[发明专利]基于深度学习的检测红脂大小蠹的方法

摘要

本发明为一种基于深度学习的检测红脂大小蠹的方法。其首先将从改造后的诱捕器中采集的小蠹图像传输至服务器进行图像预处理，然后输入针对蠹虫数据集使用k‑means方法优化默认框的Faster R‑CNN目标检测模型进行检测，最后将检测结果进行一系列后处理后绘制在输入图像上。本发明可实现林场现场图像数据实时采集和远程在线识别，减少了人力付出，实现了林业害虫监测的自动化。

主权项

1.一种基于深度学习的检测红脂大小蠹的方法，其特征在于包括以下步骤：1)采集蠹虫图像步骤使用电子化的诱捕器定时采集蠹虫图像，并传输至服务器；2)预处理图像步骤2.1)先对服务器中的原始蠹虫图像进行高斯降噪处理；2.2)接着对其进行灰度处理，得到灰度图；2.3)然后对产生的灰度图进行霍夫圆检测定位诱捕器的圆形杯底；2.4)最后根据检测出的圆形的圆心坐标和半径对所述灰度图进行裁剪；3)将预处理后的图像输入模型进行检测步骤3.1)使用Faster R‑CNN目标检测模型；3.2)Faster R‑CNN在第一阶段最后卷积层输出的特征图上添加全卷积RPN，以密集分布的不同宽高比和尺寸的默认框为基准，生成高质量的感兴趣区域，在第二阶段，Fast R‑CNN负责学习感兴趣区域特征并对其进行分类和位置调整，输出最终的预测结果；3.3)Faster R‑CNN对RPN和Fast R‑CNN交替运行以下梯度下降方法，分为四步：首先单独训练使用预训练模型初始化的RPN网络；然后单独训练利用第一步生成的感兴趣区域并用预训练模型初始化的Fast R‑CNN网络；接着使用第二步训练好的模型初始化RPN的训练，冻结共享的卷积层，只训练对RPN独有的网络层，自此，RPN和Fast R‑CNN开始共享卷积层；最后，保持共享层冻结，只训练Fast R‑CNN的全连接层，两部分网络形成了一个共享卷积层的统一网络；3.4)在RPN训练阶段，仪将与标注框的交并比超过70％的默认框记做止默认框，将与标注框的交并比小于30％的默认框记做负默认框，其余的默认框不参与模型训练；4)使用k‑means聚类方法对蠹虫数据集中的标注框进行聚类分析步骤4.1)从n个标注框中选取k个标注框作为聚类中心；4.2)计算其余n‑k个标注框到k个聚类中心的最小“距离”，把n‑k个最小“距离”的和作为loss，并把最小距离对应的标注框和聚类中心归为一簇；4.3)分别计算k个簇中所有框的长和宽平均值，并把该平均值选做新的k个聚类中心；4.4)重复步骤4.2)‑4.3)，直至loss不再降低；4.5)将k个聚类中心的长和宽作为默认框参数；5)处理模型检测结果步骤5.1)先对模型检测结果使用非极大值抑制方法排除同类之间交并比大于50％的检测框，然后按分类信心降序排序后，输出前M个结果；5.2)再对步骤5.1)中的M个结果按照分类信心进行筛选，将分类信心高于0.5的检测框和对应分类信心以及计数结果，绘制在输入图像上。