欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202011205968X
申请人: 河南工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于SSD算法的特征融合的粮虫识别方法,其特征在于,包括如下步骤:步骤一:建立数据集;

步骤二:建立神经网络模型,并采用数据集的训练数据对其进行训练,得到训练后的神经网络模型;

步骤三:采集待识别的粮虫图像,将其输入到训练后的神经网络模型中,检测出其中的粮虫种类和位置;

所述数据集中的训练数据包括多张粮虫图片,每张图片上只有一种粮虫的图像,每张图片分辨率为640×480;

所述神经网络模型的特征图包括block12、block7、block8、block9和block10,其中block12由卷积层conv4_3和conv5_3输出的特征图通过TOP‑DOWN模块融合而成,block7、block8、block9和block10分别为卷积层conv7、conv8_2、conv9_2和conv10_2输出的特征图,各特征图先验框的大小通过K‑means算法进行聚类得到。

2.根据权利要求1所述的基于SSD算法的特征融合的粮虫识别方法,其特征在于,使用TOP‑DOWN模块融合卷积层conv4_3和conv5_3输出的特征图方法为:对卷积层conv5_3输出的特征图进行一次卷积和两次反卷积,然后接入BN模块;

对浅层卷积层conv4_3输出特征图进行两次卷积操作,然后接入BN模块;

对卷积层conv5_3输出的特征图和卷积层conv4_3输出特征图进行特征融合,最后经过Relu激活函数输出最终融合后的特征图。

3.根据权利要求2所述的基于SSD算法的特征融合的粮虫识别方法,其特征在于,采用点乘的方式对卷积层conv5_3输出的特征图和卷积层conv4_3输出特征图进行特征融合。

4.根据权利要求1所述的基于SSD算法的特征融合的粮虫识别方法,其特征在于,通过K‑means算法计算各特征图先验框大小的方法包括如下步骤:对数据集图像中的粮虫进行标注,并进行初始化得到m个聚类中心;

计算数据集中所有GT与各个聚类中心之间的距离,将与其距离最近的聚类中心作为其索引,将索引相同的特征点作为同一聚类;

当连续两次的聚类结果相同时,判断为聚类结束;

将各聚类的最小包围框作为先验框。

5.根据权利要求1所述的基于SSD算法的特征融合的粮虫识别方法,其特征在于,所述粮虫包括玉米象、赤拟谷盗、谷蠹、锈赤扁谷盗和印度谷螟。

6.一种基于SSD算法的特征融合的粮虫识别系统,包括处理器和存储器,存储器上存储有用于在处理器上执行的计算机程序;其特征在于,所述处理器执行所述计算机程序时,实现基于SSD算法的特征融合的粮虫识别方法,该方法包括如下步骤:步骤一:建立数据集;

步骤二:建立神经网络模型,并采用数据集的训练数据对其进行训练,得到训练后的神经网络模型;

步骤三:采集待识别的粮虫图像,将其输入到训练后的神经网络模型中,检测出其中的粮虫种类和位置;

所述数据集中的训练数据包括多张粮虫图片,每张图片上只有一种粮虫的图像,每张图片分辨率为640×480;

所述神经网络模型的特征图包括block12、block7、block8、block9和block10其中block12由卷积层conv4_3和conv5_3输出的特征图通过TOP‑DOWN模块融合而成,block7、block8、block9和block10分别为卷积层conv7、conv8_2、conv9_2和conv10_2输出的特征图,各特征图先验框的大小通过K‑means算法进行聚类得到。

7.根据权利要求6所述的基于SSD算法的特征融合的粮虫识别系统,其特征在于,使用TOP‑DOWN模块融合卷积层conv4_3和conv5_3输出的特征图方法为:对卷积层conv5_3输出的特征图进行一次卷积和两次反卷积,然后接入BN模块;

对浅层卷积层conv4_3输出特征图进行两次卷积操作,然后接入BN模块;

对卷积层conv5_3输出的特征图和卷积层conv4_3输出特征图进行特征融合,最后经过Relu激活函数输出最终融合后的特征图。

8.根据权利要求7所述的基于SSD算法的特征融合的粮虫识别系统,其特征在于,采用点乘的方式对卷积层conv5_3输出的特征图和卷积层conv4_3输出特征图进行特征融合。

9.根据权利要求6所述的基于SSD算法的特征融合的粮虫识别系统,其特征在于,通过K‑means算法计算各特征图先验框大小的方法包括如下步骤:对数据集图像中的粮虫进行标注,并进行初始化得到m个聚类中心;

计算数据集中所有GT与各个聚类中心之间的距离,将与其距离最近的聚类中心作为其索引,将索引相同的特征点作为同一聚类;

当连续两次的聚类结果相同时,判断为聚类结束;

将各聚类的最小包围框作为先验框。

10.根据权利要求6所述的基于SSD算法的特征融合的粮虫识别系统,其特征在于,所述粮虫包括玉米象、赤拟谷盗、谷蠹、锈赤扁谷盗和印度谷螟。