【技術實現步驟摘要】
本專利技術涉及蟲害檢測，具體涉及一種基于深度神經網絡的茶園綠盲蝽自動檢測方法。
技術介紹
1、綠盲蝽屬于半翅目、盲蝽科，其若蟲和成蟲均能危害寄主植物，通過口針刺吸寄主植物的幼嫩部位和繁殖器官。對于棉花，危害其幼芽、嫩葉、花蕾以及幼果，致使葉片出現若干不規則孔洞、葉緣殘缺破爛、花蕾停止發育、果面木栓化甚至僵化脫落等問題。同時，近年來綠盲蝽在我國茶園種植區的危害呈現上升趨勢，其（即綠盲蝽）成蟲、若蟲喜食幼嫩茶梢，進而致使芽葉上出現褐色壞死點，隨著受害芽葉的生長，葉片形成無數孔洞、葉緣開裂，嚴重時甚至出現葉片扭曲皺縮、顯得粗老或畸形，最終呈現“破葉瘋”等，影響整株茶樹、甚至于整片種植區茶葉的產量與質量。
2、為了保證茶葉的產量與品質，一般在種植過程中，需要進行害蟲防治工作；然而，綠盲蝽體型小（成蟲體長在5～5.5mm左右、寬2.2mm左右）、通體呈黃綠色，喜生活在隱蔽處，一般于晨昏、陰天等天氣在芽梢上進行活動、取食，日光稍強即轉移至茶樹叢內進行隱藏。因此，在綠盲蝽蟲害的防治過程中，對其（即綠盲蝽）進行檢測、識別往往是較為重要的難題，其直接阻礙對綠盲蝽蟲害的防治效果，極易出現外界環境（如光照強度等）干擾蟲害的檢測、無法精確精準監測或識別害蟲等問題，進而錯位最佳的蟲害防治時期、對茶樹產生不可避免的損傷，致使對應的防治質量效果差，極大地耗損防治的人力物力、增加茶樹種植成本。
技術實現思路
1、針對以上現有技術存在的問題，本專利技術的目的在于提供一種基于深度神經網絡的茶園綠盲蝽自動檢
2、本專利技術的目的通過以下技術方案實現：
3、一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，包括數據采集、數據處理、模型訓練、自主評估及自動化微調；
4、其中，數據采集為：采用無人機對茶園中的茶樹進行掃描、獲取掃描數據；
5、數據處理為：根據無人機高度，對掃描數據中的圖像進行處理，獲取歸一化圖像；
6、模型訓練包括訓練數據標注、構建模型與訓練模型，用于獲得對害蟲圖像進行檢測、識別的模型；
7、自主評估為：計算模型訓練中預測結果的輪廓系數、實現自主評估；
8、自動化微調包括新數據篩選、自動化標簽和模型微調，通過使用新數據對模型訓練中的參數進行微調，實現模型自適應能力。
9、基于上述方案的進一步優化，所述無人機搭載高清攝像頭與多光譜相機、從而獲取茶樹的高清圖像與光譜圖像，高清攝像頭與多光譜相機兩者的視野基體重疊（通過高清攝像頭、多光譜相機在無人機上的安裝位置與方式實現）；同時，無人機上分別搭載光照強度傳感器（用于獲取光照強度信息）、測距儀（用于獲取無人機距離其正下方茶樹的高度信息）。
10、基于上述方案的進一步優化，所述掃描數據由多組不同位置的數據包組成，每組數據包包括高清圖像、（與高清圖像）同一視野的光譜圖像、（獲取高清圖像）對應的無人機高度信息、光照強度信息等；其中，高清圖像為三通道的rgb圖像，光譜圖像為多通道的圖像、其通道數為多光譜圖像的不同波段數。
11、基于上述方案的進一步優化，所述數據處理的步驟具體為：
12、首先，計算縮放因子：
13、
14、式中： hb表示固定高度值（固定高度值為超參數，通過大量實驗數據獲取），通過統一固定高度值將不同無人機高度拍攝的圖像限制到統一尺度上； h0表示無人機高度信息值、由測距儀獲得；
15、然后，根據縮放因子，分別對高清圖像與多光譜圖像的寬度、高度進行縮放變換；
16、最后，以圖像的中心點為原點，對縮放后的高清圖像、多光譜圖像沿寬度、高度方向進行截取，寬度截取長度為 w、高度截取長度為 h，獲得截取的高清圖像與多光譜圖像；其中，截取的高清圖像的維度為，截取的多光譜圖像的維度為、 n表示多光譜圖像的波段數。
17、基于上述方案的進一步優化，所述模型訓練具體為：
18、訓練數據標注：對數據處理后的高清圖像樣本進行標注，將高清圖像標注為有蟲害-0與無蟲害-1兩類；
19、構建模型：構建包括輸入層、特征層與分類層的深度神經網絡模型；其中，輸入層包含光照權重網絡與融合網絡，每個樣本的輸入參數包括高清圖片、多光譜圖像與光照強度；特征層選用輕量高效的 mobilenet?v3網絡結構，對輸入層的輸出特征進行特征表示，特征層的輸出連接一個全連接層與一個定制歸一化層，從而使得輸出的特征表示為一維特征向量且l2范數為1，全連接層輸入為 mobilenet?v3的輸出特征、輸出為一維特征向量，定制歸一化層對輸入的一維特征向量進行l2歸一化、并進行輸出；分類層使用分類網絡，將上述特征層輸出的特征表示為一個全連接層和一個softmax層，其中，softmax層的輸出直接作為模型對有蟲害-0與無蟲害-1兩類標簽的置信度；
20、訓練模型：采用損失函數作為監督信號、并使用梯度下降法對網絡模型參數進行訓練，其中，損失函數包括特征表示損失函數與分類損失函數。
21、基于上述方案的進一步優化，所述光照權重網絡為：光照強度先通過光照強度數據層獲得的光照強度權重，再通過兩個不同卷積層分別獲得與高清圖像、光譜圖像維度相同的高清圖片光照修正權重、光譜圖片光照修正權重；
