基于深度学习的常见农作物多类别虫害识别方法及装置

1.本发明涉及深度学习在农作物虫害识别方面的应用以及虫害图像获取和处理技术领域，具体涉及一种基于深度学习的常见农作物多类别虫害识别方法及装置。


背景技术：

2.农作物虫害对农作物的质量和产量造成了极大影响，造成农业产业的巨额损失，是制约现代农业发展的重要因素。当前，使用深度学习对农业虫害进行识别已然成为了本领域研究的热点。
3.以公开日为2021.11.23的中国发明申请：草原蝗虫智能识别系统及识别方法为例，其草原蝗虫智能识别系统包括前端信息采集终端、图像传输系统、后端云平台的蝗虫图像种类识别模型和后台管控云平台；前端信息采集终端为手机，通过手机获取蝗虫的图片，蝗虫图片传输到后端云平台的蝗虫图像种类识别模型，经过深度神经网络对图片中蝗虫的特征进行学习与提取，最终实现草原蝗虫的监测与识别，为用户提供高效可取的蝗虫防治方法。其通过深度学习进行模型训练，以期简化蝗虫图像识别时所需的大量人工操作；降低行业的从业门槛，提升准入率；本为草原蝗虫的精准调查提供技术支撑，提高基层人员野外调查的效率，节约各种财力和物力等成本。
4.但是，目前本领域大多只能针对单一农作物的少数几类虫害进行研究，研究的农作物虫害数据量少；使用现有深度学习模型在大型虫害数据集上的识别率低；大多数研究局限在实验室环境，不能很好的满足真实环境的要求。因此，现有技术仍有一定的局限性。


