技术摘要：
本发明公开了一种基于改进卷积神经网络的农田微型虫害识别装置，包括摄像终端系统、智能识别系统、远程更新系统。所述摄像终端系统用于通过摄像控制模块来调用终端摄像模块，拍摄田间微型虫害图片，并传送到智能识别系统中；所述智能识别系统，基于改进卷积神经网络，  全部
背景技术：
我国农田的害虫种类众多，有些微小型虫害很难去精准识别，例如麦蚜虫、麦叶 蜂、小麦蜘蛛等。小麦蜘蛛在小麦拔节、孕穗期为害严重，可对小麦造成不同程度的减产，对 小麦蜘蛛的田间计数调查，并及时预测预报尤为重要。然而，因虫体过小，对小麦蜘蛛的计 数方法，目前仍使用人工田间肉眼估计的方法。由于人工识别过程中自动化程度低、效率 低，准确度受检验人员经验和状态的影响，费时费力。 鉴于此，本发明基于计算机视觉技术，利用深度学习方法对其进行检测，实现田间 小型虫害，比如小麦蜘蛛的自动统计，提升了传统田间小型虫害调查的工程化与自动化水 平。
技术实现要素：
本发明的目的在于提供基于改进卷积神经网络的农田微型虫害识别装置。 本发明所要解决的技术问题为： 如何对原始图像(比如分辨率为1440*1080)中的微型虫害(比如小麦蜘蛛)进行检 测，实现田间小型虫害的自动统计。 本发明的目的可以通过以下技术方案实现： 一种基于改进卷积神经网络的农田微型虫害识别装置，包括： 摄像终端系统，所述摄像终端系统包括终端摄像模块、摄像控制模块、ARM芯片板 和数据传输模块；所述摄像终端系统用于通过ARM芯片板上嵌入的软件界面来控制摄像控 制模块，从而调用终端摄像模块拍摄田间微型虫害图片，并将虫害图片传送到智能识别系 统中； 其中，所述摄像控制模块用于连接终端摄像模块，调用终端摄像模块拍摄田间微 型虫害图像后通过数据传输模块上传到数据处理模块；所述摄像控制模块包括调用摄像头 子模块、图像识别子模块、图像上传子模块； 智能识别系统，所述智能识别系统包括数据处理模块、识别模块、信息下发模块； 所述智能识别系统基于改进卷积神经网络模型的微型虫害检测方法，接收终端摄像模块拍 摄的图像并通过数据处理模块进行处理扩展图像数据数量，通过智能识别系统识别拍摄图 像中的农业微型虫害，再返回到摄像终端系统的ARM芯片板上嵌入的软件界面以显示虫害 的具体种类以及防治信息； 远程更新系统，所述远程更新系统包括远程存储模块、虫害数据库、远程网络训练 模块；所述远程更新系统用于实时存储终端摄像模块拍摄的图像，以此定期更新智能识别 系统，提高虫害识别精度和效率； 4 CN 111611889 A 说　明　书 2/7 页 其中，所述远程存储模块用于存储上传的农田微型虫害图片；所述虫害数据库包 括历史的虫害图像和当前上传的虫害图像，以更新远程网络训练模块，使其识别精度更高； 所述远程网络训练模块用户搭建基于改进卷积神经网络的训练模型，用于指导智 能识别系统中部署的嵌入式识别模块，以精准识别微型虫害。 进一步地，所述数据处理模块对终端摄像模块拍摄的图像进行处理扩展图像数据 数量的方法为： 步骤SS01：通过终端摄像模块在农田实际环境中获取的微型虫害图像，将图像分 为5组，取其中1组图像作为测试集，其他4组作为训练集； 步骤SS02：将接收到的图像转换为单尺度图像和多尺度图像，使图像中的每个微 型虫害都具有4种尺度大小； 步骤SS03：通过数据增强技术来扩展图像数据集：对训练集中的图像进行水平镜 像翻转、垂直镜像翻转和添加椒盐噪声，以此扩展图像数据数量。 进一步地，所述步骤SS02中将接收到的图像转换为单尺度图像和多尺度图像的规 则具体为： 将所有数据集的每个原始图像裁剪成具有多种尺寸的图像；尺寸为150*250、240* 400、300*500、600*1000，其中，多尺度图像都具有相同的宽高比，宽高比为3：5。 进一步地，基于改进卷积神经网络模型的微型虫害检测方法为： 步骤S001：通过对比卷积神经网络不同的检测模型，选择R-FCN模型作为原型并通 过算法进行改进，并使用经过算法改进后的R-FCN模型对训练集数据进行训练，得到用于检 测微型虫害的深度学习模型； 步骤S002：将测试集数据输入到步骤S001中得到的深度学习模型中，通过改进后 的R-FCN模型提取微型虫害图像的特征，再对提取的特征进行定位检测，得到微型虫害的识 别精度； 步骤S003：根据输出的测试识别精度结果，保存训练最优化的模型算法。 