[發明專利]基于深度學習的多特征聯合的植物線蟲檢測方法及系統

有效

• 申請號: 202110364547.X
• 申請日: 2021-04-02
• 公開（公告）號: CN112990341B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 莊佳衍;顧建鋒;朱瑩;肖江劍;朱屹;劉陽明
• 申請（專利權）人: 中國科學院寧波材料技術與工程研究所
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06K9/62;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京利豐知識產權代理事務所(特殊普通合伙) 32256
• 代理人: 艾中蘭;王鋒

本發明公開了一種基于深度學習的多特征聯合的植物線蟲檢測方法及系統。本發明利用第一深度學習神經網絡提取植物線蟲關鍵特征，分別檢測出植物線蟲的頭部、雌蟲尾部、雄蟲尾部等關鍵特征區域；利用第二深度學習神經網絡作為識別檢測網絡，分別實現單特征檢測、雙特征聯合檢測和三特征聯合檢測，具有較高的檢測準確率。最后，設計了人性化的線蟲檢測界面，完成了線蟲智能檢測系統，可以根據線蟲的難易區分程度選擇線蟲檢測識別方案。本發明增加了有效提取關鍵特征的機制，增加了多特征聯合分類的方法。本發明能夠針對關鍵特征點小，且難以區分的植物線蟲數據進行準確檢測，利用多特征聯合實現層次化的松材線蟲和擬松材線蟲的檢測。

技術領域

本發明涉及深度學習圖像智能檢測和檢索技術領域，具體涉及一種基于深度學習的多特征聯合的植物線蟲智能檢測方法及系統。

背景技術

受外來物種的侵害，松材線蟲病在我國傳播日趨嚴重，每年產生巨大的經濟損失，加大檢疫力度，從源頭上提高疫情阻截能力，遏制松材線蟲擴散勢在必行。但是，在各種特征極其相似的線蟲中準確的檢測出松材線蟲對檢測機關的技術人員來說存在極大挑戰。如何高效準確的檢測出松材線蟲一直是一個非常關鍵的極大難題。由于線蟲體型很小，線蟲的關鍵特征點如頭部和尾部相對線蟲形體來說更加微小，且很不明顯，有時候必須多個特征聯合檢測才能分辨出松材線蟲的種類，鑒定十分困難。

傳統的檢測方法根據線蟲形態，主要依靠積累的經驗對自己熟悉的類群鑒定，受到人力的極大限制。近幾年來，隨著人工智能和大數據技術的發展，機器學習技術受業界的廣泛關注。其中，深度學習算法已經被成功運用于語音識別、圖形識別、醫學和生物檢測等各個領域。

發明內容

為了解決現有松材線蟲檢測技術難題，根據實際應用需求，本發明將深度學習方法應用于松材線蟲檢測，彌補用深度學習方法檢測松材線蟲技術的空缺，以提高檢測準確性，節省人力物力。

為了實現上述發明目的，本發明采用如下技術方案：

一種基于深度學習的多特征聯合的植物線蟲檢測方法，其包括如下步驟：

S0、建立包括松材線蟲圖像和擬松材線蟲圖像的植物線蟲圖像數據集；

S1、利用第一深度學習神經網絡提取植物線蟲的關鍵特征，包括線蟲頭部特征、雌線蟲尾部特征和雄線蟲尾部特征；

S2、利用第二深度學習神經網絡對植物線蟲種類進行檢測，所述檢測包括雌線蟲尾部特征單特征檢測，線蟲頭部特征和雌線蟲尾部特征雙特征聯合檢測，線蟲頭部特征和雌線蟲尾部特征及雄線蟲尾部特征三特征聯合檢測。

優選地，所述利用第一深度學習神經網絡提取植物線蟲的關鍵特征，包括如下步驟：

S11、建立植物線蟲圖像訓練數據集；

將所述植物線蟲圖像數據集分為松材線蟲圖像組和擬松材線蟲圖像組，并從每一組植物線蟲圖像中隨機篩選出相同數目的圖像組成一組，利用標注工具對該組植物線蟲圖像的頭部和尾部區域進行標注，作為植物線蟲圖像訓練數據集；

S12、植物線蟲關鍵特征區域初步檢測；

利用所述植物線蟲圖像訓練數據集對第一深度學習神經網絡進行訓練，得到關鍵特征提取的初步訓練模型；

S13、修正初步訓練模型；

利用所述初步訓練模型對所述植物線蟲圖像數據集中的剩余圖像進行檢測，將檢測結果錯誤的圖像加入到所述植物線蟲圖像訓練數據集中，重復步驟S12-步驟S13，直到完成所述植物線蟲圖像數據集中所有植物線蟲圖像的正確檢測，得到所述植物線蟲圖像數據集的關鍵特征提取模型；

S14、提取植物線蟲關鍵特征；