一种基于背景减除与多卷积融合的小目标害虫检测方法技术

本发明专利技术提供了一种基于背景减除和多卷积融合的小目标害虫检测方法。具有高精度、快速识别和占用资源少的优点。具体实现步骤包括：使用摄像头拍摄干净的落虫盘背景图像；采集害虫图像制作数据集，使用基于多卷积融合的神经网络训练生成害虫目标检测模型；使用摄像头获取待检测的害虫图片并进行背景减除操作，将图片除噪并将存在害虫的部分分割保存为独立的图片，记录害虫存在部分的坐标和尺寸信息；然后对待检测图像使用基于多卷积融合的目标检测算法进行害虫检测，最后根据保存的位置和尺寸信息将检测结果放置在原图中并输出为最终结果。这种方法可以有效地检测小目标害虫，提高农业生产的效率和质量。高农业生产的效率和质量。高农业生产的效率和质量。

【技术实现步骤摘要】
一种基于背景减除与多卷积融合的小目标害虫检测方法


[0001]本专利技术涉及目标检测
，具体涉及一种基于边缘计算设备的轻量化卷积神经网络的小目标害虫检测方法。

技术介绍

[0002]害虫检测是一项重要的农业问题，害虫对植物的危害严重影响着农业生产。传统的害虫检测方法通常是人工巡视，这种方法效率低下且不可扩展。传统的害虫检测方法通常基于形态学、颜色、纹理等特征，这些方法受到环境光照等因素的影响较大，检测精度不高；因此，自动化害虫检测成为了研究热点。
[0003]深度学习技术的出现，使得目标检测领域发生了革命性的变化。深度学习模型可以自动从原始数据中提取特征，并且具有强大的非线性拟合能力，能够适应不同尺度、旋转和光照等变化。随着深度学习技术的发展，基于卷积神经网络的目标检测算法已经在害虫检测方面得到大量的应用；目前主流的害虫测报灯的拍摄设备都是固定机位，但是主流的检测方法需要耗费大量的算力且推理速度慢，在智慧农业的应用中受到很大限制。

