[发明专利]基于改进卷积神经网络的农田微型虫害识别装置

权利要求书

1.基于改进卷积神经网络的农田微型虫害识别装置，其特征在于，包括：

摄像终端系统，所述摄像终端系统包括终端摄像模块、摄像控制模块、ARM芯片板和数据传输模块；所述摄像终端系统用于通过ARM芯片板上嵌入的软件界面来控制摄像控制模块，从而调用终端摄像模块拍摄田间微型虫害图片，并将虫害图片传送到智能识别系统中；

其中，所述摄像控制模块用于连接终端摄像模块，调用终端摄像模块拍摄田间微型虫害图像后通过数据传输模块上传到数据处理模块；所述摄像控制模块包括调用摄像头子模块、图像识别子模块、图像上传子模块；

智能识别系统，所述智能识别系统包括数据处理模块、识别模块、信息下发模块；所述智能识别系统基于改进卷积神经网络模型的微型虫害检测方法，接收终端摄像模块拍摄的图像并通过数据处理模块进行处理扩展图像数据数量，通过智能识别系统识别拍摄图像中的农业微型虫害，再返回到摄像终端系统的ARM芯片板上嵌入的软件界面以显示虫害的具体种类以及防治信息；

远程更新系统，所述远程更新系统包括远程存储模块、虫害数据库、远程网络训练模块；所述远程更新系统用于实时存储终端摄像模块拍摄的图像；

其中，所述远程存储模块用于存储上传的农田微型虫害图片；所述虫害数据库包括历史的虫害图像和当前上传的虫害图像，以更新远程网络训练模块；

所述远程网络训练模块用户搭建基于改进卷积神经网络的训练模型，用于指导智能识别系统中部署的嵌入式识别模块；

基于改进卷积神经网络模型的微型虫害检测方法为：

步骤S001：选择R-FCN模型作为原型并通过算法进行改进，并使用经过算法改进后的R-FCN模型对训练集数据进行训练，得到用于检测微型虫害的深度学习模型；

步骤S002：将测试集数据输入到步骤S001中得到的深度学习模型中，通过改进后的R-FCN模型提取微型虫害图像的特征，再对提取的特征进行定位检测，得到微型虫害的识别精度；

步骤S003：根据输出的测试识别精度结果，保存训练最优化的模型算法；

所述步骤S001中通过算法对R-FCN模型进行改进的方法为：

步骤S01：锚点的优化：利用聚类算法对所有的数据进行统计分析，根据聚类分析结果来设计锚点的大小和比例；通过k中心点聚类对所有的真实框进行分析，将锚点的大小设为{32^2，64^2，128^2，256^2}，比例设置为{3:4，1:1，5:4}，得到12种的具有不同大小及比例的锚点；

步骤S02：超参数的优化，在原始R-FCN模型默认参数基础上做如下优化：

S021：前景与背景样本的阈值：前景样本的阈值设为0.60，背景样本的阈值设为0～0.60；感兴趣区域与前景的重叠度大于0.60被认为前景样本，感兴趣区域与前景的重叠度在0～0.60之间被认为背景样本；

S022：BBOX阈值：设定为0.65，只有感兴趣区域与真实框的重叠度大于0.65，该感兴趣区域才能用作BB回归的训练样本；

S023：minibatch大小：设定为64；

S024：域建议网络的正负样本阈值：正样本设定为0.75；负样本阈值设定为0.4；

S025：将所有实验中经过非极大抑制留下的候选区域数量设置为200，其他设置保持默认不变。

2.根据权利要求1所述的基于改进卷积神经网络的农田微型虫害识别装置，其特征在于，所述数据处理模块对终端摄像模块拍摄的图像进行处理扩展图像数据数量的方法为：

步骤SS01：通过终端摄像模块在农田实际环境中获取的微型虫害图像，将图像分为5组，取其中1组图像作为测试集，其他4组作为训练集；

步骤SS02：将接收到的图像转换为单尺度图像和多尺度图像，使图像中的每个微型虫害都具有4种尺度大小；

步骤SS03：通过数据增强技术来扩展图像数据集：对训练集中的图像进行水平镜像翻转、垂直镜像翻转和添加椒盐噪声。

3.根据权利要求2所述的基于改进卷积神经网络的农田微型虫害识别装置，其特征在于，所述步骤SS02中将接收到的图像转换为单尺度图像和多尺度图像的规则具体为：

将所有数据集的每个原始图像裁剪成具有多种尺寸的图像；尺寸为150*250、240*400、300*500、600*1000，其中，多尺度图像都具有相同的宽高比，宽高比为3：5。