技术实现要素：

5.针对现有技术的局限，本发明提出一种基于深度学习的常见农作物多类别虫害识别方法，本发明采用的技术方案是：
6.一种基于深度学习的常见农作物多类别虫害识别方法，包括以下步骤：
7.s1，获取待识别的虫害图像；
8.s2，对所述虫害图像进行预处理；
9.s3，将经过预处理的虫害图像输入到基于改进的densenet卷积神经网络训练得到的虫害识别模型进行识别，获得虫害识别结果；
10.其中，所述改进的densenet卷积神经网络在原网络基础上通过集成学习结合了以下内容：
11.引入选择性内核单元，所述选择性内核单元用于根据网络的输入，自适应调整感受野的大小，捕捉不同尺寸的目标；
12.使用表征批规范化模块减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；
13.以自适应激活函数acon作为激活函数。
14.相较于现有技术，本发明对深度学习模型densenet卷积神经网络进行了改进，通
过集成学习结合了选择性内核单元、表征批规范化模块以及自适应激活函数acon，使该卷积神经网络能够根据网络的输入，自适应调整感受野的大小，捕捉不同尺寸的目标；减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；还增强了网络的综合表现；使得densenet卷积神经网络能够有效处理多农作物品种、多虫害类型的数据集，提高了训练后所得虫害识别模型对农作物虫害的识别率，在实际应用过程中能很好的满足真实环境的要求。
15.作为一种优选方案，所述步骤s2的预处理内容包括对所述虫害图像进行去噪、尺寸调整以及归一化操作。
16.作为一种优选方案，所述densenet卷积神经网络在训练过程中所使用的数据集为涵盖水稻、小麦、玉米在内若干种农作物的若干种虫害情况的农作物虫害图像数据集。
17.进一步的，所述农作物虫害图像数据集在用于对所述densenet卷积神经网络进行训练前，先经过图像的归一化、尺寸缩放、随机旋转以及亮度、对比度调整的处理。
18.本发明还提供以下内容：
19.一种介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现前述的基于深度学习的常见农作物多类别虫害识别方法的步骤。
20.一种云服务器，包括介质、处理器以及储存在所述介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现前述基于深度学习的常见农作物多类别虫害识别方法的步骤。
21.一种基于深度学习的常见农作物多类别虫害识别装置，包括电源模块、网络摄像头、诱虫板、交换机、电脑设备以及如前述的云服务器；所述网络摄像头由所述电源模块进行供电，用于对农作物以及所述诱虫板进行图像采集；所述网络摄像头采集到的虫害图像经由所述交换机以及电脑设备传输到所述云服务器进行虫害识别；由所述云服务器将虫害识别的结果反馈给用户。
22.作为一种优选方案，所述电源模块包括有线电源以及太阳能板。
23.进一步的，还包括由所述有线电源和/或太阳能板进行供电的补光光源。
24.更进一步的，所述太阳能板、网络摄像头以及补光光源通过设于立杆来进行部署；所述太阳能板设于所述立杆顶部；所述立杆在所述网络摄像头的设置位置还设有防水保护盒。
25.相较于现有技术，所述基于深度学习的常见农作物多类别虫害识别装置能够在无电无网的户外环境中使用，并且能够满足全天监控的要求；搭配诱虫板和性诱剂的使用，还能够更有针对性的对农作物的虫害进行监控；运用了改进的深度学习模型densenet卷积神经网络，提高了识别模型对农作物虫害的识别率；能够及时将虫害信息反馈给相关人员。
附图说明
26.图1为本发明实施例1提供的基于深度学习的常见农作物多类别虫害识别方法的步骤示意图；
27.图2为本发明实施例1在引入选择性内核单元后densenet卷积神经网络的核心网络结构图；
28.图3为本发明实施例1在引入表征批规范化模块后densenet卷积神经网络的核心
网络结构图；
29.图4为本发明实施例1在引入自适应激活函数acon后densenet卷积神经网络的核心网络结构图；
30.图5本发明实施例4提供的基于深度学习的常见农作物多类别虫害识别装置示意图；
31.附图说明：1、电源模块；11、有线电源；12、太阳能板；2、网络摄像头；3、诱虫板；31、性诱剂；32、支架；4、交换机；5、电脑设备；6、云服务器；7、立杆；8、防水保护盒；9、手机终端。
具体实施方式
32.附图仅用于示例性说明，不能理解为对本专利的限制；
33.应当明确，所描述的实施例仅仅是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本技术实施例保护的范围。
34.在本技术实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本技术实施例。在本技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
35.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。在本技术的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本技术中的具体含义。
36.此外，在本技术的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。
37.为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。
38.实施例1
39.请参考图1，一种基于深度学习的常见农作物多类别虫害识别方法，包括以下步骤：
40.s1，获取待识别的虫害图像；
41.s2，对所述虫害图像进行预处理；
42.s3，将经过预处理的虫害图像输入到基于改进的densenet卷积神经网络训练得到的虫害识别模型进行识别，获得虫害识别结果；
43.其中，所述改进的densenet卷积神经网络在原网络基础上通过集成学习结合了以下内容：
44.引入选择性内核单元，所述选择性内核单元用于根据网络的输入，自适应调整感
受野的大小，捕捉不同尺寸的目标；
45.使用表征批规范化模块减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；
46.以自适应激活函数acon作为激活函数。
