CN113673340B - 一种害虫种类图像识别方法及*** - Google Patents
一种害虫种类图像识别方法及*** Download PDFInfo
- Publication number
- CN113673340B CN113673340B CN202110807412.6A CN202110807412A CN113673340B CN 113673340 B CN113673340 B CN 113673340B CN 202110807412 A CN202110807412 A CN 202110807412A CN 113673340 B CN113673340 B CN 113673340B
- Authority
- CN
- China
- Prior art keywords
- pest
- data set
- model
- image
- identification model
- 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
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 424
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 9
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000004807 localization Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 241000566613 Cardinalis Species 0.000 description 2
- 241000254173 Coleoptera Species 0.000 description 2
- 241001414989 Thysanoptera Species 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001124076 Aphididae Species 0.000 description 1
- 241000276428 Chrysochus chinensis Species 0.000 description 1
- 241000255749 Coccinellidae Species 0.000 description 1
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 1
- 241000893416 Eurostus validus Species 0.000 description 1
- 241000578422 Graphosoma lineatum Species 0.000 description 1
- 241000199694 Harmonia axyridis Species 0.000 description 1
- 241000258937 Hemiptera Species 0.000 description 1
- 241000885584 Lycorma delicatula Species 0.000 description 1
- 241001474977 Palla Species 0.000 description 1
- 240000008474 Pimenta dioica Species 0.000 description 1
- 235000006990 Pimenta dioica Nutrition 0.000 description 1
- 241000466690 Prosopocoilus astacoides blanchardi Species 0.000 description 1
- 241000018137 Trialeurodes vaporariorum Species 0.000 description 1
- 235000004501 Volvariella volvacea Nutrition 0.000 description 1
- 240000006794 Volvariella volvacea Species 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种害虫种类图像识别方法及***,包括:获取目标害虫图像;将目标害虫图像输入至预先训练好的害虫识别模型,以获取由害虫识别模型输出的害虫种类识别结果;害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。本发明提供的害虫种类图像识别方法及***,针对具有复杂背景特点的害虫图像,通过引入空间注意力模块和通道注意力网络,对害虫图像更加精确的定位和跨通道的交互机制,并使害虫识别模型更加关注有效的通道,进而降低了图像背景对于害虫分类准确性的影响,提高了分类的精度,实现了对害虫种类的精准的识别,为农业植物保护领域做出了贡献。
Description
技术领域
本发明涉及农业技术领域,尤其涉及一种害虫种类图像识别方法及***。
背景技术
在农作物生长过程中,会因各种害虫的侵袭而使产量和质量都受到严重的影响,因此害虫的监测防治工作显得尤为重要,而精准及时的害虫种类识别是害虫监测防治的前提和重要基础。当前,基于图像视觉的自动识别法是一种进行害虫种类识别的主流方法。
在常用的害虫种类识别技术中,一种是基于手工提取特征的方法,利用尺度不变特征变换(Scale-invariant feature transform,SIFT)、方向梯度直方图(Histogram ofOriented Gradient,HOG)等特征描述方法提取图像底层特征并结合支持向量机(SupportVector Machine,SVM)、K最邻近方法(K-Nearest Neighbor algorithm,KNN)等分类器进行害虫识别。另外一种是基于深度特征的识别方法,利用基于卷积神经网络的图像识别方法进行害虫分类任务。
但是通常采集的害虫图像往往存在采集方向、害虫位置及害虫大小变化等问题,严重影响了目前方法的识别精度。
发明内容
针对现有技术存在对害虫识别精度低的问题,本发明实施例提供一种害虫种类图像识别方法及***。
本发明提供一种害虫种类图像识别方法,包括:
获取目标害虫图像;
将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;
所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;
所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
根据本发明提供的一种害虫种类图像识别方法,所述空间注意力模块具体为空间变换网络,所述通道注意力网络具体为拆分注意力网络;
所述空间变换网络与所述拆分注意力网络串行连接;
所述空间变换网络,包括至少一个定位网络、至少一个生成器和至少一个采样器;
