[發明專利]基于卷積神經網絡的蟲害智能化識別方法及系統

在審

• 申請號: 202210608335.6
• 申請日: 2022-05-31
• 公開（公告）號: CN114926691A
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 陳政羽;潘鋮;丁佳駿;黃迅辰;徐梓航;宋仕月
• 申請（專利權）人: 中國計量大學
• 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所(特殊普通合伙) 33283
• 代理人: 曹小燕;吳金姿

本發明提供一種基于卷積神經網絡的蟲害智能化識別方法及系統，該方法包括：采集蟲害圖像并基于每張蟲害圖像內的蟲害類型生成對應的樣本標簽，形成具有樣本標簽的蟲害數據集；將蟲害數據集進行歸一化預處理；將預處理后的蟲害數據集劃分為訓練集和測試集；構建用于識別蟲害類型的卷積神經網絡模型；分別在卷積神經網絡模型的第一個DenseBlock層之前和最后一個DenseBlock層之后嵌入空間注意力機制；基于訓練集對嵌入空間注意力機制的卷積神經網絡模型進行迭代訓練，以使交叉熵損失函數收斂；將測試集輸入訓練后的卷積神經網絡模型，得到蟲害圖像的識別結果，并返回識別的準確率。

技術領域

本發明涉及計算機領域，且特別涉及一種基于卷積神經網絡的蟲害智能化識別方法及系統。

背景技術

現行的茶樹蟲害檢測、識別工作主要是依靠少數植保專家和農技人員來完成的。目前通常采用的方式是依據茶樹蟲害的形態特征(顏色、大小、形狀等)運用人眼視覺進行人工識別。然而人的視覺系統也往往存在許多不足之處，如局限性、模糊性、主觀性、缺乏持久性等，這都將大大降低茶樹蟲害識別的準確度。

隨著計算機圖像識別技術的發展，目前也有利用計算機圖像處理技術獲取茶樹蟲害信息可以大大提高茶樹蟲害的識別的準確度。然而，現有的識別網絡容易產生幾百上千的圖像寬度，不僅特征提取困難、識別準確率較低且識別效率低。

發明內容

本發明為了克服現有技術的不足，提供一種識別準確率高且識別速度快的基于卷積神經網絡的蟲害智能化識別方法及系統。

為了實現上述目的，本發明提供一種基于卷積神經網絡的茶樹蟲害智能化識別方法，其包括：

步驟S10，生成樣本標簽；采集蟲害圖像并基于每張蟲害圖像內的蟲害類型生成對應的樣本標簽，形成具有樣本標簽的蟲害數據集；

步驟S20，數據歸一化；將蟲害數據集進行歸一化預處理；

步驟S30，數據集劃分；將預處理后的蟲害數據集劃分為訓練集和測試集且訓練集和測試集均包括多種蟲害類型的圖像；

步驟S40，構建用于識別蟲害類型的卷積神經網絡模型；卷積神經網絡模型包括多個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層所提取的特征進行處理，在輸出圖片識別預測結果的同時通過交叉熵損失函數計算識別圖片的損失值和梯度，全連接層輸出的神經元節點數與所要分類的茶樹蟲害類型數量相同；

步驟S50，空間注意力機制嵌入；分別在卷積神經網絡模型的第一個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，模型迭代訓練；基于訓練集對嵌入空間注意力機制的卷積神經網絡模型進行迭代訓練，以使交叉熵損失函數收斂；

步驟S70，輸入測試集以得到訓練結果；將測試集輸入訓練后的卷積神經網絡模型，得到蟲害圖像的識別結果。

根據本發明的一實施例，在步驟S50中，在卷積神經網絡模型的第一個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方向和豎直坐標方向對每個通道進行編碼，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；