[發明專利]基于深度學習的檢測紅脂大小蠹的方法

有效

• 申請號: 201810554522.4
• 申請日: 2018-05-31
• 公開（公告）號: CN109684906B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 孫鈺;袁明帥;任利利;劉文萍;張海燕
• 申請（專利權）人: 北京林業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/62
• 代理公司: 北京北新智誠知識產權代理有限公司 11100
• 代理人: 張衛華

本發明為一種基于深度學習的檢測紅脂大小蠹的方法。其首先將從改造后的誘捕器中采集的小蠹圖像傳輸至服務器進行圖像預處理，然后輸入針對蠹蟲數據集使用k?means方法優化默認框的Faster R?CNN目標檢測模型進行檢測，最后將檢測結果進行一系列后處理后繪制在輸入圖像上。本發明可實現林場現場圖像數據實時采集和遠程在線識別，減少了人力付出，實現了林業害蟲監測的自動化。

技術領域

本發明涉及檢測紅脂大小蠹的方法，尤其涉及一種基于深度學習的檢測紅脂大小蠹的方法。

背景技術

紅脂大小蠹(RTB)是危害超過35種松科植物的蛀干害蟲。1998年在我國山西省首次發現該蟲后，危害面積迅速擴大。2004年紅脂大小蠹擴散到山西、陜西、河北、河南4省，枯死松樹達600多萬株。2005年擴散到北京市門頭溝區。

準確及時的蟲情監測預警可指導早期防治，避免重大經濟和生態損失。紅脂大小蠹蟲口監測是森林蟲災防治的重要環節。在紅脂大小蠹成蟲揚飛期，工作人員根據松林分布情況懸掛誘捕器。傳統的監測方法是昆蟲專家對誘捕器中的紅脂大小蠹進行人工識別和計數。人工監測存在勞動強度大、費用高、效率低、主觀性強等問題，亟待通過自動計數的方法減輕基層人員的勞動強度，提高害蟲監測和預測預報的準確度與時效性。

發明內容

為此，本發明提出一種基于深度學習的檢測紅脂大小蠹的方法，它可自動識別定位出危害最大的紅脂大小蠹并計數。

本發明采用的方案如下：

一種基于深度學習的檢測紅脂大小蠹的方法，其包括以下步驟：

1)采集蠹蟲圖像步驟

采用改造后的集成攝像頭等電子元件的誘捕器定時采集蠹蟲圖像，并傳輸至服務器；

2)預處理圖像步驟

2.1)將原始圖像進行降噪處理然后，對其灰度圖進行霍夫圓檢測，定位誘捕器圓形杯底；

2.2)根據檢測出的圓形的圓心坐標和半徑對原始圖像進行裁剪，裁出方形圖像；

3)將預處理后的圖像輸入模型進行目標檢測步驟

3.1)將圖像輸入Faster R-CNN模型第一階段的RPN網絡，以使用k-means算法改進過的默認框為基準，在原圖生成高質量的區域建議，其中k-means聚類步驟如下：

3.1.1)從n個標注框中選取k個標注框作為聚類中心；

3.1.2)計算其余n-k個標注框到k個聚類中心的最小“距離”，把n-k個最小“距離”的和作為loss，并把最小距離對應的標注框和聚類中心歸為一簇；

3.1.3)分別計算k個簇中所有框的長和寬平均值，并把該平均值選做新的k個聚類中心；

3.1.4)重復3.1.2-3.1.3的步驟，直至loss不再降低；

3.1.5)將k個聚類中心的長和寬作為默認框參數；

3.2)然后使用Faster R-CNN模型的第二階段從3.1)生成的區域建議所對應的特征圖中預測分類和位置微調，輸出若干檢測框的坐標和類別及分類信心，將這些輸出經過后處理后繪制在圖像上。

進一步地：

在所述采集蠹蟲圖像步驟中，誘捕器為圓柱形收集杯，杯底為圓形區域；杯壁水平嵌入攝像頭，杯壁附有LED補光燈，為拍攝補光；誘捕器收集杯中含酒精。

在所述預處理圖像的定位誘捕器的圓形杯底步驟中，結合圖像中的圓形杯底區域，采用霍夫圓檢測算法，求得圓心坐標和半徑，進而將圖像中杯底的方形區域裁出。