所述定位网络通过所述生成器与所述采样器连接;
所述定位网络,包括多个卷积层和至少一个全连接层。
根据本发明提供的一种害虫种类图像识别方法,在将所述害虫图像输入至害虫识别模型之前,还包括:
获取多张害虫图像样本,并建立与每张所述害虫图像样本相对应的害虫种类标签;
将每张害虫图像样本与每张所述害虫图像样本相对应的害虫种类标签组合作为一个训练样本,获取多个训练样本;
基于多个训练样本,构建所述第一数据集。
根据本发明提供的一种害虫种类图像识别方法,在构建所述第一数据集之后,还包括:
将初始学习率和优化器随机组合,获取多个参数组;
根据所述第一数据集中的害虫种类数量,确定所述全连接层中神经元的数量;
利用每个所述参数组分别配置害虫识别模型,获取多个配置后的害虫识别模型;将所述配置后的害虫识别模型作为所述初始害虫识别模型;
对所述第一数据集进行数据增强,并利用增强后的第一数据集对所述配置后的害虫识别模型进行预训练,以获取所述预先训练好的害虫识别模型。
根据本发明提供的一种害虫种类图像识别方法,利用增强后的第一数据集对所述配置后的害虫识别模型进行预训练,以获取所述预先训练好的害虫识别模型,包括:
将所述第一数据集划分为多个数据子集;
对所有的数据子集进行数据增强处理,获取增强后的数据子集;
利用增强后的数据子集对所述每个所述配置后的害虫识别模型分别进行训练,获取每个所述配置后的害虫识别模型输出的分类结果;所述分类结果与所述参数组一一对应;
根据所有分类结果的准确率,从所有参数组中筛选出目标参数组;
利用所述目标参数组对所述配置后的害虫识别模型进行调参处理,获取第一调整模型;
根据所述第一调整模型,获取所述预先训练好的害虫识别模型。
根据本发明提供的一种害虫种类图像识别方法,第一准确率与所述目标参数组相对应;
所述根据所述第一调整模型,获取所述预先训练好的害虫识别模型,包括:
获取多个常规神经网络模型,并获取多个预设数据集;所述多个预设数据集包括不同采集场景下的所述第一数据集、第二数据集和第三数据集;所述第一数据集的规模小于所述第二数据集,且所述第一数据集的规模大于所述第三数据集;
根据任一预设数据集中所有害虫的种类数,对所述多个常规神经网络模型中神经元的数量进行设置,获取多个常规设置模型;
对所述任一预设数据集进行数据增强,利用增强后的所述任一预设数据集作为输入,分别输入至每个所述常规设置模型,以获取每个所述常规设置模型输出的分类结果,构建分类结果集合;
计算所述分类结果集合中每个分类结果的准确率,以确定数值最大的目标准确率;
根据所述任一预设数据集中所有害虫的种类数,对所述第一调整模型中神经元的数量进行设置,获取设置后的第一调整模型;
利用所述增强后的所述任一预设数据集作为输入,分别输入至所述设置后的第一调整模型,以获取所述调整后的第一调整模型输出的第一分类结果;
计算所述第一分类结果的准确率为第一准确率;
在所有的预设数据集上,在所述目标准确率均小于所述第一准确率的情况下,确定所述第一调整模型为所述预先训练好的害虫识别模型。
本发明还提供一种害虫种类图像识别***,包括:
获取单元,获取目标害虫图像;
识别单元,将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;
所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;
所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
根据本发明提供的一种害虫种类图像识别***,还包括构建单元,所述构建单元具体用于:
获取多张害虫图像样本,并建立与每张所述害虫图像样本相对应的害虫种类标签;
将每张害虫图像样本与每张所述害虫图像样本相对应的害虫种类标签组合作为一个训练样本,获取多个训练样本;
基于多个训练样本,构建所述第一数据集。
本发明还提供一种电子设备,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如上述任一种所述害虫种类图像识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述害虫种类图像识别方法的步骤。
本发明提供的害虫种类图像识别方法及***,针对具有复杂背景特点的害虫图像,通过引入空间注意力模块和通道注意力网络,对害虫图像更加精确的定位和跨通道的交互机制,并使害虫识别模型更加关注有效的通道,进而降低了图像背景对于害虫分类准确性的影响,提高了分类的精度,实现了对害虫种类的精准的识别,为农业植物保护领域做出了贡献。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的害虫种类图像识别方法的流程示意图;
图2是本发明提供的害虫识别模型的结构示意图;
图3是本发明提供的ResNest模块的结构示意图;
图4是本发明提供的Split Attention模块的结构示意图;
图5是本发明提供的多种神经网络模型对第一数据集进行识别的准确率柱形图;
图6是本发明提供的多种神经网络模型对第二数据集进行识别的准确率柱形图;
图7是本发明提供的多种神经网络模型对第三数据集进行识别的准确率柱形图;
图8是本发明提供的害虫种类图像识别***的结构示意图;
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
目前,常用的是使用手工特征结合支持向量机分类器对数字图像中粉虱、蚜虫和蓟马进行识别。
其中,第一种识别方法,基于Prewitt、Canny边缘检测算子分割和SVM的温室粉虱和蓟马诱虫板图像识别算法,平均识别准确率可以达到93.5%。
第二种识别方法,通过构建基于多颜色空间融合的害虫识别分类模型;利用构建好的害虫识别分类模型对预先采集的粘虫板图像进行害虫识别分类。
第三种识别方法,通过设计基于分割和形态学处理的方式,将目标害虫从复杂的背景图像中提取出来,得到背景单一的害虫图像送入卷积神经网络中,相比背景复杂的图像,准确率提高了5.9%。
第四种识别方法,采用对图像进行手工裁剪的方式,将目标害虫从复杂的背景中提取出来,并且设计了一个6层的卷积神经网络模型,最终在40类害虫数据集中取得96.57%的平均分类准确率。
第五种识别方法,通过使用多个预训练的卷积神经网络模型:Inception-V3,Xception和MobileNet,并采用最大概率求和策略构建了一个集成模型,在具有复杂背景的IP102数据集上取得了67.13%的最高分类准确率。
基于人工设计特征(颜色、形状、纹理等)的检测方法,需要人为地选择特征参数和设计特征提取方法,而特征的选择需要大量试验和经验,在这个过程中无法自动选择最佳参数。此外,在人工进行害虫的特征提取时,外界的光照、角度、明暗度、图像噪声及图像背景都会对其产生干扰,导致对野外害虫种类识别准确率偏低。
卷积神经网络可以提取从底层的纹理、边缘等信息到高层的语义信息,提高害虫分类的准确性与鲁棒性,并且是一种“端到端”的方法,可以避免手工设计特征的繁琐过程。但是田间采集的害虫图像往往存在采集方向、害虫位置及害虫大小变化等问题,严重影响了目前方法的识别精度。
