[发明专利]基于深度学习的稻飞虱和叶蝉细分方法、系统及装置

权利要求书

1.一种基于深度学习的稻飞虱和叶蝉细分方法，其特征在于，包括以下步骤：

对获得的数据集中每张图片是否含有稻飞虱和叶蝉进行标定及区域选择，形成检测数据集，其中，检测数据集包括稻飞虱数据集、叶蝉数据集及其他种类数据集；

对稻飞虱数据集和叶蝉数据集中稻飞虱图片和叶蝉图片进行重点特征标定，分别形成稻飞虱区域数据集和叶蝉区域数据集；

对稻飞虱区域数据集和叶蝉区域数据集中稻飞虱区域图片及叶蝉区域图片进行预处理，分别形成稻飞虱细分数据集及叶蝉细分数据集；

基于检测数据集、稻飞虱细分数据集及叶蝉细分数据集分别训练检测预训练模型、稻飞虱分类预训练模型及叶蝉分类预训练模型，得到检测模型、稻飞虱分类模型及叶蝉分类模型；

通过检测模型、稻飞虱分类模型及叶蝉分类模型对待检测图片进行检测，得到分类结果。

2.根据权利要求1所述的基于深度学习的稻飞虱和叶蝉细分方法，其特征在于，还包括以下步骤：

获取数据集，数据集中每张图片的尺寸为固定尺寸，其中，固定尺寸为5472x3648。

3.根据权利要求1所述的基于深度学习的稻飞虱和叶蝉细分方法，其特征在于，所述对获得的数据集中每张图片是否含有稻飞虱和叶蝉进行标定及区域选择，形成检测数据集，包括以下步骤：

对数据集中每张图片是否含有稻飞虱或叶蝉进行标定处理，形成初始检测数据集；

对所述初始检测数据集中含有稻飞虱或叶蝉图片进行目标区域截图处理，得到白纹伊蚊区域图片以形成白纹伊蚊分类数据集，且每张白纹伊蚊区域图片的尺寸相同。

4.根据权利要求1所述的基于深度学习的稻飞虱和叶蝉细分方法，其特征在于，构建所述检测预训练模型，包括以下步骤：

在主干网络中增加自适应anchors模块，载入检测数据集得到所有图片的宽度和高度，将每张图片的宽度和高度等比例缩放至预设指定尺寸，使得所有图片的宽度和高度缩放至相同比例；

将b-boxes从相对坐标修改为绝对坐标，筛选保留宽度和高度都大于两个像素的b-boxes，基于k-means聚类算法得到anchors模块，利用遗传算法随机对anchors模块中宽度和高度进行变异，若变异结果符合预设阈值，则将变异结果赋值；

基于多尺度训练方法，随机采取0.8-1.2倍乘以输入尺寸作为训练尺寸，实际训练过程中图像的输入尺寸在1153x1153到1728x1728之间；

基于预热处理及改进学习率变化方法，训练初期将学习率从起始数值增加到输入数值，并逐步降低学习率，并将学习变量增加动量。

5.根据权利要求1或4所述的基于深度学习的稻飞虱和叶蝉细分方法，其特征在于，还包括修改损失函数计算模块，包括以下步骤：

检测预训练模型包括分类损失函数、obj损失函数及定位损失函数；

所述分类损失函数采用二值交叉熵损失函数，计算正样本的分类损失；

所述obj损失函数采用二值交叉熵损失函数，计算所有样本的obj损失，所述obj损失函数包括至少三个预测特征层，权重为4.0、1.0及0.4；

所述定位损失采用CIOU-loss，计算正样本定位损失。

6.根据权利要求1所述的基于深度学习的稻飞虱和叶蝉细分方法，其特征在于，所述预处理，包括：

对稻飞虱区域数据集和叶蝉区域数据集中的区域图片进行清洗，剔除不合格图像，其中，所述不合格图像至少包括质量不佳、虫体不完整、长宽比例失衡、所占像素过小、亮度太低的及处于图像边缘不完整中的一种或多种；

对种类数量少的区域图片进行数据扩充处理，使得每个种类的数量接近，得到稻飞虱细分数据集及叶蝉细分数据集，其中，所述数据扩充处理包括运动模糊、高斯滤波、旋转、mixup融合及改变gamma数值中的一种或多种。