[發明專利]基于圖像卷積特征的復雜背景下害蟲細粒度圖像識別方法

在審

• 申請號: 202011167562.7
• 申請日: 2020-10-28
• 公開（公告）號: CN112348065A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 錢蓉;董偉;張立平;朱靜波;孔娟娟;張萌;李閏枚
• 申請（專利權）人: 安徽省農業科學院農業經濟與信息研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京盛詢知識產權代理有限公司 11901
• 代理人: 陳巍

本發明提供基于圖像卷積特征的復雜背景下害蟲細粒度圖像識別方法，包括以下步驟：采集帶有復雜背景的害蟲圖像樣本并進行樣本預處理，構建害蟲細粒度圖像數據集；構建害蟲細粒度圖像分類模型，將所述害蟲細粒度圖像數據集輸入到所述害蟲細粒度圖像分類模型進行訓練；將害蟲實時細粒度圖像輸入到訓練好的所述害蟲細粒度圖像分類模型，進行害蟲圖像識別。本發明綜合考慮害蟲斑紋、顏色和體態等因素，進一步細化超類里包含的每個子類別害蟲，構建害蟲細粒度圖像數據集，解決該領域的細粒度樣本數據缺少的問題，通過構建多分支自動識別模型，實現有強差異性區域的特征獲取，進而充分利用子類別間局部細微差異完成識別任務。

技術領域

本發明涉及圖像分析技術領域，具體涉及一種基于圖像卷積特征的復雜背景下害蟲細粒度圖像識別方法。

背景技術

目前，為解決人工難以及時準確辨認農作物害蟲的難題，將深度學習和圖像識別技術應用到農作物害蟲防控領域，準確識別農作物害蟲種類，進而精準診斷和快速防治。研究表明，基于深度學習的農作物害蟲圖像識別的設想從技術角度考慮是可行的，但在具體研究中面臨以下幾方面的挑戰：一是害蟲圖像樣本稀少。現有的圖像樣本數據量較少,僅達到實驗室條件下仿真實驗要求。圖像樣本稀少的原因是樣本采集工作面臨眾多的困難和威脅，首先，害蟲通常發生在野外，圖像采集難度大；其次，害蟲發生時間集中、周期短且有區域性特點，想采集多種類、特征全面的多樣性圖像數據庫，必須經過多年積累，投入大量人力物力，也需要有強大的經濟支撐力；最后，采集的圖像樣本需經植保專家鑒定歸類，才具有使用價值。二是已有圖像樣本背景簡單、姿態單一、光照穩定，致使研究成果不具有實際使用價值，阻礙自動識別研究成果示范推廣。據調研，相關研究中報道圖像樣本多數是單一背景指定類別的樣本圖像，或是在實驗室特定背景下拍攝的標本圖像，這種樣本圖像背景過于簡單，以此為試驗數據構建的自動識別模型存在泛化能力弱和識別能力差的局限性，制約其實際使用的可能性。三是相關研究報道的自動識別模型在田間使用存在識別種類有限的不足，在特征差異明顯的數據集上表現出較好的識別率。究其原因，現有數據集包含的害蟲種類少，類別劃分粗糙，同時，絕大部分農作物害蟲形態相似，類別間差異不明顯，現有的自動識別模型難以識別。

因此，有必要細化害蟲分類,構建分類具體的害蟲細粒度大數據庫，然后以此為數據基礎，研發的自動識別模型可拓寬正確識別的種類數。

發明內容

本發明的目的是提供一種基于圖像卷積特征的復雜背景下害蟲細粒度圖像識別方法，通過深度學習技術，構建卷積神經網絡，捕獲圖像的局部細微特征、蟲體全局紋理特征等細微差別，增強特征提取的描述能力，可實現害蟲細粒度圖像自動識別。

本發明提供如下技術方案：本發明提供基于圖像卷積特征的復雜背景下害蟲細粒度圖像識別方法，其特征在于，包括以下步驟：

采集帶有復雜背景的害蟲細粒度圖像樣本并進行樣本預處理，構建害蟲細粒度圖像數據集；

構建害蟲細粒度圖像分類模型，并采用端到端的方法對所述害蟲細粒度圖像分類模型進行訓練；

將所述害蟲細粒度數據集圖像輸入到訓練后的所述害蟲細粒度圖像分類模型，進行害蟲細粒度圖像分類與識別。

優選地，所述樣本預處理的方法為：采用去重軟件處理所有圖像樣本，去除重復數據，得到已優化的圖像集；標注所有圖像，給出每幅圖像的類別號；對所述圖像集進行裁剪與標注，進而構建害蟲細粒度圖像數據集。

優選地，所述害蟲細粒度圖像數據集包括訓練集、測試集和驗證集；

所述訓練集用于對所述害蟲圖像細粒度分類模型進行訓練；

所述測試集用于所述害蟲細粒度圖像分類模型的產參數調優，驗證所述害蟲細粒度圖像分類模型是否過擬合；

所述驗證集用于完成所述害蟲細粒度圖像分類模型的識別準確率和泛化能力驗證。