综上可知,基于深度学习的方法对害虫种类的识别比人工设计特征方法具有更好的效果,但在面对大规模的具有复杂背景且害虫姿态大小不一的数据集表现欠佳。而利用手工的方法预先对图像进行处理避免复杂背景的干扰虽然能提高分类的准确率,但是预处理的过程十分耗费时间和精力,裁剪图像的方法可以用于小数据集,但是对于大规模的数据集是难以实现的。
基于分割、形态学等自动处理方无法保证目标害虫的完整性,对于细节的处理效果欠佳,甚至后期仍然要对图像进行修补。
而基于集成模型的方法显然需要高昂的计算能力作为支撑,并且集成后的模型仍然对于大规模复杂背景的数据集识别性能较低。
目前,基于深度学习的图像识别算法和提升图像识别准确率的方法中,基于残差模块的ResNet网络可以解决模型训练退化的问题,并可以提高特征提取的性能,但是缺乏跨通道之间的交互以及对于图像中目标害虫的定位。因此,为了实现大规模复杂背景下害虫数据集的精确识别,本发明提出一种基于空间和通道注意力机制的害虫种类图像识别方法。
下面结合图1至图9描述本发明实施例所提供的害虫种类图像识别方法和***。
图1是本发明提供的害虫种类图像识别方法的流程示意图,如图1所示,包括但不限于以下步骤:
首先,在步骤S1中,获取目标害虫图像。
其中,目标害虫图像中的害虫可以为单个或多个,且必须为预先训练好的害虫识别模型所能识别的害虫种类。
具体地,目标害虫图像可以是通过相机拍摄的,也可以是图像库中调取的。
进一步地,在步骤S2中,将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
其中,空间注意力模块可以为空间变换网络(Spatial Transformer Network,STN),通道注意力网络可以为ResNest系列的拆分注意力网络,如ResNest50。空间注意力模块和通道注意力网络是串行的关系。
预先训练好的害虫识别模型所能识别的害虫种类是由全连接层中神经元的数量决定的。例如,第一数据集中的害虫种类为58种,在对初始害虫识别模型进行训练时,需要将连接层中神经元的数量设置为58。
本发明提供一种害虫种类图像识别方法,针对具有复杂背景特点的害虫图像,通过引入空间注意力模块和通道注意力网络,对害虫图像更加精确的定位和跨通道的交互机制,并使害虫识别模型更加关注有效的通道,进而降低了图像背景对于害虫分类准确性的影响,提高了分类的精度,实现了对害虫种类的精准的识别,为农业植物保护领域做出了贡献。
可选地,所述空间注意力模块具体为空间变换网络,所述通道注意力网络具体为拆分注意力网络;
所述空间变换网络与所述拆分注意力网络串行连接;
所述空间变换网络,包括至少一个定位网络、至少一个生成器和至少一个采样器;
所述定位网络通过所述生成器与所述采样器连接;
所述定位网络,包括多个卷积层和至少一个全连接层。
针对现有卷积神经网络因害虫图像背景复杂、姿态大小不一而引起的识别性能下降的问题,设计新的害虫识别模型。新的害虫识别模型由具有空间注意力模块的STN和具有通道注意力机制的网络ResNest50融合而成。其中,空间注意力模块是由可学习的图像变换所达成,将图像中的目标害虫进行聚焦和矫正,将输出图像送入拆分注意力网络ResNest50进行特征提取。
图2是本发明提供的害虫识别模型的结构示意图,如图2所示,害虫识别模型括空间变换网络STN和拆分注意力网络ResNest50。
其中,空间变换网络STN包括定位网络Localisation net、生成器Grid Generator和采样器Sampler。Localisation net可以用于参数预测,Grid Generator可以用于坐标映射,Sampler可以用于像素的采集。
其中定位网络Localisation net由卷积层和全连接层共同构成,为了比较不同结构的定位网络的效果,本实施例设计了两种不同的结构,一种是三层卷积层加全连接层,另一种是两层卷积层加全连接层。
分别基于两种不同结构的定位网络Localisation net构建害虫识别模型,通过在线数据增强的方式对第一数据集进行预处理,并在第一数据集上进行训练,比较两种不同的结构对于第一数据集的分类性能,选择害虫种类分类准确率更高的害虫识别模型,作为初始害虫识别模型。
在Localisation net中,通过一个最终的回归层用来得到变换关系θ。生成器GridGenerator根据输出图像(Output Image)中的坐标点和变换关系θ,计算得到输入图像(Input Image)中的坐标点Tθ(G),便于采样器Sampler做差值运算,把新的像素值***到输出图像(Output Image)中。采样器Sample用于根据生成器Grid Generator中得到的坐标点填充输出图像。其中,输出图像(Output Image)的尺寸为固定的。
将校正和聚焦后的输出图像(Output Image)输入至ResNest50。
输入图像(Input Image)经过STN后,输出图像(Output Image)中的目标害虫得到了聚焦,并将聚焦后的目标害虫进行校正和裁剪,既实现了裁剪目标害虫进一步突出的功能,又使得目标害虫得到了矫正,从而也减少了野外拍摄时由于距离、角度等因素使得目标害虫在图像中姿态、大小不一带来的影响。
如图2所示,拆分注意力网络ResNest50由拆分注意力(Split Attention)模块(Block)堆叠而成。ResNest50包括依次连接的64通道的conv7×7 s2,最大池化层(Maxpool 3×3 s2),4个Split Attention模块。其中,每个Split-Attention模块中堆叠的Split Attention数量依次为3个、4个、6个和3个。进一步地,相同的Split Attention堆叠若干层,将结果进行合并可得到ResNeSt模型。
其中,ResNest网络作为ResNet的变体,实现了跨通道的交互机制,使得模型更加关注有效的通道并且抑制相关性小的通道,达到了一个全局和局部的权衡,提高了分类的精度。
最终输出的识别结果为害虫的种类,例如褐黄前锹甲{Prosopocoilusblanchardi(Parry)}、台湾大椿象{Eurostus validus Dalls}、杨植盲蝽{Chrysomalapopuli Linnaeus}、斑衣蜡蝉{Lycorma delicatula(White)}、中华萝蘑肖叶甲{Chrysochus chinensis Baly}或异色瓢虫{Harmonia axyridis(Pallas)}。
图3是本发明提供的ResNest模块的结构示意图,如图3所示,ResNest模块都由分组卷积集合构成,在每个Split中,组变换是conv,1x1卷积连接conv,3x3的卷积,根据多种卷积层组合验证,基于这种结构的害虫识别模型对害虫识别的准确率最高。其中,C’是卷积核的个数,k是Cardinals的个数,r表示的是每个cardinals有r个特征小组。C’/k/r表示的是这一分组的特征图的通道数。c’/k也是特征图的通道数。h和w分别是特征图的高和宽的大小。
