一种基于卷积神经网络的靶向药物喷洒方法与流程

本发明涉及深度学习、图像识别的技术领域，尤其是指一种基于卷积神经网络的靶向药物喷洒方法。

背景技术

害虫给我国的棉花种植成长中带来了严重的困扰，有效的解决方法就是利用杀虫剂消灭害虫。但是害虫种类繁多，农业生产者缺乏足够的农业知识去判断害虫种类，不能使用正确的灭虫剂，同时地毯式的喷洒药物，也会污染大量区域的环境。因此精准化、智能化的药物喷洒技术势在必行。

要实现靶向药物喷洒技术，其主要的前提是如何精确地找出害虫的种类、位置等。目前对于害虫识别的研究方法基本上分为基于关系结构匹配的害虫识别以及基于机器学习的害虫识别。对比人工识别，数字化图像处理技术有着高效识别、低错误率的优点。但是也存在一下的问题：1)抽取的特征较为单一，主要为颜色特征、形状特征、纹理特征。2)特征需要人工选择，大多数学者都是选取自定的特征参数作为识别的标准，缺少对整体害虫特征的提取，因而构建模型的性能往往依赖于特征选择的优劣，因此模型的拟合度会因所取特征的优劣而出现较大波动。即当前的方法中，还未能全面提取目标特征，主观因素较大。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于卷积神经网络的靶向药物喷洒方法，主要通过cnn(convolutionalneuralnetwork,cnn)、rcnn(region-cnn,rcnn)两种网络相结合的方法，对害虫进行种类检测和数目统计，从而在标注的目标区域喷洒靶向药物。本发明的特色在于利用cnn卷积神经网络检测效率高的特点，对目标图像进行分类，在有害虫的识别结果下再结合对应的rcnn区域神经网络检测数量，精准识别目标区域。使用本发明可以在低配置环境下高效实施准确率较高的靶向药物喷洒，同时工程适用性强。

为实现上述目的，本发明所提供的技术方案为：一种基于卷积神经网络的靶向药物喷洒方法，包括以下步骤：

s1、在训练好的cnn卷积神经网络检测图像的分类

输入样本图像和选定的迭代次数训练能够识别n类目标害虫的cnn卷积神经网络，输入目标图像，得出该图像对应n类目标害虫的判定得分；

s2、根据步骤s1得出图像对应n类目标害虫的判定得分，与预先设定的害虫识别阀值比较，如果得分大于害虫识别阀值，则判别该害虫种类，进行步骤s3，如果小于害虫的识别阀值，则判断为无害虫，无需靶向药物喷洒；

s3、根据步骤s2判别的害虫种类，输入到针对害虫所训练的rcnn区域网络模型，统计该害虫的数据，并用框图显示害虫的区域位置，从而进行药物喷洒。

在步骤s1中，输入的n个图像样本其中xi表示第i个输入图像，y表示第i个图像的标签；cnn训练过程包括向前传播阶段和后传播阶段，在前向传播阶段，当一个训练样本(xi，yi)作为网络输入时，xi将一步步地从输入层转移到输出层，最后得到实际输出oi，这个过程表示为：

oi＝fl(...f2(f1(xiwi)w2)...)wl

其中，l表示层数，wj为第j层fj的权重向量，fj定义为一系列的层，执行内核函数的卷积、最大池或非线性激活操作，在一系列的操作之后，估计向量w1，w2，…wl用以下优化问题来解决：

其中，l为交叉熵损失函数；

l(o,y)＝ylno+(1-y)ln(1-o)

使用后向传播和随机梯度下降来更新向量w1，w2，…的方法能够求解优化问题，训练好网络后，输入目标图像到固定权重向量的cnn网络中，得出该图像对应n类目标害虫的判定得分。

在步骤s3中，根据步骤s2判别的结果，输入目标图片，在rcnn网络中，利用selectivesearch算法在图像中从上到下提取k个左右的候选框，将每个候选框缩放成n×m的大小并输入到预训练的cnn，将cnn的最后一个全连接层的输出作为特征，将这些特征输入支持向量中进行分类，将分类好的候选框进行边框回归，用边框回归值校正原来的建议窗口，生成预测窗口坐标，统计该害虫的数据，显示出害虫的位置，从而进行药物喷洒。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明利用cnn卷积神经网络检测率高的特点，先对图像进行分类检测判断。与直接使用rcnn模型对比，解决了rcnn训练和测试效率慢的问题。

2、本发明只使用单一的rcnn模型对目标图像进行数目统计和区域识别，从而解决训练复杂rcnn模型而导致的害虫检测性能差异大、效率低的问题。

3、本发明采用cnn检测分类结合rcnn检测数量的方法，如果检测到无害虫结果，则不再进行rcnn检测，节省了大量无效运算，并且全面地提取目标特征，减少主观因素，使得识别结果更具有客观性和普遍性。

附图说明

图1为本发明方法的处理步骤流程图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1所示，本实施例所提供的基于卷积神经网络的靶向药物喷洒方法，包括以下步骤：

s1、输入样本图像和选定的迭代次数训练能够识别n类目标害虫的cnn卷积神经网络，输入目标图像，得出该图像对应n类目标害虫的判定得分；其中，输入的n个图像样本其中xi表示第i个输入图像，y表示第i个图像的标签；cnn训练过程包括向前传播阶段和后传播阶段，在前向传播阶段，当一个训练样本(xi，yi)作为网络输入时，xi将一步步地从输入层转移到输出层，最后得到实际输出oi，这个过程可以表示为：

oi＝fl(...f2(f1(xiwi)w2)...)wl

其中，l表示层数，wj为第j层fj的权重向量，fj定义为一系列的层，执行诸如与内核函数的卷积、最大池或非线性激活等操作。在一系列的操作之后，估计向量w1，w2，…wl可以用以下优化问题来解决：

其中，l为交叉熵损失函数；

l(o,y)＝ylno+(1-y)ln(1-o)

使用后向传播和随机梯度下降来更新向量w1，w2，…的方法可以求解优化问题，训练好网络后，输入目标图像到固定权重向量的cnn网络中，得出该图像对应n类目标害虫的判定得分。

s2、根据步骤s1得出图像对应n类目标害虫的判定得分，与预先设定的害虫识别阀值比较，如果得分大于害虫识别阀值，则判别该害虫种类，进行步骤s3，如果小于害虫的识别阀值，则判断为无害虫，无需靶向药物喷洒。

s3、根据步骤s2判别的害虫种类，输入到针对害虫所训练的rcnn区域网络模型，统计该害虫的数据，并用框图显示害虫的区域位置，从而进行药物喷洒；具体如下：

根据步骤s2判别的结果，输入目标图片，在rcnn网络中，利用selectivesearch算法在图像中从上到下提取k个左右的候选框，将每个候选框缩放成n×m的大小并输入到预训练的cnn，将cnn的最后一个全连接层的输出作为特征，将这些特征输入支持向量中进行分类，将分类好的候选框进行边框回归，用边框回归值校正原来的建议窗口，生成预测窗口坐标，统计该害虫的数据，显示出害虫的位置，从而进行药物喷洒。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。