烟虫自动识别和计数方法、计算机可读介质技术

烟虫自动识别和计数方法，用于识别烟虫诱捕器捕获的烟虫种类并统计烟虫数量，包括步骤：S1：获取历史烟虫诱捕器照片数据；S2：处理历史烟虫诱捕器照片数据，形成批量标注数据集信息；S3：利用获得的批量标注数据集信息训练神经网络模型，获得烟虫识别神经网络模型；S4：利用获得的烟虫识别神经网络模型识别待计数的烟虫诱捕器照片，自动获得照片上的烟虫种类和烟虫数量信息。通过对历史烟虫诱捕器照片数据进行处理，采用深度学习神经网络模型进行训练得到了能够准确识别和预测烟虫诱捕器照片上的烟虫种类和数量的烟虫识别神经网络模型，利用该模型能够对烟虫诱捕器诱捕的烟虫进行自动快速识别、计数，得到烟虫种类和数量信息。得到烟虫种类和数量信息。得到烟虫种类和数量信息。

【技术实现步骤摘要】
烟虫自动识别和计数方法、计算机可读介质


[0001]本申请属于自动测量
，具体涉及烟虫自动识别和计数方法、计算机可读介质。

技术介绍

[0002]烟草企业烟叶仓库和车间存放的大量高价值烟叶容易遭受到虫害，进而严重影响烟叶的可用性和卷烟质量。
[0003]现有技术中，烟草企业防治烟草虫害时，通常使用烟虫诱捕器监测烟叶原料的储存仓库和卷烟生产加工场所，由监测数据判断虫害问题及其影响的严重程度，所以，监测数据是决定采取何种虫害防治措施的重要依据。
[0004]现有技术中，烟叶仓库、车间内悬挂烟虫诱捕器后，主要通过人工巡查并手工记录的方式来统计诱捕器害虫数量，并反馈虫情信息。随着信息技术的进步，也逐步采用信息技术对烟虫诱捕器进行监测，包括拍照、记录，然后由人工来进行烟虫种类的识别、计数，并进一步分析虫情。由于烟叶仓库和车间中有较大数量的烟虫诱捕器都需要人工完成烟虫种类的识别、计数并录入信息系统，这样的作业过程不仅需要大量人力资源，而且耗时较长，虫情不能实时反馈，不能及时有效对烟叶虫情进行监测。