在每个ResNest模块中,将Input输入的特征图分成K个组(Cardinal k,k=1,2,…,K),每个组又***成R个特征小组(Split r,r=1,2,…,R),则一共有G个特征图的集合,其中,G=KR。经过对于每一组应用相应的变换f1,f2,…,fG,得到中间结果Ui为:Ui=fi(x),i∈{1,2,...,G},并将中间结果Ui在Cardinal中输入至每个Slipt,在经过SliptAttention模块,Concatenate以及conv,1x1卷积模块,获取最终输出的害虫种类识别结果。
图4是本发明提供的Split Attention模块的结构示意图,如图4所示,在Input将提取到的特征Ui分为r个组输入,在中间结果Ui进行融合后,在Global pooling通过全局平均池化得到全局信息,经过Dense层给不同的分组赋予不同的权重,以学习的方式来自动获取到每个特征通道的重要程度,然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征,形成了类似SE—Net的通道注意力网络。具体为:经过BN+ReLU和归一化指数函数r-Softmax,对权重向量进行修正,然后与原始的特征小组相乘后对应元素相加得到此基数组的输出。
根据本发明提供的害虫种类图像识别方法,通过空间注意力模块和通道注意力网络构建害虫识别模型,通过引入空间注意力模块,从而对害虫图像更加精确的定位,从而降低了图像背景对于分类性能的影响。通过引入通道注意力网络,实现了跨通道的交互机制,使得模型更加关注有效的通道并且抑制相关性小的通道,达到了一个全局和局部的权衡,提高了分类的精度。进而实现对目标害虫数据集的精准的识别,为农业植物保护领域做出了贡献。
可选地,在将所述害虫图像输入至害虫识别模型之前,还包括:
获取多张害虫图像样本,并建立与每张所述害虫图像样本相对应的害虫种类标签;
将每张害虫图像样本与每张所述害虫图像样本相对应的害虫种类标签组合作为一个训练样本,获取多个训练样本;
基于多个训练样本,构建所述第一数据集。
具体地,在野外通过相机NIKON D200拍摄了7344张害虫图像作为害虫图像样本,包括58种目标害虫,其中,每张图像只包括一种害虫。每张图像上的害虫可以是单只的。
进一步地,根据害虫图像样本中害虫的种类,将7344张害虫图像样本打上与每张害虫图像样本相对应的害虫种类标签,并将打上害虫种类标签后的害虫图像样本作为一个训练样本,可以获得7344个训练样本。
将7344个训练样本按7:3的比例划分为训练集和测试集,作为第一数据集。
根据本发明提供的害虫种类图像识别方法,通过对害虫样本图像进行标签标注,构建训练集,为后续对待训练的害虫检测识别模型提供训练样本和验证样本。
可选地,在构建所述第一数据集之后,还包括:
将初始学习率和优化器随机组合,获取多个参数组;
根据所述第一数据集中的害虫种类数量,确定所述全连接层中神经元的数量;
利用每个所述参数组分别配置害虫识别模型,获取多个配置后的害虫识别模型;将所述配置后的害虫识别模型作为所述初始害虫识别模型;
对所述第一数据集进行数据增强,并利用增强后的第一数据集对所述配置后的害虫识别模型进行预训练,以获取所述预先训练好的害虫识别模型。
具体地,设置迭代次数为30次,设置初始学习率分别为0.01、0.001和0.0001,构成三个梯度,并且设置SGD和Adam两种优化器。为了避免训练过程的过拟合现象,设置dropout为0.3。将初始学习率和优化器进行随机组合,可以得到6个不同的参数组。
进一步地,将模型全连接层的神经元个数设置为58个,神经元个数与第一数据集中的害虫种类数量一致,
进一步地,分别利用6个参数组配置害虫识别模型,得到6个配置后的害虫识别模型。
进一步地,通过在线数据增强的方式对第一数据集进行预处理,每一个epoch之前都包括了对图像随机裁剪和旋转,提高害虫识别模型的泛化性能。并利用数据增强后的第一数据集分别对6个配置后的害虫识别模型进行预训练,以获取预先训练好的害虫识别模型。
根据本发明提供的害虫种类图像识别方法,通过设置多个参数组在对害虫识别模型进行配置,并在第一数据集上进行数据增强,提高害虫识别模型的泛化性能,同时为得到预先训练好的害虫识别模型提供基础。
可选地,利用增强后的第一数据集对所述配置后的害虫识别模型进行预训练,以获取所述预先训练好的害虫识别模型,包括:
将所述第一数据集划分为多个数据子集;
对所有的数据子集进行数据增强处理,获取增强后的数据子集;
利用增强后的数据子集对所述每个所述配置后的害虫识别模型分别进行训练,获取每个所述配置后的害虫识别模型输出的分类结果;所述分类结果与所述参数组一一对应;
根据所有分类结果的准确率,从所有参数组中筛选出目标参数组;
利用所述目标参数组对所述配置后的害虫识别模型进行调参处理,获取第一调整模型;
根据所述第一调整模型,获取所述预先训练好的害虫识别模型。
具体地,将害虫识别模型的训练批量大小设置为32,也即是将第一数据集中的7344个训练样本划分为多个数据子集,每个数据子集有32个训练样本。
进一步地,通过在线数据增强的方式对数据子集进行预处理,使每一个训练轮次(epoch)之前都包括了对图像随机裁剪和旋转,提高模型的泛化性能,进而获取增强后的数据子集。数据子集包括训练子集和验证子集。
进一步地,利用增强后的训练子集对6个配置后的害虫识别模型进行训练,再利用验证子集对训练得到的害虫识别模型分别进行分类测试,根据每个配置后的害虫识别模型输出的分类结果,得到每个配置后的害虫识别模型对第一数据集中害虫种类识别的准确率。
在6个准确率中确定准确率最高的为第一准确率,并将与第一准确率对应的参数组作为目标参数,并记录目标参数。
进一步地,利用目标参数组对配置后的害虫识别模型进行调参,获取第一调整模型;
进一步地,根据所述第一调整模型,以获取所述预先训练好的害虫识别模型。
其中,目标参数组可以作为第二数据集和第三数据集的初始参数。
根据本发明提供的害虫种类图像识别方法,基于深度学习的思想,通过将多个参数组配置后的害虫识别模型在第一数据集上进行训练,使得初始害虫识别模型学习不同害虫种类对应的害虫样本图像的特征,并选择害虫识别正确率最高的参数组,提高了害虫识别模型的识别性能。
可选地,第一准确率与所述目标参数组相对应;
所述根据所述第一调整模型,获取所述预先训练好的害虫识别模型,包括:
获取多个常规神经网络模型,并获取多个预设数据集;所述多个预设数据集包括不同采集场景下的所述第一数据集、第二数据集和第三数据集;所述第一数据集的规模小于所述第二数据集,且所述第一数据集的规模大于所述第三数据集;
根据任一预设数据集中所有害虫的种类数,对所述多个常规神经网络模型中神经元的数量进行设置,获取多个常规设置模型;
对所述任一预设数据集进行数据增强,利用增强后的所述任一预设数据集作为输入,分别输入至每个所述常规设置模型,以获取每个所述常规设置模型输出的分类结果,构建分类结果集合;
计算所述分类结果集合中每个分类结果的准确率,以确定数值最大的目标准确率;
根据所述任一预设数据集中所有害虫的种类数,对所述第一调整模型中神经元的数量进行设置,获取设置后的第一调整模型;
利用所述增强后的所述任一预设数据集作为输入,分别输入至所述设置后的第一调整模型,以获取所述调整后的第一调整模型输出的第一分类结果;
计算所述第一分类结果的准确率为第一准确率;