22、其中，光照強度數據層為定制層，其輸入為一個batch的光照強度值，輸出為的光照強度權重，且第 i個的權重中每個值等于第 i個光照強度值；兩個卷積層中的卷積和參數分別為：第一個卷積核的大小為、卷積核數量為3個，第二個卷積核的大小為、卷積核的數量為 n個，兩個卷積層用于學習不同光照強度對高清圖像和多光譜圖像的修正，從而減少不同光照強度的影響。
23、基于上述方案的進一步優化，所述融合網絡具體為：將高清圖片光照修正權重、光譜圖片光照修正權重分別與高清圖像、多光譜圖像進行點乘運算，并將運算結果沿通道維度進行拼接，最終將拼接結果作為輸入層的輸出：
24、
25、式中：表示拼接函數。
26、基于上述方案的進一步優化，所述特征表示損失函數輸入為特征層的輸出特征表示和樣本標簽，特征表示損失函數保護數據對構建與損失計算兩步；
27、數據對構建：首先，根據樣本標簽，將樣本分為正例集合p與負例集合q，它們集合內的元素個數分別為p和q；然后，將正例集合p中每個樣本和負例集合q中本文檔來自技高網...
【技術保護點】
1.一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：包括數據采集、數據處理、模型訓練、自主評估及自動化微調；
2.根據權利要求1所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述無人機搭載高清攝像頭與多光譜相機、從而獲取茶樹的高清圖像與光譜圖像，高清攝像頭與多光譜相機兩者的視野基體重疊；同時，無人機上分別搭載光照強度傳感器、測距儀。
3.根據權利要求1或2所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述掃描數據由多組不同位置的數據包組成，每組數據包包括高清圖像、同一視野的光譜圖像、對應的無人機高度信息、光照強度信息等；其中，高清圖像為三通道的RGB圖像，光譜圖像為多通道的圖像、其通道數為多光譜圖像的不同波段數。
4.根據權利要求1～3任一項所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述數據處理的步驟具體為：
5.根據權利要求1～4任一項所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述模型訓練具體為：
6.根據權利要求5所述的一種基于
7.根據權利要求5所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述融合網絡具體為：將高清圖片光照修正權重、光譜圖片光照修正權重分別與高清圖像、多光譜圖像進行點乘運算，并將運算結果沿通道維度進行拼接，最終將拼接結果作為輸入層的輸出：
8.根據權利要求5所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述特征表示損失函數輸入為特征層的輸出特征表示和樣本標簽，特征表示損失函數保護數據對構建與損失計算兩步；
9.根據權利要求5所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述分類損失函數的輸入為分類層輸出的分類置信度與樣本標簽，分類損失函數采用交叉熵損失函數：
...【技術特征摘要】
1.一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：包括數據采集、數據處理、模型訓練、自主評估及自動化微調；
2.根據權利要求1所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述無人機搭載高清攝像頭與多光譜相機、從而獲取茶樹的高清圖像與光譜圖像，高清攝像頭與多光譜相機兩者的視野基體重疊；同時，無人機上分別搭載光照強度傳感器、測距儀。
3.根據權利要求1或2所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述掃描數據由多組不同位置的數據包組成，每組數據包包括高清圖像、同一視野的光譜圖像、對應的無人機高度信息、光照強度信息等；其中，高清圖像為三通道的rgb圖像，光譜圖像為多通道的圖像、其通道數為多光譜圖像的不同波段數。
4.根據權利要求1～3任一項所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述數據處理的步驟具體為：
5.根據權利要求1～4任一項所述的一種基于深度神經網絡的茶園綠盲蝽自動檢測方法，其特征在于：所述...
【專利技術屬性】
技術研發人員：陳世春，王曉慶，江宏燕，廖姝然，陳亭旭，王一哲，
申請(專利權)人：重慶市農業科學院，
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。