进一步地，所述步骤S001中通过算法对R-FCN模型进行改进的方法为： 步骤S01：锚点的优化：利用聚类算法对所有的数据进行统计分析，根据聚类分析 结果来设计锚点的大小和比例；通过k中心点聚类对所有的真实框进行分析，将锚点的大小 设为{32^2，64^2，128^2，256^2}，比例设置为{3:4，1:1，5:4}，得到12种的具有不同大小及 比例的锚点； 步骤S02：超参数的优化：在原始R-FCN模型默认参数基础上做如下优化： S021：前景与背景样本的阈值：前景样本的阈值设为0.60，背景样本的阈值设为0 ～0.60；感兴趣区域与前景的重叠度大于0.60被认为前景样本，感兴趣区域与前景的重叠 度在0～0.60之间被认为背景样本； S022：BBOX阈值：设定为0.65，只有感兴趣区域与真实框的重叠度大于0.65，该感 兴趣区域才能用作BB回归的训练样本； S023：minibatch大小：设定为64； S024：域建议网络的正负样本阈值：正样本设定为0.75；负样本阈值设定为0.4； S025：将所有实验中经过非极大抑制留下的候选区域数量设置为200，其他设置保 持默认不变。 5 CN 111611889 A 说　明　书 3/7 页 进一步地，所述步骤S001中用于检测微型虫害的深度学习模型，具体检测步骤包 括： 步骤S1：利用四层卷积神经网络对微型虫害图像进行特征提取，获得一系列特征 图； 步骤S2：利用域建议网络生成一系列感兴趣区域； 步骤S3：在域建议网络最后添加一层特殊卷积层对每一个感兴趣区域构建一组位 置敏感得分图，每个得分图都保存微型虫害的空间位置信息； 步骤S4：对每一组位置敏感得分图进行均值池化处理，经过投票得到一组向量，然 后送入softmax函数进行分类并输出微型虫害及背景的概率。 进一步地，所述终端摄像模块用于拍摄农田中的微型虫害图像，终端摄像模块采 用一个单独的摄像头或嵌入式的摄像头或便携设备的摄像头。 本发明的有益效果： 1、本发明的农田微型虫害图像是经由数码相机在麦田实际环境中进行实地采集 的，其中包含农田微型虫害的不同拍摄视角，由于原始图像中的农田微型虫害像素少，且特 征不明显，因此，和大目标相比，其检测率低。针对这个问题，本发明中对数据集进行改进， 将数据集的图像转换为两个级别：单尺度图像和多尺度图像，能对原始图像(分辨率为 1440*1080)中的农田微型虫害具有较好的检测率，能更好的检测到农田微型虫害的数量； 2、对于深度学习方法，通常情况数据集越大，模型效果越好；本发明采取数据增强 技术来增加数据集，提高模型的精度，对训练数据集中的图像通过镜像翻转和椒盐噪声等 进行了扩充； 3、本发明中选用了R-FCN模型作为原型做出改进，为了进一步提高模型的检测精 度，本发明分别从网络结构、锚点、超参数等方面对模型进一步优化，得到适用农田微型虫 害图像检测的模型； 4、与使用人工田间肉眼估计的方法费时费力，以及不稳定性相比，本发明利用深 度学习方法对其进行检测，实现田间微型虫害的自动统计，具有快速、方便、精准、客观的优 点，提升田间害虫预测预报的时效性，减少环境和食物的污染，减少微型虫害所带来的损 失，提高微型虫害的综合防治能力，提升了传统微型虫害调查的工程化与自动化水平。 附图说明 为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。 图1是本发明的框架流程图； 图2是深度学习的R-FCN结构图； 图3是本发明中田间小型农田虫害检测过程结构图； 图4是优化后的检测过程结构图； 图5是不同目标检测算法在多尺度数据集上的测试结果图； 图6是不同的特征提取网络的识别精度和测试时间比较； 图7是本发明实施例二对应的使用方法示意图。 6 CN 111611889 A 说　明　书 4/7 页