在所有的预设数据集上,在所述目标准确率均小于所述第一准确率的情况下,确定所述第一调整模型为所述预先训练好的害虫识别模型。
可选地,为了验证害虫识别模型在不同规模数据集上的应用效果,使用五个经典的卷积神经网络模型作为常规神经网络模型,包括AlexNet、VGG19、GoogLeNet、ResNet50和ResNest50。将这五个常规神经网络模型分别在第一数据集、第二数据集和第三数据集上进行训练,将训练得到的害虫识别模型分别在测试集上进行测试,得到对害虫种类识别的准确率。
在预设数据集为第一数据集的情况下,由于第一数据集中有58个种类的害虫,故在使用第一数据集对常规神经网络模型和第一调整模型进行训练之前,需要对将常规神经网络模型和第一调整模型的神经元数量设置为58,得到多个常规设置模型和设置后的第一调整模型。
图5是本发明提供的多种神经网络模型对第一数据集进行识别的准确率柱形图,如图5所示,横坐标包括常规神经网络模型,依次为AlexNet,VGG19,GoogLeNet,ResNet50,ResNest50;横坐标还包括Proposed,Proposed为本发明提供的设置后的第一调整模型。纵坐标为各神经网络模型在增强后的第一数据集上对害虫种类识别的准确率,数值为百分数(%)。
其中,AlexNet的准确率为88.26%,VGG19的准确率为95.11%,GoogLeNet的准确率为94.71%,ResNst50的准确率为95.79%,ResNest50的准确率为95.97%,Proposed的准确率为96.51%。可见,在第一数据集上,目标准确率为95.97%,而第一准确率为96.51%,故目标准确率小于第一准确率,第一调整模型在第一数据集上符合要求。
在预设数据集为第二数据集的情况下,还需比较第二数据集训练下常规神经网络模型和第一调整模型对害虫种类识别的准确率。
其中,获取第二数据集具体包括:下载开源数据集IP102,其包含75222张害虫图像,共计102个害虫种类。根据害虫图像样本中害虫的种类,将75222张害虫图像样本打上与每张害虫图像样本相对应的害虫种类标签,并将打上害虫种类标签后的害虫图像样本作为一个训练样本,可以获得75222个训练样本。将75222个训练样本按7:3的比例划分为训练集和测试集,作为第二数据集。可见,第二数据集的规模大于所述第一数据集。
进一步地,对于第二数据集微调第一调整模型中所有层的参数,根据第二数据集中害虫种类,将第一调整模型中全连接层的神经元数量设置为102,得到设置后的第一调整模型。可选地,在使用第二数据集对常规神经网络模型和第一调整模型进行训练之前,还需要对将常规神经网络模型的神经元数量设置为102,得到多个常规设置模型。
进一步地,为保证与第一数据集对害虫识别模型同等的训练条件,基于在线数据增强方法,对第二数据集中的样本图像随机翻转、裁剪,获取增强后的第二数据集。
并利用获取增强后的第二数据集对设置后的第一调整模型进行训练,以获取所述第一调整模型输出的第一分类结果,并根据第二数据集的害虫种类标签计算第一分类结果的识别准确率,作为第一准确率。
图6是本发明提供的多种神经网络模型对第二数据集进行识别的准确率柱形图,如图6所示,横坐标包括常规神经网络模型,依次为AlexNet,VGG19,GoogLeNet,ResNet50,ResNest50;横坐标还包括Proposed,Proposed为本发明提供的设置后的第一调整模型。纵坐标为各神经网络模型在增强后的第二数据集上对害虫种类识别的准确率,数值为百分数(%)。
其中,AlexNet的准确率为58.81%,VGG19的准确率为68.6%,GoogLeNet的准确率为69.61%,ResNet50的准确率为68.84%,ResNest50的准确率为71.97%,Proposed的准确率为73.29%。可见,在第二数据集上,目标准确率为71.97%,而第一准确率为73.29%,故目标准确率小于第一准确率,第一调整模型在第二数据集上符合要求。
在预设数据集为第三数据集的情况下,还需比较第三数据集训练下常规神经网络模型和第一调整模型对害虫种类识别的准确率。
其中,获取第三数据集具体包括:下载开源数据集三,其中包含5692张害虫图像,共计10个害虫种类。根据害虫图像样本中害虫的种类,将5692张害虫图像样本打上与每张害虫图像样本相对应的害虫种类标签,并将打上害虫种类标签后的害虫图像样本作为一个训练样本,可以获得5692个训练样本。将5692个训练样本按7:3的比例划分为训练集和测试集,作为第三数据集。可见,第三数据集的规模小于所述第一数据集。
进一步地,根据第三数据集中害虫种类,将第一调整模型中全连接层的神经元数量设置为10,得到设置后的第一调整模型。
进一步地,对设置后的第一调整模型中特征提取层的参数冻结处理,以获取参数冻结后的第一调整模型。
进一步地,为保证与第一数据集对害虫识别模型同等的训练条件,基于在线数据增强方法,对第三数据集中的样本图像随机翻转、裁剪,获取增强后的第三数据集。
并利用增强后的第三数据集对参数冻结后的第一调整模型进行训练,以获取所述第一调整模型输出的第一分类结果。根据第三数据集的害虫种类标签计算第一分类结果的识别准确率,作为第一准确率。
图7是本发明提供的多种神经网络模型对第三数据集进行识别的准确率柱形图,如图7所示,横坐标包括常规神经网络模型,依次为AlexNet,VGG19,GoogLeNet,ResNet50,ResNest50,横坐标还包括Proposed,Proposed为本发明提供的设置后的第一调整模型。纵坐标为各神经网络模型在增强后的第三数据集上对害虫种类识别的准确率,数值为百分数(%)。
其中,AlexNet的准确率为91.91%,VGG19的准确率为94.92%,GoogLeNet的准确率为91.02%,ResNet50的准确率为94.92%,ResNest50的准确率为95.76%,Proposed的准确率为96.78%。可见,在第三数据集上,目标准确率为95.76%,而第一准确率为96.78%,故目标准确率小于第一准确率,第一调整模型在第三数据集上符合要求。
可选地,在任一预设数据集上,在目标准确率大于第一准确率的情况下,利用增强后的第一数据集对第一调整模型进行训练,直至得到的新的第一调整模型,在任一增强后的预设数据集上得到的新的第一准确率,大于目标准确率,则可确定第一调整模型为预先训练好的害虫识别模型。通过对三个数据集的害虫种类识别的准确率进行分析,本发明提供的预先训练好的害虫识别模型在三个数据集上的表现分别为:96.51%、73.29%、96.78%,对害虫种类的识别精度都高于现有的神经网络模型。
其中,采集场景即为采集图像时的作物场景,例如,第一数据集的采集场景可以是稻田,第二数据集的采集场景可以是果园,第三数据集的采集场景可以是菜地。由于第一数据集、第二数据集和第三数据集中害虫图像样本的采集场景不同,故害虫的寄主不同,进而导致害虫图像样本的背景也不同。
根据本发明提供的害虫种类图像识别方法,通过三个大、中、小数据集,对具有复杂背景特点的害虫图像进行识别的深度学习模型,验证害虫识别模型在不同规模、不同寄主的害虫数据集上的害虫种类识别性能,并验证害虫识别模型,对于不同种类、不同规模数据集的鲁棒性,以获取识别性能稳定的害虫识别模型。