技术实现思路

[0005]有鉴于此，一方面，一些实施例公开了烟虫自动识别和计数方法，用于识别烟虫诱捕器捕获的烟虫种类并统计烟虫数量，该方法包括步骤：
[0006]S1：获取历史烟虫诱捕器照片数据；
[0007]S2：处理所述历史烟虫诱捕器照片数据，形成批量标注数据集信息；
[0008]S3：利用获得的批量标注数据集信息训练神经网络模型，获得烟虫识别神经网络模型；
[0009]S4：利用获得的烟虫识别神经网络模型识别待计数的烟虫诱捕器照片，自动获得烟虫诱捕器照片上的烟虫种类和烟虫数量信息。
[0010]进一步，一些实施例中，烟虫自动识别和计数方法的步骤S2具体包括：
[0011]S201：标注历史烟虫诱捕器照片数据，框出各个烟虫的位置信息，进一步标注烟虫的种类信息，形成包含历史烟虫诱捕器照片信息、位置信息和种类信息的标注数据集信息；
[0012]S202：将标注数据集信息的80％划分为训练集、10％划分为验证集、10％划分为测试集。
[0013]一些实施例中，烟虫自动识别和计数方法的步骤S3中，神经网络模型为YOLO
‑
V3神经网络模型，对YOLO
‑
V3神经网络模型进行训练的过程具体包括：
[0014]S301：按设定规则在烟虫诱捕器照片上产生一系列候选区域，根据候选区域与物体真实框之前的位置关系对候选区域进行标注；
[0015]S302：使用卷积神经网络提取烟虫诱捕器照片特征，并对候选区域的位置和类别
进行预测，得到预测框，将预测框作为样本；
[0016]S303：根据真实框相对于样本的位置和类别进行标注，获得标签值；
[0017]S304：通过YOLO
‑
V3神经网络模型预测样本的位置和类别，得到预测值，将预测值与标签值进行比较，建立评价指标函数；
[0018]S305：利用训练集训练YOLO
‑
V3神经网络的参数，利用验证集选择YOLO
‑
V3神经网络的参数，利用测试集模拟YOLO
‑
V3神经网络训练后的真实效果，采用二层循环嵌套方式进行训练过程：
[0019]内层循环采用分批次方式负责整个数据集的一次遍历，执行数据准备、前向计算、计算评价指标函数、反向传播，然后更新模型参数；
[0020]外层循环反复遍历数据集执行内层循环；
[0021]若计算的评价指标函数达到预先设定的误差值，完成外层循环，结束训练过程，生成烟虫识别神经网络模型。
[0022]进一步，一些实施例公开的烟虫自动识别和计数方法，步骤S301中，与真实框足够接近的候选区域被标注为正样本，同时将真实框的位置作为正样本的位置目标，与真实框偏离较大的候选区域被标注为负样本，负样本不需要预测位置或者类别。
[0023]一些实施例公开的烟虫自动识别和计数方法，步骤S4具体包括：
[0024]S401：训练好的烟虫识别神经网络模型加载到模型实例中，传入需要检测识别的照片；
[0025]S402：烟虫识别神经网络向前计算，得到烟虫预测框位置和类别；
[0026]S403：统计所有烟虫预测框、位置信息和类别信息，得到输入照片中烟虫的种类和各类烟虫的数量信息。
[0027]一些实施例公开的烟虫自动识别和计数方法，若两个预测框的烟虫类别一样，而且两个预测框的位置重合度比较大，则认定两个预测框预测同一个烟虫目标，认定方法包括：选择某个类别中得分最高的第一预测框，计算其他预测框与第一预测框的交并比，若交并比大于设定的预测值，则认定该其他预测框与第一预测框预测同一烟虫目标；其中，所述交并比表示为：
[0028][0029]其中，A表示第一预测框，B表示其他预测框，IoU为交并比。
[0030]一些实施例公开的烟虫自动识别和计数方法，步骤S1中，历史烟虫诱捕器照片包括对烟叶仓库或车间不同位置的烟虫诱捕器拍摄的图片，对历史烟虫诱捕器照片进行切分、翻转、缩放和旋转处理，形成更多包含被诱捕烟虫的图片数据。
[0031]另一方面，一些实施例公开了包含计算机执行指令的计算机可读介质，其特征在于，所述计算机执行指令经由数据处理设备处理时，该数据处理设备执行以上实施例公开的烟虫自动识别和计数方法。
[0032]实施例公开的烟虫自动识别和计数方法，通过对烟叶仓库和车间等地方的历史烟虫诱捕器照片数据进行处理，采用深度学习神经网络模型进行训练得到了能够准确识别和预测烟虫诱捕器照片上的烟虫种类和数量的烟虫识别神经网络模型，利用该模型能够对烟虫诱捕器诱捕的烟虫进行自动快速识别、计数，得到烟虫种类和数量信息，对烟虫诱捕器进
行实时照片分析、结果直观展示，快速获得虫情信息能够大大节省烟虫监测人力，提高监测效率。
附图说明
[0033]图1烟虫自动识别和计数方法流程图
[0034]图2实施例1烟虫诱捕器照片
具体实施方式
[0035]在这里专用的词“实施例”，作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。本申请实施例中性能指标测试，除非特别说明，采用本领域常规试验方法。应理解，本申请中所述的术语仅仅是为描述特别的实施方式，并非用于限制本申请公开的内容。
[0036]除非另有说明，否则本文使用的技术和科学术语具有本申请所属
的普通技术人员通常理解的相同含义；作为本申请中其它未特别注明的试验方法和技术手段均指本领域内普通技术人员通常采用的实验方法和技术手段。
[0037]本文所用的术语“基本”和“大约”用于描述小的波动。例如，它们可以是指小于或等于
±
5％，如小于或等于
±
2％，如小于或等于
±
1％，如小于或等于
±
0.5％，如小于或等于...

【技术保护点】

【技术特征摘要】
1.烟虫自动识别和计数方法，用于识别烟虫诱捕器捕获的烟虫种类并统计烟虫数量，其特征在于，该方法包括步骤：S1：获取历史烟虫诱捕器照片数据；S2：处理所述历史烟虫诱捕器照片数据，形成批量标注数据集信息；S3：利用获得的批量标注数据集信息训练神经网络模型，获得烟虫识别神经网络模型；S4：利用获得的烟虫识别神经网络模型识别待计数的烟虫诱捕器照片，自动获得烟虫诱捕器照片上的烟虫种类和烟虫数量信息。2.根据权利要求1所述的烟虫自动识别和计数方法，其特征在于，所述步骤S2具体包括：S201：标注历史烟虫诱捕器照片数据，框出各个烟虫的位置信息，进一步标注烟虫的种类信息，形成包含历史烟虫诱捕器照片信息、位置信息和种类信息的标注数据集信息；S202：将所述标注数据集信息的80％划分为训练集、10％划分为验证集、10％划分为测试集。3.根据权利要求2所述的烟虫自动识别和计数方法，其特征在于，所述步骤S3中，所述神经网络模型为YOLO
‑
V3神经网络模型，对所述YOLO
‑
V3神经网络模型进行训练的过程具体包括：S301：按设定规则在烟虫诱捕器照片上产生一系列候选区域，根据所述候选区域与物体真实框之前的位置关系对所述候选区域进行标注；S302：使用卷积神经网络提取烟虫诱捕器照片特征，并对所述候选区域的位置和类别进行预测，得到预测框，将所述预测框作为样本；S303：根据真实框相对于所述样本的位置和类别进行标注，获得标签值；S304：通过YOLO
‑
V3神经网络模型预测所述样本的位置和类别，得到预测值，将预测值与所述标签值进行比较，建立评价指标函数；S305：利用所述训练集训练YOLO
‑
V3神经网络的参数，利用所述验证集选择参数，利用所述测试集模拟训练后的真实效果，采用二层循环嵌套方式进行训练过程：内层循环采用分批...

【专利技术属性】
技术研发人员：项杰，
申请(专利权)人：中远海运科技北京有限公司，
类型：发明
国别省市：