-19 2021-08-19 基于特征选择模块的林业害虫识别方法及***

Publications (2)

Publication Number Publication Date
CN113591794A CN113591794A (zh) 2021-11-02
CN113591794B true CN113591794B (zh) 2024-06-21

Family

ID=78238564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110956172.6A Active CN113591794B (zh) 2021-08-19 2021-08-19 基于特征选择模块的林业害虫识别方法及***

Country Status (1)

Country Link
CN (1) CN113591794B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648191A (zh) * 2018-05-17 2018-10-12 吉林大学 基于贝叶斯宽度残差神经网络的害虫图像识别方法
CN112308158A (zh) * 2020-11-05 2021-02-02 电子科技大学 一种基于部分特征对齐的多源领域自适应模型及方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648191A (zh) * 2018-05-17 2018-10-12 吉林大学 基于贝叶斯宽度残差神经网络的害虫图像识别方法
CN112308158A (zh) * 2020-11-05 2021-02-02 电子科技大学 一种基于部分特征对齐的多源领域自适应模型及方法

Also Published As

Publication number Publication date
CN113591794A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN109711481B (zh) 用于画作多标签识别的神经网络、相关方法、介质和设备
CN109685115B (zh) 一种双线性特征融合的细粒度概念模型及学习方法
CN110148120B (zh) 一种基于cnn与迁移学习的病害智能识别方法及***
WO2020177432A1 (zh) 基于目标检测网络的多标签物体检测方法、***、装置
CN110555399B (zh) 手指静脉识别方法、装置、计算机设备及可读存储介质
WO2019100723A1 (zh) 训练多标签分类模型的方法和装置
WO2019100724A1 (zh) 训练多标签分类模型的方法和装置
CN109063112B (zh) 一种基于多任务学习深度语义哈希的快速图像检索方法、模型及模型构建方法
Kamath et al. Classification of paddy crop and weeds using semantic segmentation
CN108009594A (zh) 一种基于变分组卷积的图像识别方法
CN110136162B (zh) 无人机视角遥感目标跟踪方法及装置
CN113435509A (zh) 基于元学习的小样本场景分类识别方法及***
CN113936295A (zh) 基于迁移学习的人物检测方法和***
CN113705596A (zh) 图像识别方法、装置、计算机设备和存储介质
CN112598062A (zh) 一种图像识别方法和装置
CN112149526A (zh) 一种基于长距离信息融合的车道线检测方法及***
CN113591794B (zh) 基于特征选择模块的林业害虫识别方法及***
CN112270334B (zh) 一种基于异常点暴露的少样本图像分类方法及***
CN111860368A (zh) 一种行人重识别方法、装置、设备及存储介质
CN116543250A (zh) 一种基于类注意力传输的模型压缩方法
CN115965874A (zh) 一种农作物病害识别方法、***、装置和存储介质
CN112381176B (zh) 一种基于双目特征融合网络的图像分类方法
CN112507912B (zh) 一种识别违规图片的方法及装置
CN115238134A (zh) 用于生成图数据结构的图向量表示的方法及装置
Lim et al. Analyzing deep neural networks with noisy labels

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