[發明專利]一種基于深度學習的害蟲檢測方法

有效

• 申請號: 201910830378.7
• 申請日: 2019-09-04
• 公開（公告）號: CN110766041B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 宋雪樺;鄧壯來;汪盼;解暉;金華;王昌達
• 申請（專利權）人: 江蘇大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/045;G06N3/084;G06Q50/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的害蟲檢測方法，其特征在于,包括如下步驟：

步驟1：利用拍照設備采集害蟲圖片，標記每張圖片中的害蟲，構建用于糧倉害蟲檢測的數據庫；

步驟2：輕量化SSD模型的VGG16網絡結構；

步驟3：在SSD損失函數中加入用于分類和回歸任務的加權target；

步驟4：對采集的害蟲圖片中各種姿態和不同尺寸害蟲進行訓練，利用訓練好的SSD模型對害蟲進行檢測。

2.如權利要求1所述的一種基于深度學習的害蟲檢測方法，其特征在于，所述步驟2包括以下步驟：

步驟2.1：修改VGG16網絡結構，將SSD主干網絡VGG16模型的多個卷積和最大池化操改為卷積1_1、卷積1_2、最大池化1、卷積2_1、卷積2_2、最大池化2、卷積3_1、卷積3_3、最大池化3、卷積4_1、卷積4_3、最大池化4、卷積5_1、卷積5_3、最大池化5；

步驟2.2：將VGG16的卷積核和池化核的維數改為3×3、3×3、2×2、3×3、3×3、2×2、3×3、3×3、2×2、3×3、3×3、2×2、3×3、3×3、3×3；

步驟2.3：將VGG16特征圖的維數改為300×300、300×300、150×150、150×150、150×150、75×75、75×75、75×75、38×38、38×38、38×38、38×38、19×19、19×19、19×19；

步驟2.4：提取的特征圖中選擇所有卷積層對應的所有特征圖與3×3的卷積核進行卷積，然后在每層輸出的特征圖上的每個特征圖網格預設默認框，得到每個框相對標注框的偏移量與置信度。

3.如權利要求1所述的一種基于深度學習的害蟲檢測方法，其特征在于，步驟3包括以下步驟：

步驟3.1：在SSD卷積網絡訓練階段，將默認框和害蟲進行匹配，若匹配則默認框為正樣本，若不匹配則默認框為負樣本；然后根據置信度的損失值對負樣本進行排序，損失值由目標損失函數得到；

步驟3.2：在損失函數中加入用于分類和回歸任務的加權target，target計算過程：假設有k個默認框，正樣本數為n，負樣本數為m，則k＝m+n，設定用于分類的標簽Label，當n＞0時，則正樣本分類的加權Pos_target為：Pos_target＝Label/n；當m＞0，且設定正負樣本比例為1∶p時，則負樣本分類的加權Neg_target為：Neg_target＝{1-Label}/m×p；整個分類任務的加權Tol_target為：Tol_target＝Pos_target+Neg_target；加入回歸任務的權重系數為θ，回歸任務的加權Reg_target為：Reg_target＝Pos_target×θ。

4.如權利要求3所述的一種基于深度學習的害蟲檢測方法，其特征在于，所述步驟3.1中的損失函數由分類和回歸兩個部分組成：其中N是匹配到害蟲默認框數；L_loc表示置信損失，由回歸定位誤差實現；L_conf表示置信度損失，由Softmax多分類函數來實現；z為實際害蟲的位置信息；c為預測目標的置信度；l為預測物體框的位置信息；g表示害蟲的位置信息；α為置信損失和位置損失的權衡參數，默認設置為1。

5.如權利要求1所述的一種基于深度學習的害蟲檢測方法，其特征在于，步驟4包括以下步驟：

步驟4.1：將改進的SSD方法中的VGG16的輸出用于害蟲的初步特征提取，得到害蟲圖像的基本特征圖；

步驟4.2：將步驟4.1得到的特征圖，依次經過多尺度特征檢測網絡的多個卷積操作和最大池化操作進行多尺度特征提取，提取到多層級的特征圖并在這些特征圖中選取不同大小、不同長寬比的候選害蟲區域；

步驟4.3：從步驟4.2提取的特征圖中選擇所有卷積層對應的所有特征圖與3×3的卷積核進行卷積，然后在每層輸出的特征圖上的每個特征圖網格預設默認框，得到每個框相對標注框的偏移量與置信度；其中，默認框為在特征圖的每個網格上的一系列固定大小的框；

步驟4.4：根據步驟4.3各層卷積計算結果合并后傳遞給檢測層，利用非極大值抑制法對所有層的檢測結果進行融合，得到糧倉害蟲圖像檢測結果。