[发明专利]基于深度学习的检测红脂大小蠹的方法

说明书

本发明为一种基于深度学习的检测红脂大小蠹的方法。其首先将从改造后的诱捕器中采集的小蠹图像传输至服务器进行图像预处理，然后输入针对蠹虫数据集使用k‑means方法优化默认框的Faster R‑CNN目标检测模型进行检测，最后将检测结果进行一系列后处理后绘制在输入图像上。本发明可实现林场现场图像数据实时采集和远程在线识别，减少了人力付出，实现了林业害虫监测的自动化。

技术领域

本发明涉及检测红脂大小蠹的方法，尤其涉及一种基于深度学习的检测红脂大小蠹的方法。

背景技术

红脂大小蠹(RTB)是危害超过35种松科植物的蛀干害虫。1998年在我国山西省首次发现该虫后，危害面积迅速扩大。2004年红脂大小蠹扩散到山西、陕西、河北、河南4省，枯死松树达600多万株。2005年扩散到北京市门头沟区。

准确及时的虫情监测预警可指导早期防治，避免重大经济和生态损失。红脂大小蠹虫口监测是森林虫灾防治的重要环节。在红脂大小蠹成虫扬飞期，工作人员根据松林分布情况悬挂诱捕器。传统的监测方法是昆虫专家对诱捕器中的红脂大小蠹进行人工识别和计数。人工监测存在劳动强度大、费用高、效率低、主观性强等问题，亟待通过自动计数的方法减轻基层人员的劳动强度，提高害虫监测和预测预报的准确度与时效性。

发明内容

为此，本发明提出一种基于深度学习的检测红脂大小蠹的方法，它可自动识别定位出危害最大的红脂大小蠹并计数。

本发明采用的方案如下：

一种基于深度学习的检测红脂大小蠹的方法，其包括以下步骤：

1)采集蠹虫图像步骤

采用改造后的集成摄像头等电子元件的诱捕器定时采集蠹虫图像，并传输至服务器；

2)预处理图像步骤

2.1)将原始图像进行降噪处理然后，对其灰度图进行霍夫圆检测，定位诱捕器圆形杯底；

2.2)根据检测出的圆形的圆心坐标和半径对原始图像进行裁剪，裁出方形图像；

3)将预处理后的图像输入模型进行目标检测步骤

3.1)将图像输入Faster R-CNN模型第一阶段的RPN网络，以使用k-means算法改进过的默认框为基准，在原图生成高质量的区域建议，其中k-means聚类步骤如下：

3.1.1)从n个标注框中选取k个标注框作为聚类中心；

3.1.2)计算其余n-k个标注框到k个聚类中心的最小“距离”，把n-k个最小“距离”的和作为loss，并把最小距离对应的标注框和聚类中心归为一簇；

3.1.3)分别计算k个簇中所有框的长和宽平均值，并把该平均值选做新的k个聚类中心；

3.1.4)重复3.1.2-3.1.3的步骤，直至loss不再降低；

3.1.5)将k个聚类中心的长和宽作为默认框参数；

3.2)然后使用Faster R-CNN模型的第二阶段从3.1)生成的区域建议所对应的特征图中预测分类和位置微调，输出若干检测框的坐标和类别及分类信心，将这些输出经过后处理后绘制在图像上。

进一步地：

在所述采集蠹虫图像步骤中，诱捕器为圆柱形收集杯，杯底为圆形区域；杯壁水平嵌入摄像头，杯壁附有LED补光灯，为拍摄补光；诱捕器收集杯中含酒精。

在所述预处理图像的定位诱捕器的圆形杯底步骤中，结合图像中的圆形杯底区域，采用霍夫圆检测算法，求得圆心坐标和半径，进而将图像中杯底的方形区域裁出。