[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210608335.6
• 申請日: 2022-05-31
• 公開（公告）號: CN114926691A
• 公開（公告）日: 2022-08-19
• 發(fā)明（設(shè)計）人: 陳政羽;潘鋮;丁佳駿;黃迅辰;徐梓航;宋仕月
• 申請（專利權(quán)）人: 中國計量大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/24;G06V10/46;G06N3/04;G06N3/08
• 代理公司: 杭州天昊專利代理事務(wù)所(特殊普通合伙) 33283
• 代理人: 曹小燕;吳金姿

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法，其特征在于，包括：

步驟S10，生成樣本標(biāo)簽；采集蟲害圖像并基于每張蟲害圖像內(nèi)的蟲害類型生成對應(yīng)的樣本標(biāo)簽，形成具有樣本標(biāo)簽的蟲害數(shù)據(jù)集；

步驟S20、，數(shù)據(jù)歸一化；將蟲害數(shù)據(jù)集進(jìn)行歸一化預(yù)處理；

步驟S30，數(shù)據(jù)集劃分；將預(yù)處理后的蟲害數(shù)據(jù)集劃分為訓(xùn)練集和測試集且訓(xùn)練集和測試集均包括多種蟲害類型的圖像；

步驟S40，構(gòu)建用于識別蟲害類型的卷積神經(jīng)網(wǎng)絡(luò)模型；構(gòu)建用于識別蟲害類型的卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括多個DenseBlock層，連接相鄰兩個DenseBlock層之間的多個Transition層以及位于輸出端的全連接層；全連接層對多個DenseBlock層所提取的特征進(jìn)行處理，在輸出圖片識別預(yù)測結(jié)果的同時通過交叉熵?fù)p失函數(shù)計算識別圖片的損失值和梯度，所述全連接層輸出的神經(jīng)元節(jié)點數(shù)與所要分類的茶樹蟲害類型數(shù)量相同；

步驟S50，空間注意力機制嵌入；分別在卷積神經(jīng)網(wǎng)絡(luò)模型的第一個DenseBlock層之前和最后一個DenseBlock層之后嵌入空間注意力機制；

步驟S60，模型迭代訓(xùn)練；基于訓(xùn)練集對嵌入空間注意力機制的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，以使交叉熵?fù)p失函數(shù)收斂；

步驟S70，輸入測試集以得到訓(xùn)練結(jié)果；將測試集輸入訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，得到蟲害圖像的識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法，其特征在于，步驟S50在卷積神經(jīng)網(wǎng)絡(luò)模型的第一個DenseBlock層之前和最后一個DenseBlock層之后嵌入空間注意力機制的步驟均包括：

步驟S51，對輸入X，使用尺寸(H,1)和(1,W)的池化核沿著水平坐標(biāo)方向和豎直坐標(biāo)方向?qū)γ總€通道進(jìn)行編碼，得到兩個編碼后的特征圖；

步驟S52，連接兩個編碼后的特征圖，并使用1×1卷積對兩個特征圖進(jìn)行變換，生成對空間信息在水平方向和豎直方向的中間特征圖；

步驟S53，沿空間維度將中間特征圖切分為兩個單獨的張量特征圖；

步驟S54，利用兩個1×1的卷積將兩個張量特征圖變換為和輸入X具有同樣的通道數(shù)；

步驟S55，最后進(jìn)行擴展，得到注意力權(quán)重。

3.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法，其特征在于，對生成樣本標(biāo)簽的原始蟲害圖像進(jìn)行增強處理，將每幅原始蟲害圖像通過隨機旋轉(zhuǎn)、裁剪和翻轉(zhuǎn)的操作方式將數(shù)據(jù)集進(jìn)行增強操作，其中水平和垂直翻轉(zhuǎn)操作幾率大于或等于50％；增強操作后形成擴充數(shù)據(jù)集并將擴充數(shù)據(jù)集劃分為訓(xùn)練集和測試集，且訓(xùn)練集的蟲害圖像數(shù)量大于測試集的蟲害圖像數(shù)量。

4.根據(jù)權(quán)利要求3所述的基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法，其特征在于，基于同一原始蟲害圖像所形成的增強蟲害圖像的樣本標(biāo)簽均包含原始蟲害圖形的樣本標(biāo)簽信息和表征其自身的標(biāo)識信息。

5.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法，其特征在于，在預(yù)處理時，將蟲害圖像數(shù)據(jù)轉(zhuǎn)為tensor，將【0，1】的張量歸一化到【-1，1】上。

6.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法，其特征在于，利用Adam函數(shù)對訓(xùn)練收斂后的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，優(yōu)化后再利用測試集進(jìn)行測試。

7.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法，其特征在于，所述基于卷積神經(jīng)網(wǎng)絡(luò)的蟲害智能化識別方法還包括：

基于測試集內(nèi)蟲害圖像的樣本標(biāo)簽判斷卷積神經(jīng)網(wǎng)絡(luò)對測試蟲害圖像的識別是否正確；

匯總識別錯誤的測試樣本圖像；

提取識別錯誤的測試樣本圖像的共同特征并進(jìn)行分類，所述共同特征包括增強操作的方式和蟲害類型；

基于不同類型的共同特征修正卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的參數(shù)。