【技術實現步驟摘要】
本專利技術涉及人工智能，尤其涉及一種基于圖像的茶葉害蟲檢測方法、裝置、設備及計算機可讀存儲介質。
技術介紹
1、茶葉是一種具有較高價值的經濟作物，追求高品質茶葉是每個茶園的目標，其中，蟲害是影響茶葉質量的重要因素。
2、茶園的蟲害防治還高度依賴有關專家或者經驗豐富的茶農，隨著科學技術的進步，人們逐漸將人工經驗轉變為人工智能，自動化識別蟲害發生的種類、程度等。然而如今的人工智能對于害蟲圖片的采集，受環境光、害蟲活動、害蟲大小等因素的干擾，較難獲取較為清晰的害蟲圖像，對后續害蟲種類識別造成干擾，進而分析茶園生態環境；此外，茶園中設置的人工智能一般采取邊緣計算的方式進行，而數據體積較大害蟲識別模型會增加部署成本。
技術實現思路
1、本專利技術提供一種基于圖像的茶葉害蟲檢測方法、裝置、設備及存儲介質，其主要目的在于通過部署輕便化的茶葉害蟲檢測模型，降低部署成本，并提高害蟲圖像捕捉準確率。
2、為實現上述目的，本專利技術提供的一種基于圖像的茶葉害蟲檢測方法，包括：
3、獲取害蟲圖像；
4、利用預訓練的茶葉害蟲檢測模型中的正則強化骨干網絡，對所述害蟲圖像進行多層次特征提取，得到多尺度特征；
5、利用所述茶葉害蟲檢測模型中的輕量化頸部網路，對所述多尺度特征進行基于空間池化金字塔及路徑聚合金字塔的特征融合操作，得到多尺度融合特征圖；
6、利用所述茶葉害蟲檢測模型中的害蟲框選頭部網絡，根據所述多尺度融合特征圖，對所述害蟲圖像中的
7、可選的，所述利用預訓練的茶葉害蟲檢測模型中的正則強化骨干網絡，對所述害蟲圖像進行多層次特征提取，得到多尺度特征，包括：
8、利用所述正則強化骨干網絡中cbl標準化結構，對所述害蟲圖像進行特征提取，得到初始圖像特征；
9、利用預構建的第一卷積層對所述初始圖像特征進行三次降維卷積操作，得到采樣結果，并利用預構建的第二卷積層對所述采樣結果進行兩次采樣，得到一級圖像特征；
10、利用所述第二卷積層對所述一級圖像特征進行兩次采樣，得到第二圖像特征；
11、利用所述第二卷積層對所述二級圖像特征進行六次采樣，得到第三圖像特征；
12、所述第二卷積層對所述三級圖像特征進行五次采樣，得到第四圖像特征；
13、將所述第二圖像特征、第三圖像特征及第四圖像特征進行輸出，得到多尺度特征。
14、可選的，所述第一卷積層包括一個3×3的卷積核，一個將小于0的值置為0、大于6的值置為6的激活函數，及一個1×1的卷積核依次排列得到；
15、所述第二卷積層包括，一個1×1的卷積核，一個定義為x*sigmoid(x)的激活函數、一個3×3的深度可分離卷積層、一個se注意力機制層、一個1×1的卷積核及一個將小于0的值置為0、大于6的值置為6的激活函數依次排列得到。
16、可選的，所述利用所述茶葉害蟲檢測模型中的輕量化頸部網路，對所述多尺度特征進行基于空間池化金字塔及路徑聚合金字塔的特征融合操作，得到多尺度融合特征圖，包括：
17、利用預構建的輕量級卷積網絡，對所述多尺度特征中的第二圖像特征進行卷積操作，得到第二卷積結果，及對所述多尺度特征中的第三圖像特征進行卷積操作，得到第三卷積結果；
18、利用所述輕量化頸部網路中的空間池化金字塔，對所述多尺度融合特征圖中的第四圖像特征進行池化操作，得到第四池化結果；
19、對所述第四池化結果進行上采樣操作，得到一級上采樣結果，并將所述一級上采樣結果與所述第三卷積結果進行特征拼接，得到第一拼接結果，并利用預構建的vovgscsp網絡將所述第一拼接結果進行輕量級卷積，得到第三初級融合特征；
20、對所述第三初級融合特征進行上采樣操作，得到二級上采樣結果，并將所述二級上采樣結果與所述第二卷積結果進行特征拼接，得到第二拼接結果，并利用預構建的vovgscsp網絡將所述第二拼接結果進行輕量級卷積，得到第二初級融合特征，并利用預構建的cbl卷積結構對所述第二初級融合特征進行標準化卷積，得到第二融合特征圖；
21、對所述第二初級融合特征圖及第三初級融合特征進行特征拼接，得到第三拼接結果，并利用預構建的vovgscsp網絡將所述第三拼接結果進行輕量級卷積，得到第三中級融合特征，并利用預構建的cbl卷積結構對所述第三中級融合特征進行標準化卷積，得到第三融合特征圖；
22、對所述第三中級融合特征圖與所述第四池化結果進行特征拼接，得到第四拼接結果，并利用預構建的vovgscsp網絡將所述第四拼接結果進行輕量級卷積，得到第四中級融合特征，并利用預構建的cbl卷積結構對所述第四中級融合特征進行標準化卷積，得到第四融合特征圖；
23、將所述第二融合特征圖、第三融合特征圖及第四融合特征圖進行輸出，得到多尺度融合特征圖。
24、可選的，所述利用預訓練的茶葉害蟲檢測模型中的正則強化骨干網絡之前，所述方法還包括：
