[发明专利]一种基于SSD算法的特征融合的粮虫识别方法和识别系统

权利要求书

1.一种基于SSD算法的特征融合的粮虫识别方法，其特征在于，包括如下步骤：

步骤一：建立数据集；

步骤二：建立神经网络模型，并采用数据集的训练数据对其进行训练，得到训练后的神经网络模型；

步骤三：采集待识别的粮虫图像，将其输入到训练后的神经网络模型中，检测出其中的粮虫种类和位置；

所述数据集中的训练数据包括多张粮虫图片，每张图片上只有一种粮虫的图像，每张图片分辨率为640×480；

所述神经网络模型的特征图包括block12、block7、block8、block9和block10，其中block12由卷积层conv4_3和conv5_3输出的特征图通过TOP-DOWN模块融合而成，block7、block8、block9和block10分别为卷积层conv7、conv8_2、conv9_2和conv10_2输出的特征图，各特征图先验框的大小通过K-means算法进行聚类得到。

2.根据权利要求1所述的基于SSD算法的特征融合的粮虫识别方法，其特征在于，使用TOP-DOWN模块融合卷积层conv4_3和conv5_3输出的特征图方法为：

对卷积层conv5_3输出的特征图进行一次卷积和两次反卷积，然后接入BN模块；

对浅层卷积层conv4_3输出特征图进行两次卷积操作，然后接入BN模块；

对卷积层conv5_3输出的特征图和卷积层conv4_3输出特征图进行特征融合，最后经过Relu激活函数输出最终融合后的特征图。

3.根据权利要求2所述的基于SSD算法的特征融合的粮虫识别方法，其特征在于，采用点乘的方式对卷积层conv5_3输出的特征图和卷积层conv4_3输出特征图进行特征融合。

4.根据权利要求1所述的基于SSD算法的特征融合的粮虫识别方法，其特征在于，通过K-means算法计算各特征图先验框大小的方法包括如下步骤：

对数据集图像中的粮虫进行标注，并进行初始化得到m个聚类中心；

计算数据集中所有GT与各个聚类中心之间的距离，将与其距离最近的聚类中心作为其索引，将索引相同的特征点作为同一聚类；

当连续两次的聚类结果相同时，判断为聚类结束；

将各聚类的最小包围框作为先验框。

5.根据权利要求1所述的基于SSD算法的特征融合的粮虫识别方法，其特征在于，所述粮虫包括玉米象、赤拟谷盗、谷蠹、锈赤扁谷盗和印度谷螟。

6.一种基于SSD算法的特征融合的粮虫识别系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现基于SSD算法的特征融合的粮虫识别方法，该方法包括如下步骤：

步骤一：建立数据集；

步骤二：建立神经网络模型，并采用数据集的训练数据对其进行训练，得到训练后的神经网络模型；

步骤三：采集待识别的粮虫图像，将其输入到训练后的神经网络模型中，检测出其中的粮虫种类和位置；

所述数据集中的训练数据包括多张粮虫图片，每张图片上只有一种粮虫的图像，每张图片分辨率为640×480；

所述神经网络模型的特征图包括block12、block7、block8、block9和block10其中block12由卷积层conv4_3和conv5_3输出的特征图通过TOP-DOWN模块融合而成，block7、block8、block9和block10分别为卷积层conv7、conv8_2、conv9_2和conv10_2输出的特征图，各特征图先验框的大小通过K-means算法进行聚类得到。