[發明專利]一種東亞飛蝗齡期識別方法及裝置

在審

• 申請號: 201810146870.8
• 申請日: 2018-02-12
• 公開（公告）號: CN108537108A
• 公開（公告）日: 2018-09-14
• 發明（設計）人: 李林;顧進鋒;蘇潔;陸書涵;柏雪松
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;吳歡燕

1.一種東亞飛蝗齡期識別方法，其特征在于，包括：

S1，基于預先構建的蝗蟲種類識別模型對待識別蝗蟲圖像進行識別；

S2，若根據識別結果獲知所述待識別蝗蟲圖像的種類為東亞飛蝗，則基于預先構建的東亞飛蝗齡期識別模型對所述待識別蝗蟲圖像進行識別，獲取所述待識別蝗蟲圖像對應的齡期。

2.根據權利要求1所述的方法，其特征在于，所述步驟S1之前還包括：

S0，基于卷積神經網絡對預先獲取的訓練樣本圖像進行深度學習，構建蝗蟲種類識別模型和東亞飛蝗齡期識別模型；所述訓練樣本圖像包括東亞飛蝗樣本圖像和其他種類的蝗蟲樣本圖像。

3.根據權利要求2所述的方法，其特征在于，所述步驟S0之前還包括：

S011，基于連通區域標記算法對預先獲取的各原始蝗蟲圖像中的蝗蟲區域進行標記；

S012，若所述蝗蟲區域滿足預設條件，則根據標記的所述蝗蟲區域的位置和所述蝗蟲區域對應的蝗蟲類型，基于直線裁剪算法對各所述原始蝗蟲圖像進行裁剪，獲取各訓練樣本圖像；或者，

S013，若所述蝗蟲區域不滿足預設條件，則對所述蝗蟲區域進行調整以使所述蝗蟲區域滿足預設條件，對調整后的所述蝗蟲區域執行所述步驟S012；

所述預設條件為所述蝗蟲區域的長與所述蝗蟲區域的寬之間的比值為預設常數。

4.根據權利要求2所述的方法，其特征在于，所述步驟S1之前還包括：

S021，基于卷積神經網絡對預先獲取的所有訓練樣本圖像進行深度學習，構建蝗蟲目標檢測模型；

S022，基于所述蝗蟲目標檢測模型對目標蝗蟲圖像進行檢測，獲取所述目標蝗蟲圖像中所述蝗蟲區域的位置；

S023，根據所述目標蝗蟲圖像中蝗蟲區域的位置，基于直線裁剪算法對所述目標蝗蟲圖像進行裁剪，獲取待識別蝗蟲圖像。

5.根據權利要求3或4所述的方法，其特征在于，所述步驟S012之后或所述步驟S021之前還包括：

對待識別蝗蟲圖像或各所述訓練樣本圖像進行預處理，所述預處理包括歸一化、z-score標準化和白化中的一種或多種。

6.根據權利要求3所述的方法，其特征在于，所述步驟S012之后還包括：

分別根據標記的種類和標記的所述種類為東亞飛蝗的齡期對各所述訓練樣本圖像進行劃分；

相應地，所述步驟S0具體包括：

將各種類的所述訓練樣本圖像輸入卷積神經網絡，構建蝗蟲種類識別模型；

將所述種類為東亞飛蝗的各齡期的所述訓練樣本圖像輸入卷積神經網絡，構建東亞飛蝗齡期識別模型。

7.根據權述利要求2所述的方法，其特征在于，所述步驟S2之后還包括：

對所述訓練樣本圖像進行更新；

根據更新后的所述訓練樣本圖像，對所述蝗蟲種類識別模型和所述東亞飛蝗齡期識別模型進行更新。

8.根據權述利要求2或4所述的方法，其特征在于，所述卷積神經網絡為改進的AlexNet模型；

其中，所述改進的AlexNet模型在原AlexNet中新增預設層數的卷積層，將原AlexNet中的池化層替換為Stochastic pooling層，在倒數第二層全連接層和倒數第三層全連接層中添加Dropout層。

9.根據權述利要求2所述的方法，其特征在于，所述步驟S1還包括：

將各所述訓練樣本圖像進行預設角度的翻轉，將翻轉前后的各所述訓練樣本圖像輸入卷積神經網絡進行深度學習。

10.一種東亞飛蝗齡期識別裝置，其特征在于，包括：

第一識別模塊，用于基于預先構建的蝗蟲種類識別模型對待識別蝗蟲圖像進行識別；

第二識別模塊，用于在根據識別結果獲知所述待識別蝗蟲圖像的種類為東亞飛蝗時，基于預先構建的東亞飛蝗齡期識別模型對所述待識別蝗蟲圖像進行識別，獲取所述待識別蝗蟲圖像對應的齡期。