25、獲取預構建的ms?coco數據集，利用所述ms?coco數據集對預構建的茶葉害蟲檢測模型進行預測，得到預測結果集；
26、利用基于最小點距離的iou檢測指標，根據所述ms?coco數據集中各個數據圖像的真實標簽，對所述預測結果集進行模型檢測，得到模型性能檢測結果；
27、當所述模型性能檢測結果大于或等于預設的合格閾值時，得到訓練完成的茶葉害蟲檢測模型。
28、可選的，所述得到訓練完成的茶葉害蟲檢測模型之后，所述方法還包括：
29、利用network?slimming剪枝技術，對所述訓練完成的茶葉害蟲檢測模型進行結構化通道剪枝操作，得到輕便化茶葉害蟲檢測模型；
30、利用遷移學習對所述輕便化茶葉害蟲檢測模型進行微調訓練，得到訓練完成的輕便化茶葉害蟲檢測模型。
31、可選的，所述獲取害蟲圖像，包括：
32、當檢測到預構建的誘蟲器捕捉到的害蟲時，利用預構建的拍攝設備，對所述誘蟲器中的目標區域進行拍攝，得到害蟲圖像。
33、為了解決上述問題，本專利技術還提供一種基于圖像的茶葉害蟲檢測裝置，所述裝置包括：
34、圖像獲取模塊，用于獲取害蟲圖像；
35、特征提取模塊，用于利用預訓練的茶葉害蟲檢測模型中的正則強化骨干網絡，對所述害蟲圖像進行多層次特征提取，得到多尺度特征；
36、特征融合模塊，用于利用所述茶葉害蟲檢測模型中的輕量化頸部網路，對所述多尺度特征進行基于空間池化金字塔及路徑聚合金字塔的特征融合操作，得到多尺度融合特征圖；
37、特征識別模塊，用于利用所述茶葉害蟲檢測模型中的害蟲框選頭部網絡，根據所述多尺度融合特征圖，對所述害蟲圖像中的害蟲部分進行目標檢測操作，得到多尺度檢測框集合，并對所述多尺度本文檔來自技高網...
【技術保護點】
1.一種基于圖像的茶葉害蟲檢測方法，其特征在于，所述方法包括：
2.如權利要求1所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述利用預訓練的茶葉害蟲檢測模型中的正則強化骨干網絡，對所述害蟲圖像進行多層次特征提取，得到多尺度特征，包括：
3.如權利要求2所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述第一卷積層包括一個3×3的卷積核，一個將小于0的值置為0、大于6的值置為6的激活函數，及一個1×1的卷積核依次排列得到；
4.如權利要求1所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述利用所述茶葉害蟲檢測模型中的輕量化頸部網路，對所述多尺度特征進行基于空間池化金字塔及路徑聚合金字塔的特征融合操作，得到多尺度融合特征圖，包括：
5.如權利要求1所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述利用預訓練的茶葉害蟲檢測模型中的正則強化骨干網絡之前，所述方法還包括：
6.如權利要求1所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述得到訓練完成的茶葉害蟲檢測模型之后，所述方法還包括：
7.如權利要求1所述的基于圖
8.一種基于圖像的茶葉害蟲檢測裝置，其特征在于，所述裝置包括：
9.一種電子設備，其特征在于，所述電子設備包括：
10.一種計算機可讀存儲介質，存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7中任意一項所述的基于圖像的茶葉害蟲檢測方法。
...【技術特征摘要】
1.一種基于圖像的茶葉害蟲檢測方法，其特征在于，所述方法包括：
2.如權利要求1所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述利用預訓練的茶葉害蟲檢測模型中的正則強化骨干網絡，對所述害蟲圖像進行多層次特征提取，得到多尺度特征，包括：
3.如權利要求2所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述第一卷積層包括一個3×3的卷積核，一個將小于0的值置為0、大于6的值置為6的激活函數，及一個1×1的卷積核依次排列得到；
4.如權利要求1所述的基于圖像的茶葉害蟲檢測方法，其特征在于，所述利用所述茶葉害蟲檢測模型中的輕量化頸部網路，對所述多尺度特征進行基于空間池化金字塔及路徑聚合金字塔的特征融合操作，得到多尺度融合特征圖，包括：
...【專利技術屬性】
技術研發人員：周波，姚瓊，黃浩宜，唐勁馳，俞龍，黎健龍，王嘉樂，
申請(專利權)人：廣東省農業科學院茶葉研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。