47.相较于现有技术，本发明对深度学习模型densenet卷积神经网络进行了改进，通过集成学习结合了选择性内核单元、表征批规范化模块以及自适应激活函数acon，使该卷积神经网络能够根据网络的输入，自适应调整感受野的大小，捕捉不同尺寸的目标；减少输入信息的噪声，增强输入信息的特征，让特征服从稳定的分布；还增强了网络的综合表现；使得densenet卷积神经网络能够有效处理多农作物品种、多虫害类型的数据集，提高了训练后所得虫害识别模型对农作物虫害的识别率，在实际应用过程中能很好的满足真实环境的要求。
48.对于深度学习模型densenet卷积神经网络，具体的：
49.改进1：在densenet卷积神经网络中引入选择性内核单元，能够根据输入自适应调整感受野的大小，其核心网络结构图可参阅图2；
50.改进2：在densenet卷积神经网络中使用表征批规范化(representative batch normalization)模块，能够减少输入信息的噪声，增强输入信息的特征，并让特征服从稳定的分布，其核心网络结构图可参阅图3；
51.改进3：在densenet卷积神经网络中使用自适应激活函数acon，能够提高网络的综合表现，其核心网络结构图可参阅图4。
52.通过集成学习将图2至4的改进结构进行结合，即构成本实施例最终使用的改进网络。
53.作为一种优选实施例，所述步骤s2的预处理内容包括对所述虫害图像进行去噪、尺寸调整以及归一化操作。
54.作为一种优选实施例，所述densenet卷积神经网络在训练过程中所使用的数据集为涵盖水稻、小麦、玉米在内若干种农作物的若干种虫害情况的农作物虫害图像数据集。
55.具体的，所述农作物虫害图像数据集主要来源于使用python爬虫技术从互联网爬取以及使用一些相关的公开数据集；经过仔细的筛选后，本实施例中使用的农作物虫害图像数据集，最终涵盖了水稻、小麦、玉米等8种农作物的102种虫害情况。
56.进一步的，所述农作物虫害图像数据集在用于对所述densenet卷积神经网络进行训练前，先经过图像的归一化、尺寸缩放、随机旋转以及亮度、对比度调整的处理。
57.具体的，所述农作物虫害图像数据集可以按照8:1:1的比例分成训练集、验证集和测试集，其中，所述训练集用于对网络进行训练；所述验证集用于在训练过程中观察训练情况，在观察到最终损失值趋于稳定时停止训练；所述测试集可用于测试训练所得到识别模型的识别率表现。
58.更具体的，densenet原网络以及各改进网络(method)在以所述农作物虫害图像数据集(dataset)进行训练所得到识别模型的识别率(access)对比，请参阅表1：
59.表1
[0060][0061][0062]
可以看出，本实施例对densenet网络的改进是有效的，能够显著提高densenet网络对于102类虫害的识别率。
[0063]
实施例2
[0064]
一种介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现实施例1中的基于深度学习的常见农作物多类别虫害识别方法的步骤。
[0065]
实施例3
[0066]
一种云服务器，包括介质、处理器以及储存在所述介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现实施例1中的基于深度学习的常见农作物多类别虫害识别方法的步骤。
[0067]
实施例4
[0068]
一种基于深度学习的常见农作物多类别虫害识别装置，请参阅图5，包括电源模块1、网络摄像头2、诱虫板3、交换机4、电脑设备5以及如实施例3所述的云服务器6；所述网络摄像头2由所述电源模块1进行供电，用于对农作物以及所述诱虫板3进行图像采集；所述网络摄像头2采集到的虫害图像经由所述交换机4以及电脑设备5传输到所述云服务器6进行虫害识别；由所述云服务器6将虫害识别的结果反馈给用户。
[0069]
具体的，所述网络摄像头2可采用常见的高清摄像头；所述网络摄像头2可以通过有线的方式也可以通过蓝牙、wifi或移动流量数据等无线的方式与所述交换机4连接进行数据传输。
[0070]
作为一种优选实施例，考虑虫害分散广，不易监测的问题，所述诱虫板3可以搭配性诱剂31使用，性诱剂31置于所述诱虫板3上，所述诱虫板3配备支架32进行固定。
[0071]
所述电脑设备5应具备至少12g显存的独立显卡、16gb的内存、500g的机械硬盘存储，操作系统优先使用ubuntu系统。所述农作物虫害图像数据集的获取、对densenet卷积神经网络训练得到的虫害识别模型的过程均可在所述电脑设备5进行；所述电脑设备5可以使
用opencv编写程序按帧从所述网络摄像头2拍摄到的视频中提取虫害图像。
[0072]
所述虫害识别模型可以部署在所述云服务器6上运行。
[0073]
通过springboot等开发技术，实现网页以及微信小程序的开发，搭配阿里云等服务，可以让所述云服务器6通过短信或者邮箱的方式将识别结果反馈到用户的手机终端9上。用户还可以通过手机终端9上的app等远程监控软件中获取监控视频。
[0074]
作为一种优选实施例，所述电源模块1包括有线电源11以及太阳能板12。
[0075]
具体的，根据装置的实际部署环境，有线电源11可以连接到所述网络摄像头2直接进行供电，而太阳能12板可以在太阳充足的时候给所述网络摄像头2内置的可拆卸锂电池供电进行供电，两种供电方式的配合能够更好的达到监测要求。
[0076]
进一步的，考虑夜间光线不足的问题，包括由所述有线电源11和/或太阳能板12进行供电的补光光源21。作为一种优选实施例，所述补光光源21可采用可充电移动led灯。除了起到提供光源的作用，所述补光光源21配合所述诱虫板3将在夜间更好的吸引趋光性虫害，实现对虫害24小时的无间断有效监控。
[0077]
更进一步的，所述太阳能板12、网络摄像头2以及补光光源21通过设于立杆7来进行部署；所述太阳能板12设于所述立杆7顶部；所述立杆7在所述网络摄像头2的设置位置还设有防水保护盒8。
[0078]
具体的，所述防水保护盒8可采用玻璃制的材料，安装便捷，可以实现防水等应对极端天气问题，保证虫害监控的有效性并延长装置的使用寿命。
[0079]
相较于现有技术，本实施例提供的基于深度学习的常见农作物多类别虫害识别装置能够在无电无网的户外环境中使用，并且能够满足全天监控的要求；搭配诱虫板和性诱剂的使用，还能够更有针对性的对农作物的虫害进行监控；运用了改进的深度学习模型densenet卷积神经网络，提高了识别模型对农作物虫害的识别率；能够及时将虫害信息反馈给相关人员。
[0080]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。