[发明专利]烟虫自动识别和计数方法、计算机可读介质

权利要求书

1.烟虫自动识别和计数方法，用于识别烟虫诱捕器捕获的烟虫种类并统计烟虫数量，其特征在于，该方法包括步骤：

S1：获取历史烟虫诱捕器照片数据；

S2：处理所述历史烟虫诱捕器照片数据，形成批量标注数据集信息；

S3：利用获得的批量标注数据集信息训练神经网络模型，获得烟虫识别神经网络模型；

S4：利用获得的烟虫识别神经网络模型识别待计数的烟虫诱捕器照片，自动获得烟虫诱捕器照片上的烟虫种类和烟虫数量信息。

2.根据权利要求1所述的烟虫自动识别和计数方法，其特征在于，所述步骤S2具体包括：

S201：标注历史烟虫诱捕器照片数据，框出各个烟虫的位置信息，进一步标注烟虫的种类信息，形成包含历史烟虫诱捕器照片信息、位置信息和种类信息的标注数据集信息；

S202：将所述标注数据集信息的80％划分为训练集、10％划分为验证集、10％划分为测试集。

3.根据权利要求2所述的烟虫自动识别和计数方法，其特征在于，所述步骤S3中，所述神经网络模型为YOLO-V3神经网络模型，对所述YOLO-V3神经网络模型进行训练的过程具体包括：

S301：按设定规则在烟虫诱捕器照片上产生一系列候选区域，根据所述候选区域与物体真实框之前的位置关系对所述候选区域进行标注；

S302：使用卷积神经网络提取烟虫诱捕器照片特征，并对所述候选区域的位置和类别进行预测，得到预测框，将所述预测框作为样本；

S303：根据真实框相对于所述样本的位置和类别进行标注，获得标签值；

S304：通过YOLO-V3神经网络模型预测所述样本的位置和类别，得到预测值，将预测值与所述标签值进行比较，建立评价指标函数；

S305：利用所述训练集训练YOLO-V3神经网络的参数，利用所述验证集选择参数，利用所述测试集模拟训练后的真实效果，采用二层循环嵌套方式进行训练过程：

内层循环采用分批次方式负责整个数据集的一次遍历，执行数据准备、前向计算、计算评价指标函数、反向传播，然后更新模型参数；

外层循环反复遍历数据集执行内层循环；

若计算的评价指标函数达到预先设定的误差值，完成外层循环，结束训练过程，生成烟虫识别神经网络模型。

4.根据权利要求3所述的烟虫自动识别和计数方法，其特征在于，所述步骤S301中，与所述真实框足够接近的候选区域被标注为正样本，同时将真实框的位置作为所述正样本的位置目标，与所述真实框偏离较大的候选区域被标注为负样本，负样本不需要预测位置或者类别。

5.根据权利要求1所述的烟虫自动识别和计数方法，其特征在于，所述步骤S4具体包括：

S401：训练好的烟虫识别神经网络模型加载到模型实例中，传入需要检测识别的照片；

S402：烟虫识别神经网络向前计算，得到烟虫预测框位置和类别；

S403：统计所有烟虫预测框、位置信息和类别信息，得到输入照片中烟虫的种类和各类烟虫的数量信息。

6.根据权利要求5所述的烟虫自动识别和计数方法，其特征在于，若两个预测框的烟虫类别一样，而且两个预测框的位置重合度比较大，则认定两个预测框预测同一个烟虫目标，认定方法包括：

选择某个类别中得分最高的第一预测框；

计算其他预测框与第一预测框的交并比；

若交并比大于设定的预测值，则认定该其他预测框与第一预测框预测同一烟虫目标；

其中，所述交并比表示为：

其中，A表示第一预测框，B表示其他预测框，IoU为交并比。

7.根据权利要求1所述的烟虫自动识别和计数方法，其特征在于，步骤S1中，所述历史烟虫诱捕器照片包括对烟叶仓库或车间不同位置的烟虫诱捕器拍摄的图片，对历史烟虫诱捕器照片进行切分、翻转、缩放和旋转处理，形成更多包含被诱捕烟虫的图片数据。

8.包含计算机执行指令的计算机可读介质，其特征在于，所述计算机执行指令经由数据处理设备处理时，该数据处理设备执行权利要求1～7任一项所述的烟虫自动识别和计数方法。