技术实现思路

[0004]针对现有技术存在的上述问题，本专利技术提供了一种基于背景减除与多卷积融合的小目标害虫检测方法，该方法精度高，识别速度快且占用资源更少。所述方法如下：S1. 使用摄像头对清理干净的落虫盘进行拍照获取环境背景图像；S2. 数据集采集与预处理，预处理步骤包括对图片中害虫种类进行标注，并将标注完的部分截取为单独的图片文件；S3. 将标注好的数据集使用基于多卷积融合的神经网络进行训练，生成害虫目标检测模型；S4. 使用摄像头获取待检测的害虫图片，使用算法对图片进行背景减除操作；S5. 将背景消除后的图片进行噪声去除，并把存在害虫的部分进行分割保存为独立图片以待检测，并记录分割部分位置信息；S6. 对统一尺寸后的待检测图像使用基于多卷积融合的目标检测算法进行目标检测；S7. 将目标检测的结果按照记录的坐标和尺寸信息放置到原图中。
[0005]进一步的，S2中所述的采集数据的摄像头使用的是基于ONVIF协议的IP工业相机，采集的数据文件是jpg格式图片，并将数据集制作存储为VOC标注格式。
[0006]进一步的，S3中所述的目标检测模型的训练，在数据集中随机抽取80%作为训练集，剩余20%作为测试集，训练生成的模型为ONNX格式文件。
[0007]进一步的，S4中所述的背景消除采用基于图像差分的分割算法，具体步骤如下：（1）将两张图片进行灰度化处理，得到两张灰度图像。（2）对两张灰度图像进行减法操作，得到一个差分图像。差分图像中的像素值表示在相应位置上的两张图像像素值的差异程度。
（3）对差分图像进行二值化处理，将像素值高于一个给定阈值的像素标记为前景，将像素值低于该阈值的像素标记为背景。这样就得到了一个分割后的图像，其中前景表示与背景不同的部分，背景则表示两张图像相同的部分。
[0008]进一步的，S5中所述的噪声去除操作采用的是双边滤波，公式如下：其中为输出图像中像素的灰度值，为输入图像中像素的灰度值，S为滤波器的邻域，W为权重的归一化系数，计算公式为：双边滤波算法中，和 通常采用高斯函数，其公式如下其公式如下其中，x表示灰度差异或空间距离，表示像素之间的灰度差异对权重的影响程度，表示像素之间的空间距离对权重的影响程度。
[0009]进一步的：S5中将存在害虫的部分进行分割及信息保存，以预处理后的图片的左上角为原点，原点记为（0,0）；向右为X轴正方向，向下为Y轴正方向，使用矩形将存在害虫的区域进行分割，并记录分割区域的尺寸信息和左上角的坐标信息。
[0010]进一步的，S6中使用的基于多卷积融合的目标检测算法包括主干网络、多尺度特征图生成模块和最终的检测层。
[0011]其中主干网络使用53个卷积层组成，其中包括3个大小为3
×
3的卷积层，每个卷积层后跟一个步长为2的下采样层。主干网络负责提取输入图像中的高级特征。
[0012]多尺度特征图生成模块包括三个卷积层，分别对主干网络的输出进行处理，生成三个不同尺度的特征图，分别对应于较低、中等和较高的层次，可以用于检测图像中不同大小的对象。
[0013]最终的检测层使用卷积和全连接层，将多尺度特征图进行融合，并将其映射到一组输出特征图上。这些特征图包含了对象的位置、大小、类别和置信度信息。通过应用非极大值抑制算法，可以过滤掉重叠的检测框，从而得到最终的检测结果。
[0014]进一步的，S6中使用的基于多卷积融合的目标检测算法中，将待检测图片参数统一到416
×
416
×
3，三个卷积生成特征图的尺度分别为13
×
13、26
×
26和52
×
52。
附图说明
[0015]图1是本专利技术实施例提供的一种基于背景减除与多卷积融合的小目标害虫检测方法流程图。
[0016]图2是背景减除和预处理的流程图。
[0017]图3是多卷积融合神经网络的结构示意图。
[0018]图4是使用该方法实现害虫检测的识别结果。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0020]本专利技术设计目标检测
，具体设计基于边缘计算设备的轻量化卷积神经网络的小目标害虫检测方法该方法精度高，识别速度快且占用资源更少。所述方法如下：S1. 使用摄像头对清理干净的落虫盘进行拍照获取环境背景图像；S2. 数据集采集与预处理，预处理步骤包括对图片中害虫种类进行标注，并将标注完的部分截取为单独的图片文件；S3. 将标注好的数据集使用基于多卷积融合的神经网络进行训练，生成害虫目标检测模型；S4. 使用摄像头获取待检测的害虫图片，使用算法对图片进行背景减除操作；S5. 将背景消除后的图片进行噪声去除，并把存在害虫的部分进行分割保存为独立图片以待检测，并记录分割部分位置信息；S6. 对统一尺寸后的待检测图像使用基于多卷积融合的目标检测算法进行目标检测；S7. 将目标检测的结果按照记录的坐标和尺寸信息放置到原图中。
[0021]进一步的，S2中所述的采集数据的摄像头使用的是基于ONVIF协议的IP工业相机，采集的数据文件是jpg格式图片，并将数据集制作存储为VOC标注格式。
[0022]进一步的，S3中所述的目标检测模型的训练，在数据集中随机抽取80%作为训练集，剩余20%作为测试集，训练生成的模型为ONNX格式文件。
[0023]进一步的，S4中所述的背景消除采用基于图像差分的分割算法，具体步骤如下：（1）将两张图片进行灰度化处理，得到两张灰度图像。（2）对两张灰度图像进行减法操作，得到一个差分图像。差分图像中的像素值表示在相应位置上的两张图像像素值的差异程度。（3）对差分图像进行二值化处理，将像素值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于背景减除与多卷积融合的小目标害虫检测方法，其特征在于，所述方法包括以下步骤：S1. 使用摄像头对清理干净的落虫盘进行拍照获取环境背景图像；S2. 数据集采集与预处理，预处理步骤包括对图片中害虫种类进行标注，并将标注完的部分截取为单独的图片文件；其中采集数据的摄像头使用的是基于ONVIF协议的IP工业相机，采集的数据文件是jpg格式图片，并将数据集制作存储为VOC标注格式；S3. 在标注好的数据集中随机抽取80%作为训练集，剩余20%作为测试集，使用基于多卷积融合的神经网络进行训练，最终训练生成的模型为ONNX格式文件；S4. 使用摄像头获取待检测的害虫图片，使用算法对图片进行背景减除操作；其中背景减除采用基于图像差分的分割算法，具体步骤如下：（1）将两张图片进行灰度化处理，得到两张灰度图像。（2）对两张灰度图像进行减法操作，得到一个差分图像。差分图像中的像素值表示在相应位置上的两张图像像素值的差异程度。（3）对差分图像进行二值化...

【专利技术属性】
技术研发人员：李念强，聂顺，
申请(专利权)人：济南大学，
类型：发明
国别省市：