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。