[发明专利]一种基于稀疏候选框的叶蝉科农业害虫检测方法

说明书

本发明提供了一种基于稀疏候选框的叶蝉科农业害虫检测方法，包括：根据IP102中的原始数据，按照VOC的格式制作叶蝉科虫数据集；之后，通过多尺度特征提取，分别获取含有高层语义信息与低层细节信息的特征图，并将其依次融合，得到特征图；采用感兴趣生成网络在特征图上生成感兴趣区域，并提取感兴趣区域中的特征；生成建议特征，将步感兴趣区域、步骤S3生成的感兴趣区域特征图进行一一对应，并交互产生最终的目标特征图；利用L1和DIOU控制回归损失，FocalLoss控制分类损失；以此实现叶蝉科虫的检测。本发明解决了目前叶蝉科虫因形态各异、背景复杂导致的识别准确度低的问题，能够提高对叶蝉科虫检测的准确率。

技术领域

本发明属于计算机视觉技术领域，尤其涉及一种基于稀疏候选框的叶蝉科农业害虫检测方法。

背景技术

在病虫害识别领域，国内外的研究者越来越倾向使用计算机视觉方法进行识别，并且在病虫害的分类、病虫害的检测与计数以及病虫害检测的实际应几方面已经取得了不错的进展。

针对分类问题，Rothe等人在棉花叶片病害的分类工作中，设计了一种从数字图像中提取叶片症状来进行自动分类的方法。该方法将图像的颜色和形状特征作为判别依据，使用大津阈值分割技术抽取这些特征，随后利用支持向量机根据提取到的信息对其分类。实验结果显示，该系统可有效对三种类型的病害叶片进行分类。Alfarisy等人基于印度尼西亚病虫害威胁水稻生产的状况，创建了一个水稻图像数据集来同时检测水稻病虫害，以解决水稻病虫害的准确检测问题。这篇论文收集了包含4511张图像的数据集。该数据集可识别13种水稻病虫害，其中9种为水稻虫害，4种为水稻病害。该方法利用深度学习对印度尼西亚稻田病虫害进行分类，选择Caffe框架进行处理，并使用预先训练的权重文件，实验结果准确率达到87％。然而它只能对病害进行分类，不能检测病害的数量和位置。

在检测方面，Ding等人提出了一个基于深度学习的自动检测管道，用于对田间陷阱内拍摄的图像中的害虫进行识别和计数，该方法应用于一个商业鳕鱼蛾数据集，在定性和定量分析上都显示出很好的性能。与以前的害虫检测工作相比，该方法并不仅仅针对特定的害虫任务，这使得它在应用到其他物种和环境检测时，只需要较少的人工调整。并且，它适合于在并行硬件环境上部署，因此能够满足需要实时性能的场景。董伟等人分别提出了基于深度卷积神经网络的识别模型和检测计数模型，用于在田间快速准确地对目标害虫进行自动识别和检测计数。针对菜粉蝶、棉铃虫、甜菜夜蛾、小菜蛾、斜纹夜蛾这5种常见且容易混淆的蔬菜鳞翅目害虫，构建了分类识别数据集和检测计数数据集，平均识别率达到94.5％，平均均值精度达到76.6％，与传统方法相比有了明显的提升。

Jian Chen等人提出了一种利用卷积神经网络对蚜虫若虫进行分割和计数的方法。获取了小白菜不同蚜虫侵染阶段叶片的数字图像之后，再对应像素级手动标注二值掩膜，将每个像素分别标识为蚜虫(白色)或背景(黑色)。分割后，他们简单地将连接的白色成分的数量计算为每幅图像中蚜虫若虫的数量。自动计数结果显示准确度达到95.63％，召回率达到96.50％，但他们的方法在病变的叶子、老蚜虫外骨骼、复杂的光照条件下没能取得好的结果。Mishraetal等人发现现有的系统都会因照明、背景干扰、不同的捕捉设备以及害虫部分被遮挡而出现错误分类。这种错误分类可能导致巨大的经济损失。为了缓解这种情况，他们提出了一个架构，在上述场景下使用形态学和骨架化方法以及神经网络作为分类器，提供高分类精度。该方法将水稻作为一个用例，因为它是印度几乎所有人口的主食谷物，与其他粮食相比，水稻需要的杀虫剂用量最大。实验结果显示，该方法比现有的害虫检测方法具有更好的分类精度，并通过图像数据集测试了该架构的性能。此外，该公司推出了一个害虫识别系统，可以对田间的害虫进行分类。与其他流行的分类器相比，如支持向量机、朴素贝叶斯等，它具备了更好更快的识别结果。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于稀疏候选框的叶蝉科农业害虫检测方法，能够解决目前叶蝉科虫识别准确度低、模型健壮性差的问题。

本发明采用的技术方案如下：