本发明提供一种害虫种类图像识别方法,针对具有复杂背景特点的害虫图像,通过引入空间注意力模块,对于害虫图像实现更加精确的定位,进而降低了图像背景对于害虫分类准确性的影响;通过引入通道注意力网络,实现了跨通道的交互机制,使得模型更加关注有效的通道并且抑制相关性小的通道,达到了一个全局和局部的权衡,提高了分类的精度;进而实现了对不同规模、不同宿主的害虫数据集的精准的识别,为农业植物保护领域做出了贡献。
图8是本发明提供的害虫种类图像识别***的结构示意图,如图8所示,包括:
获取单元801,获取目标害虫图像;
识别单元802,将所述目标害虫图像输入值预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;
害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;
所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
在***运行的过程中,获取单元801获取目标害虫图像;识别单元802将目标害虫图像输入值预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
首先,获取单元801获取目标害虫图像。
其中,目标害虫图像中的害虫可以为单个或多个,且必须为预先训练好的害虫识别模型所能识别的害虫种类。
具体地,目标害虫图像可以是通过相机拍摄的,也可以是图像库中调取的。
进一步地,识别单元802将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
其中,空间注意力模块可以为空间变换网络(Spatial Transformer Network,STN),通道注意力网络可以为ResNest系列的残差网络。空间注意力模块和通道注意力网络是串行的关系。
预先训练好的害虫识别模型所能识别的害虫种类是由全连接层中神经元的数量决定的。例如,第一数据集中的害虫种类为58种,在对初始害虫识别模型进行训练时,需要将连接层中神经元的数量设置为58。
本发明提供一种害虫种类图像识别***,针对具有复杂背景特点的害虫图像,通过引入空间注意力模块和通道注意力网络,对害虫图像更加精确的定位和跨通道的交互机制,并使害虫识别模型更加关注有效的通道,进而降低了图像背景对于害虫分类准确性的影响,提高了分类的精度,实现了对害虫种类的精准的识别,为农业植物保护领域做出了贡献。
可选地,害虫种类图像识别***还包括构建单元,具体用于:
获取多张害虫图像样本,并建立与每张所述害虫图像样本相对应的害虫种类标签;
将每张害虫图像样本与每张所述害虫图像样本相对应的害虫种类标签组合作为一个训练样本,获取多个训练样本;
基于多个训练样本,构建所述第一数据集。
具体地,构建单元在野外通过相机NIKON D200拍摄了7344张害虫图像作为害虫图像样本,包括58种目标害虫,其中,一张图像只有一个害虫。
进一步地,构建单元根据害虫图像样本中害虫的种类,将7344张害虫图像样本打上与每张害虫图像样本相对应的害虫种类标签,并将打上害虫种类标签后的害虫图像样本作为一个训练样本,可以获得7344个训练样本。
构建单元将7344个训练样本按7:3的比例划分为训练集和测试集,作为第一数据集。
根据本发明提供的害虫种类图像识别***,通过对害虫样本图像进行标签标注,构建训练集,为后续对待训练的害虫检测识别模型提供训练样本和验证样本。
需要说明的是,本发明实施例提供的害虫种类图像识别***,在具体执行时,可以基于上述任一实施例所述的害虫种类图像识别方法来实现,对此本实施例不作赘述。
图9是本发明提供的电子设备的结构示意图,如图9所示,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线1040,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行害虫种类图像识别方法,该方法包括:获取目标害虫图像;将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的害虫种类图像识别方法,该方法包括:获取目标害虫图像;将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的害虫种类图像识别方法,该方法包括:获取目标害虫图像;将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种害虫种类图像识别方法,其特征在于,包括:
获取目标害虫图像;
将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;
所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;
所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的;
所述空间注意力模块具体为空间变换网络,所述通道注意力网络具体为拆分注意力网络;
所述空间变换网络与所述拆分注意力网络串行连接;
所述空间变换网络,包括至少一个定位网络、至少一个生成器和至少一个采样器;
所述定位网络通过所述生成器与所述采样器连接;
所述定位网络,包括多个卷积层和至少一个全连接层。
2.根据权利要求1所述的害虫种类图像识别方法,其特征在于,在将所述害虫图像输入至害虫识别模型之前,还包括:
获取多张害虫图像样本,并建立与每张所述害虫图像样本相对应的害虫种类标签;
将每张害虫图像样本与每张所述害虫图像样本相对应的害虫种类标签组合作为一个训练样本,获取多个训练样本;
基于多个训练样本,构建所述第一数据集。
3.根据权利要求1所述的害虫种类图像识别方法,其特征在于,在构建所述第一数据集之后,还包括:
将初始学习率和优化器随机组合,获取多个参数组;
根据所述第一数据集中的害虫种类数量,确定所述全连接层中神经元的数量;
利用每个所述参数组分别配置害虫识别模型,获取多个配置后的害虫识别模型;将所述配置后的害虫识别模型作为所述初始害虫识别模型;
对所述第一数据集进行数据增强,并利用增强后的第一数据集对所述配置后的害虫识别模型进行预训练,以获取所述预先训练好的害虫识别模型。
4.根据权利要求3所述的害虫种类图像识别方法,其特征在于,利用增强后的第一数据集对所述配置后的害虫识别模型进行预训练,以获取所述预先训练好的害虫识别模型,包括:
将所述第一数据集划分为多个数据子集;
对所有的数据子集进行数据增强处理,获取增强后的数据子集;
利用增强后的数据子集对所述每个所述配置后的害虫识别模型分别进行训练,获取每个所述配置后的害虫识别模型输出的分类结果;所述分类结果与所述参数组一一对应;
根据所有分类结果的准确率,从所有参数组中筛选出目标参数组;
利用所述目标参数组对所述配置后的害虫识别模型进行调参处理,获取第一调整模型;
根据所述第一调整模型,获取所述预先训练好的害虫识别模型。
5.根据权利要求4所述的害虫种类图像识别方法,其特征在于,所述根据所述第一调整模型,获取所述预先训练好的害虫识别模型,包括:
获取多个常规神经网络模型,并获取多个预设数据集;所述多个预设数据集包括不同采集场景下的所述第一数据集、第二数据集和第三数据集;所述第一数据集的规模小于所述第二数据集,且所述第一数据集的规模大于所述第三数据集;
根据任一预设数据集中所有害虫的种类数,对所述多个常规神经网络模型中神经元的数量进行设置,获取多个常规设置模型;
对所述任一预设数据集进行数据增强,利用增强后的所述任一预设数据集作为输入,分别输入至每个所述常规设置模型,以获取每个所述常规设置模型输出的分类结果,构建分类结果集合;
计算所述分类结果集合中每个分类结果的准确率,以确定数值最大的目标准确率;
根据所述任一预设数据集中所有害虫的种类数,对所述第一调整模型中神经元的数量进行设置,获取设置后的第一调整模型;
利用所述增强后的所述任一预设数据集作为输入,分别输入至所述设置后的第一调整模型,以获取所述调整后的第一调整模型输出的第一分类结果;
计算所述第一分类结果的准确率为第一准确率;
在所有的预设数据集上,在所述目标准确率均小于所述第一准确率的情况下,确定所述第一调整模型为所述预先训练好的害虫识别模型。
6.一种害虫种类图像识别***,其特征在于,包括:
获取单元,获取目标害虫图像;
识别单元,将所述目标害虫图像输入至预先训练好的害虫识别模型,以获取由所述害虫识别模型输出的害虫种类识别结果;
所述害虫识别模型,是利用第一数据集对初始害虫识别模型进行训练后获取的;
所述初始害虫识别模型,是基于空间注意力模块和通道注意力网络构建的;
所述空间注意力模块具体为空间变换网络,所述通道注意力网络具体为拆分注意力网络;
所述空间变换网络与所述拆分注意力网络串行连接;
所述空间变换网络,包括至少一个定位网络、至少一个生成器和至少一个采样器;
所述定位网络通过所述生成器与所述采样器连接;
所述定位网络,包括多个卷积层和至少一个全连接层。
7.根据权利要求6所述的害虫种类图像识别***,其特征在于,还包括构建单元,所述构建单元具体用于:
获取多张害虫图像样本,并建立与每张所述害虫图像样本相对应的害虫种类标签;
将每张害虫图像样本与每张所述害虫图像样本相对应的害虫种类标签组合作为一个训练样本,获取多个训练样本;
基于多个训练样本,构建所述第一数据集。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述害虫种类图像识别方法步骤。
9.一种非暂态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如权利要求1至5任一项所述害虫种类图像识别方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807412.6A CN113673340B (zh) | 2021-07-16 | 2021-07-16 | 一种害虫种类图像识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110807412.6A CN113673340B (zh) | 2021-07-16 | 2021-07-16 | 一种害虫种类图像识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673340A CN113673340A (zh) | 2021-11-19 |
CN113673340B true CN113673340B (zh) | 2024-05-10 |
Family
ID=78539565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110807412.6A Active CN113673340B (zh) | 2021-07-16 | 2021-07-16 | 一种害虫种类图像识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673340B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115136827A (zh) * | 2022-05-25 | 2022-10-04 | 深圳华云信息***有限公司 | 虫情监测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814768A (zh) * | 2020-09-02 | 2020-10-23 | 中国医学科学院北京协和医院 | 基于ai复合模型的图像识别方法、装置、介质和设备 |
CN111814622A (zh) * | 2020-06-29 | 2020-10-23 | 华南农业大学 | 农作物病虫害类型识别方法、***、设备和介质 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
CN111985370A (zh) * | 2020-08-10 | 2020-11-24 | 华南农业大学 | 一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法 |
CN112464971A (zh) * | 2020-04-09 | 2021-03-09 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN112653899A (zh) * | 2020-12-18 | 2021-04-13 | 北京工业大学 | 一种基于联合注意力ResNeSt的复杂场景下网络直播视频特征提取方法 |
CN112950478A (zh) * | 2021-03-18 | 2021-06-11 | 武汉工程大学 | 基于双重身份属性约束的人脸超分辨率方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11645791B2 (en) * | 2019-10-17 | 2023-05-09 | Rutgers, The State University Of New Jersey | Systems and methods for joint reconstruction and segmentation of organs from magnetic resonance imaging data |
-
2021
- 2021-07-16 CN CN202110807412.6A patent/CN113673340B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464971A (zh) * | 2020-04-09 | 2021-03-09 | 丰疆智能软件科技(南京)有限公司 | 害虫检测模型构建方法 |
CN111814622A (zh) * | 2020-06-29 | 2020-10-23 | 华南农业大学 | 农作物病虫害类型识别方法、***、设备和介质 |
