[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶小綠葉蟬識別和計數(shù)的方法

有效

• 申請?zhí)枺?/td>: 202010967815.2
• 申請日: 2020-09-15
• 公開（公告）號: CN112101455B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計）人: 陳世春;王曉慶;江宏燕;胡翔;彭萍;商靖
• 申請（專利權(quán)）人: 重慶市農(nóng)業(yè)科學(xué)院
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06K9/62;G06V10/40;G06M11/00;G06N3/04;G06N3/08
• 代理公司: 重慶晶智匯知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50229
• 代理人: 施永卿

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶小綠葉蟬識別和計數(shù)的方法，其特征在于：

包括以下步驟：

a、首先采取標(biāo)準(zhǔn)的VGG16網(wǎng)絡(luò)結(jié)構(gòu)作為主干網(wǎng)絡(luò)、對含有黃板全部輪廓的圖像樣本進(jìn)行特征提取，同時選取圖像樣本的淺層特征進(jìn)行回歸運(yùn)算；

b、將主干網(wǎng)絡(luò)每層中含有豐富語義信息的深層特征通過上采樣加卷積層組合的方式逐層疊加到淺層特征上，用于豐富淺層特征的語義信息；

c、主干網(wǎng)絡(luò)的每層深層特征再與對應(yīng)的每層疊加后的淺層特征進(jìn)行融合，作為神經(jīng)網(wǎng)絡(luò)的輸出層，在神經(jīng)網(wǎng)絡(luò)的輸出層上完成對茶小綠葉蟬的回歸識別；在回歸識別過程中，完成不同位置茶小綠葉蟬的識別以及同一層輸出層上同一位置茶小綠葉蟬的去重處理；同時，根據(jù)對茶小綠葉蟬的識別和回歸運(yùn)算結(jié)果，結(jié)合劃定的黃板范圍，完成對不同輸出層上相同位置茶小綠葉蟬重復(fù)識別的去重處理，最后進(jìn)行黃板上茶小綠葉蟬的數(shù)量計算；

上述網(wǎng)絡(luò)的訓(xùn)練方法采用通用的識別模型迭代訓(xùn)練方式，訓(xùn)練集采用在不同數(shù)據(jù)上框選目標(biāo)的人工標(biāo)注方式得到；

所述步驟a中采用模板匹配的方式估算大小、從而選擇主干網(wǎng)絡(luò)中最佳的特征層作為淺層網(wǎng)絡(luò)的輸入層；

所述模板匹配的方式具體為：

首先在黃板的四個角和中心位置均繪制一個邊長為h、單位為cm的正方形框，并在圖像的原圖中采用矩形框進(jìn)行模板匹配運(yùn)算，分別定為黃板的四個頂角和中心；

然后同時計算四個頂角和中心匹配中的矩形框所包含的像素點(diǎn)的個數(shù)，分別即為n₁、n₂、n₃、n₄與n₀，再分別估算茶小綠葉蟬在圖像原圖中的成像像素點(diǎn)個數(shù)，具體公式為：

其中i＝0,1,2,3,4；

式中，k為茶小綠葉蟬體長、單位為毫米；1的單位為毫米；h表示繪制的正方形框的邊長、單位為厘米；

通過四個頂角和一個中心將矩形黃板分為四個三角形區(qū)域，然后計算每個區(qū)域內(nèi)平均茶小綠葉蟬所占的像素大小，具體公式為：

其中i＝1,2,3,4；且x₅＝x₁；

最后根據(jù)每個區(qū)域的茶小綠葉蟬所占像素大小，選擇用于識別的茶小綠葉蟬的最佳特征層，具體公式為：

其中i＝1,2,3,4；

式中，表示向下取整；k表示選取第k個block輸出的特征層作為該區(qū)域的茶小綠葉蟬識別層、即淺層神經(jīng)網(wǎng)絡(luò)的輸入層。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶小綠葉蟬識別和計數(shù)的方法，其特征在于：所述步驟a中對含有黃板全部輪廓的圖像樣本為采用高清攝像頭拍攝或手機(jī)拍攝中的任一種方式獲得的圖像幀，通過預(yù)處理、訓(xùn)練轉(zhuǎn)化為深度學(xué)習(xí)框架直接讀取的格式。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶小綠葉蟬識別和計數(shù)的方法，其特征在于：所述步驟a中進(jìn)行回歸運(yùn)算時，采用設(shè)定的anchor的比例為1：h或h：1；其中，h為茶小綠葉蟬的體長。