[发明专利]一种基于F-SSD-IV3的作物害虫检测方法

说明书

本发明公开了一种基于F‑SSD‑IV3的作物害虫检测方法，包括以下步骤：(1)采集害虫图像，构建一个作物害虫数据库。(2)构建F‑SSD‑IV3目标检测算法，以Inception V3代替VGG‑16作为特征提取器，对于输出的不同尺度的特征图，设计一种特征融合方法对上下文信息进行融合，最后使用Softer NMS微调候选框。(3)在训练时对网络进行了优化，使用数据扩增和增加Dropout层的方法提高检测性能和模型的泛化能力。

技术领域

本发明属于深度学习与计算机视觉领域，尤其是涉及一种基于F-SSD-IV3的作物害虫检测方法。

背景技术

随着全球人口的不断增长，对于粮食的需求也在大幅增加，由于自然环境及作物自身因素的影响，作物在不同的生长阶段中不可避免地会受到害虫的攻击。若无法及时检测到害虫并消除它，可能会造成虫害的爆发，大规模虫害的爆发会影响到作物的健康生长，从而对作物的产量和品质造成较大的损害。

传统的害虫鉴定建立在形态、颜色和纹理等形态特征的基础上,依赖人工识别的方法，结果存在着一定的主观性/时效性差/劳动密集.早期鉴定害虫是建立在模板匹配技术和简单的模型上，使用人工设计的特征提取害虫图像的特征.常见的特征如方向梯度直方图(Histogram of Oriented Gradient，HOG)、局部二值模式(Local Binary Pattern，LBP)、尺度不变特征变换(Scale-invariant Feature Transform，SIFT)、Haar-like和可变形部件模型(Deformable Parts Model，DPM)等。不过人工设计特征取决于先验知识,难以精准表达出目标害虫的颜色和形态，缺乏鲁棒性。此外，上述方法的应用场景具有局限性，仅适用于理想的实验室环境下。

近年来，依托卷积神经网络(Convolutional Neural Networks，CNN)强大的特征表达能力，基于深度学习的目标检测方法在检测性能上取得了很大的突破.一般而言，基于深度学习的目标检测方法可分为两类：基于候选区域的目标检测方法和基于回归的目标检测方法。基于候选区域的目标检测方法，算法流程为从图像中生成候选区域，从中提取特征生成感兴趣区域(Region of Interest，RoI)，最后进行分类及回归，常见的算法有R-CNN[53]、Fast R-CNN[54]、Faster R-CNN[55]和R-FCN[56]。这类方法具有精度较高但是检测速度慢。目前对象检测的主要趋势是转向更快、更高效的检测，在YOLO[59]、SSD[60]等基于回归的目标检测方法中具有明显的速度优势。对于输入的图像，在没有候选区域的情况下在图像的多个位置同时预测边界框和类别。其中YOLO的局限性在于对边界框的预测施加了强大的空间约束，难以检测到多尺度小目标的物体。而SSD虽然检测速度基本上达到了实时，但是在面对小目标物体时，检测的性能较差。在实际的大田环境中，背景复杂，害虫种类/姿态多样，获取的害虫图像中目标尺寸较小，因此现有的检测方法无法很好的满足作物虫害检测领域的需求。

发明内容

为了解决现有的目标检测算法无法很好地平衡检测速度和检测精度之间的矛盾，同时针对现有的害虫图像样本数量少，目标对象小，姿态变化多样和易被遮挡等特点，本发明对SSD目标检测算法进行了改进，提出了一种新的目标检测方法F-SSD-IV3用于检测作物害虫。

为实现上述目的，本发明提供了如下的技术方案，如图1所示：

(1)通过互联网下载、智能手机拍摄、数码相机拍摄等方式采集害虫图像，构建一个作物害虫数据库。

(1-1)害虫的图像为RGB图像，统一设置格式为JPEG，以害虫名称加连续数字为其命名；

(1-2)使用图像标注工具LabelImg标记图像中害虫的类别和矩形边界框，矩形边界框由xmin，ymin，xmax，ymax四个坐标信息构成；