CN111915526A (zh) * | 2020-08-05 | 2020-11-10 | 湖北工业大学 | 一种基于亮度注意力机制低照度图像增强算法的摄影方法 |
CN111985370A (zh) * | 2020-08-10 | 2020-11-24 | 华南农业大学 | 一种基于改进混合注意力模块的农作物病虫害的细粒度识别方法 |
CN111814768A (zh) * | 2020-09-02 | 2020-10-23 | 中国医学科学院北京协和医院 | 基于ai复合模型的图像识别方法、装置、介质和设备 |
CN112653899A (zh) * | 2020-12-18 | 2021-04-13 | 北京工业大学 | 一种基于联合注意力ResNeSt的复杂场景下网络直播视频特征提取方法 |
CN112950478A (zh) * | 2021-03-18 | 2021-06-11 | 武汉工程大学 | 基于双重身份属性约束的人脸超分辨率方法及*** |
Non-Patent Citations (5)
Title |
---|
Compare the performance of the models in art classification;Wentao Zhao 等;《PLOS ONE》;1-16 * |
Recognizing Pests in Field-Based Images by Combining Spatial and Channel Attention Mechanism;XINTING YANG 等;《IEEE Access》;第9卷;1-11 * |
基于多尺度注意力卷积网络的作物害虫检测;张善文 等;《江苏农业学报》;第37卷(第3期);579-588页,正文第1-2节 * |
基于多视角融合的细粒度图像分类方法;黄伟锋 等;《信号处理》;第36卷(第9期);1607-1614 * |
融合空间和通道注意力机制的害虫图像识别方法研究;罗勇琛;《中国优秀硕士学位论文全文数据库农业科技辑》;D046-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673340A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10282589B2 (en) | Method and system for detection and classification of cells using convolutional neural networks | |
Kamilaris et al. | Deep learning in agriculture: A survey | |
Gandhi et al. | Plant disease detection using CNNs and GANs as an augmentative approach | |
Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
Blok et al. | The effect of data augmentation and network simplification on the image‐based detection of broccoli heads with Mask R‐CNN | |
CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
Kamath et al. | Classification of paddy crop and weeds using semantic segmentation | |
Mzoughi et al. | Deep learning-based segmentation for disease identification | |
Liang et al. | Low-cost weed identification system using drones | |
Al-Badri et al. | Classification of weed using machine learning techniques: a review—challenges, current and future potential techniques | |
US20220391615A1 (en) | Tool for counting and sizing plants in a field | |
Carrijo et al. | Automatic detection of fruits in coffee crops from aerial images | |
CN110298366B (zh) | 农作物分布提取方法及装置 | |
CN113673340B (zh) | 一种害虫种类图像识别方法及*** | |
CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
McLeay et al. | Deep convolutional neural networks with transfer learning for waterline detection in mussel farms | |
Kaya et al. | Oak leaf classification: an analysis of features and classifiers | |
Umar et al. | Precision Agriculture Through Deep Learning: Tomato Plant Multiple Diseases Recognition with CNN and Improved YOLOv7 | |
Aquino et al. | Detection of Rice Planthopper Using Image Processing Techniques | |
CN115035309A (zh) | 一种水稻病害识别方法及装置 | |
CN114140428A (zh) | 基于YOLOv5的落叶松毛虫虫害检测识别方法及*** | |
Wang et al. | A mobile application for tree classification and canopy calculation using machine learning | |
Oppenheim et al. | Object recognition for agricultural applications using deep convolutional neural networks | |
CN117523550B (zh) | 苹果病虫害检测方法、装置、电子设备和存储介质 | |
Zbieć et al. | Neural Networks for Image Recognition in Mobile Applications |
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 |