[發明專利]一種儲糧害蟲檢測識別方法及裝置

在審

• 申請號: 201810220737.2
• 申請日: 2018-03-16
• 公開（公告）號: CN108615046A
• 公開（公告）日: 2018-10-02
• 發明（設計）人: 周曉光;黨豪;孫沐毅;劉治財;張冠宏;楊海英;楊記好;張馳;石志超
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06Q50/02
• 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

1.一種儲糧害蟲檢測識別方法，其特征在于，包括：

將原始儲糧害蟲圖像輸入人工智能分析模型中進行害蟲的位置定位和類別判定，所述人工智能分析模型為根據儲糧害蟲圖像組成的數據集進行訓練和驗證的卷積神經網絡；

根據位置定位和類別判定的結果，在所述原始儲糧害蟲圖像上標注害蟲位置和類別。

2.根據權利要求1所述的方法，其特征在于，根據儲糧害蟲圖像組成的數據集訓練和驗證所述卷積神經網絡，具體包括：

根據儲糧害蟲的原始圖像，獲得所述原始圖像上的害蟲位置和類別進行人工標注的人工標注圖像，基于所有人工標注圖像構建數據集；

將所述數據集分為訓練集、驗證集和測試集，其中所述訓練集用于訓練所述卷積神經網絡，所述驗證集用于訓練過程中調節所述卷積神經網絡的參數，所述測試集用于測試所述卷積神經網絡的效果；

利用所述訓練集、驗證集和測試集對所述卷積神經網絡進行迭代訓練和驗證，從而構建所述人工智能分析模型。

3.根據權利要求2所述的方法，其特征在于，所述卷積神經網絡包含候選框提取模塊和目標檢測模塊；

所述候選框提取模塊，用于對訓練集的所有Feature map進行候選框提??；所述目標檢測模塊，用于對所提取的候選框進行目標識別檢測。

4.根據權利要求3所述的方法，其特征在于，所述利用所述訓練集、驗證集和測試集對所述卷積神經網絡和RPN網絡進行迭代訓練和驗證，從而構建所述人工智能分析模型，具體包括：

將所述數據集中任意大小的人工標注圖像縮放至固定大小后輸入神經網絡；

通過所述卷積神經網絡的卷積池化和非線性激勵操作提取所述人工標注圖像的高維特征；

利用所述候選框提取模塊根據所述高維特征進行候選框提取，并利用所述目標檢測模塊識別所提取的候選框，進行迭代訓練和驗證，以構建所述人工智能分析模型。

5.根據權利要求2所述的方法，其特征在于，所述根據儲糧害蟲的原始圖像，獲得所述原始圖像上的害蟲位置和類別進行人工標注的人工標注圖像，基于所有人工標注圖像構建數據集，還包括：

對所有的人工標注圖像進行如下的一種或多種處理，以進行圖像增強：任意角度旋轉、鏡像處理、添加噪聲信號、模糊處理和位置變化；根據圖像增強后的人工標注圖像構建數據集。

6.根據權利要求3所述的方法，其特征在于，所述根據圖像增強后的人工標注圖像構建數據集，還包括：

對所述數據集中的人工標注圖像進行去均值、歸一化、主成分分析和白化中的一種或多種處理。

7.根據權利要求1所述的方法，其特征在于，所述根據位置定位和類別判定的結果，在所述原始儲糧害蟲圖像上標注害蟲位置和類別，之后還包括：

根據所述根據位置定位和類別判定的結果，獲取每種類別的害蟲的數量；

根據所述位置定位、每種類別的害蟲的數量，進行分級告警并發出警報。

8.一種儲糧害蟲檢測識別裝置，其特征在于，包括：

模型判定模塊，用于將原始儲糧害蟲圖像輸入人工智能分析模型中進行害蟲的位置定位和類別判定，所述人工智能分析模型為根據儲糧害蟲圖像組成的數據集進行訓練和驗證的卷積神經網絡；以及

害蟲標注模塊，用于根據位置定位和類別判定的結果，在所述原始儲糧害蟲圖像上標注害蟲位置和類別。

9.一種電子設備，其特征在于，包括：

至少一個處理器；以及

與所述處理器通信連接的至少一個存儲器，其中：

所述存儲器存儲有可被所述處理器執行的程序指令，所述處理器調用所述程序指令能夠執行如權利要求1至7任一所述的方法。

10.一種非暫態計算機可讀存儲介質，其特征在于，所述非暫態計算機可讀存儲介質存儲計算機指令，所述計算機指令使所述計算機執行如權利要求1至7任一所述的方法。