[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

本發明涉及一種基于深度學習的害蟲檢測方法，主要應用于糧倉害蟲的檢測。通過輕量化SSD中的VGG16模型，并減少對應卷積核、池化核和特征圖的維數，修改特征層，另外在損失函數中加入用于分類和回歸任務的加權target，使用標記的糧倉害蟲圖片進行訓練，將訓練完成的模型對害蟲進行檢測。本發明可由低到高的多層次特征學習，并優化了模型訓練的收斂速度，平衡了正負樣本數量，提高了訓練效率，快速實現高精度的糧倉害蟲檢測。

技術領域

本發明涉及計算機視覺技術領域，尤其是涉及一種基于深度學習的害蟲檢測方法。

背景技術

在糧食儲藏過程中，蟲害是造成糧食損失的重要原因之一，而防治的前提是及時檢測到害蟲發生。目前糧倉害蟲檢測還是人工檢測為主，該檢測方法是一種及時性差、準確率低。并且該方法還需經過糧倉害蟲的專家或有豐富經驗的糧倉管理者才能完成。

隨著光學技術的發展，出現了基于光學原理支持下的糧倉害蟲檢測技術。例如軟X射線檢測法和近紅外光譜法等。但這些方法存在著設備成本高、儀器校準較為復雜和檢測范圍局限等問題。

SSD是一種單次檢測(One-Stage)方法。它結合了YOLO的回歸思想和Faster-RCNN中的?Anchor?boxes機制，加入了RPN網絡的特征金字塔的檢測方式，通過對不同卷積層的特征圖像執行滑動窗口掃描來檢測多尺度的目標，并能夠檢測出卷積層輸出的特征圖像中的小目標，得到的特征圖具有一定的平移和尺度不變性，將這些特性運用到糧倉害蟲的檢測中，能夠有效提高檢測精度。

發明內容

本發明的目的在于解決傳統糧倉害蟲檢測方法中的檢測時間長、檢測準確率低等問題，并進一步提高SSD模型的訓練速度和檢測精度，提出一種基于深度學習的害蟲檢測方法，為糧倉害蟲智能化預警系統提供必要的技術支撐。

本發明是通過以下技術方案來實現,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。

進一步地，上述步驟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。

進一步地，上述步驟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；