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: 2025104727456
申请人: 江西农业大学
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:

1.一种林业害虫识别方法,其特征在于,包括如下步骤:

获取与林业害虫相关的数据集,并将所述数据集按比例划分为训练集、验证集、及测试集;

基于Yolov8n网络建立神经网络模型,并在所述Yolov8n网络中引入DA_SCConv模块和EMCA模块,以优化所述Yolov8n网络;

其中优化后的所述Yolov8n网络依次包括骨干结构、所述DA_SCConv模块、SPPF模块、及所述EMCA模块,所述DA_SCConv模块包括空间自适应注意力单元、空间重建单元SRU、空洞卷积和通道重建单元CRU;

将所述训练集输入优化后的所述Yolov8n网络进行训练;

使用所述测试集对训练好的所述神经网络模型进行评估,以得到检测结果;

所述将所述训练集输入优化后的所述Yolov8n网络进行训练,具体包括:将所述训练集作为初始特征图输入优化后的所述Yolov8n网络,所述初始特征图经所述骨干结构处理后得到新特征图;

将所述新特征图输入空间自适应注意力单元,以使所述新特征图中的特征聚焦于空间上的预设区域;

将所述新特征图输入所述空间重建单元SRU,以区分所述新特征图中的有用信息与冗余信息;

将经所述空间重建单元SRU处理后的新特征图通过空洞卷积进行处理,增加感受野;

将经所述空洞卷积处理后的新特征图输入至所述通道重建单元CRU,根据通道特征来重组和过滤所述新特征图中的非必要特征;

将经所述DA_SCConv模块处理后的新特征图与所述初始特征图进行残差连接,以优化所述新特征图的特征表达;

将优化后的所述新特征图输入所述SPPF模块得到更新后特征图;

将所述更新后特征图输入所述EMCA模块进行全局平均池化和全局最大池化处理,并使用自适应卷积捕获所述Yolov8n网络中每个通道的特征,以完成对所述Yolov8n网络的训练。

2.根据权利要求1所述的林业害虫识别方法,其特征在于,所述骨干结构为Conv-Conv-C2f-Conv-C2f-Conv-C2f-Conv-C2f,其中Conv表示卷积,C2f表示特征融合模块。

3.根据权利要求2所述的林业害虫识别方法,其特征在于,所述初始特征图经所述骨干结构处理后得到新特征图,具体包括:所述初始特征图依次经过所述Conv和所述C2f交错构成的骨干结构,并在第四个所述C2f处理后得到中间特征图;

使所述中间特征图经过1×1的卷积层得到新特征图,所述新特征图∈(W×H×C)。

4.根据权利要求3所述的林业害虫识别方法,其特征在于,所述将所述新特征图输入空间自适应注意力单元,以使所述新特征图中的特征聚焦于空间上的预设区域,具体包括:将所述新特征图输入空间自适应注意力单元;

通过所述空间自适应注意力单元将所述新特征图进行展平,以将每个空间位置均划分为一个独立的token;

通过Transformer对所述token进行处理,并标记为Xflattened、及添加位置编码P,以得到位置表示Xpos;

;

将所述Xpos输入至 Transformer 编码器中进行自注意力计算;

;

其中,Q表示查询向量,K表示键向量,C表示值向量,T表示转置;

获取注意力矩阵加权 V,输出特征表示Aspatital;

;

将所述特征表示恢复为空间维度W×H×C。

5.根据权利要求4所述的林业害虫识别方法,其特征在于,所述将所述新特征图输入所述空间重建单元SRU,以区分所述新特征图中的有用信息与冗余信息,具体包括:将所述新特征图输入所述空间重建单元SRU,并通过分组归一化对所述新特征图进行标准化;

通过Sigmoid激活函数将标准化后的所述新特征图的权重值映射至区间(0,1);

设定权重阈值T,在所述新特征图中,将权重值高于所述权重阈值的特征信息作为有用信息,并标记为高特征信息W1,以及将权重值低于所述权重阈值的特征信息作为冗余信息,并标记为低特征信息W2;

采用交叉重构运算方法,将所述高特征信息W1与所述新特征图相乘以得到第一特征X1W,以及将所述低特征信息W2与所述新特征图相乘以得到第二特征X2W;

将所述第一特征X1W进行特征拆分,以得到第一子特征X11W和第二子特征X12W,以及将所述第二特征X2W进行特征拆分,以得到第三子特征X21W和第四子特征X22W;

将所述第一子特征X11W和所述第四子特征X22W相加,以得到增强后高信息特征XW1,以及将所述第二子特征X12W和所述第三子特征X21W相加,以得到压缩后低信息特征XW2;

将所述增强后高信息特征XW1和所述压缩后低信息特征XW2相加,以获取空间特征输出XW,并通过所述空间特征输出XW对所述新特征图的空间维度进行重建。

6.根据权利要求5所述的林业害虫识别方法,其特征在于,所述经所述空洞卷积处理后的新特征图输入至所述通道重建单元CRU,根据通道特征来重组和过滤所述新特征图中的非必要特征,具体包括:将所述空间特征输出XW按照通道划分为比例为αC的第一通道特征图和比例为(1−α)C的第二通道特征图;

分别通过立体匹配模型GWCNet和光流模型PWCNet提取所述第一通道特征图中的特征,并相加合并为第一初始通道特征Y1;

通过光流模型PWCNet对所述第二通道特征图进行压缩,并与压缩前的所述第二通道特征图进行残差连接得到第二初始通道特征Y2;

分别对所述第一初始通道特征Y1和所述第二初始通道特征Y2进行池化处理,以分别生成第一权重向量S1和第二权重向量S2;

通过Softmax函数分别对所述第一权重向量S1和第二权重向量S2进行归一化处理,以分别得到第一通道权重β1和第二通道权重β2;

将所述第一通道权重β1与所述第一初始通道特征Y1进行逐通道相乘得到第一中间特征,以及将所述第二通道权重β2与所述第二初始通道特征Y2进行逐通道相乘得到第二中间特征;

将所述第一中间特征和所述第二中间特征相加以得到输出通道特征Y,并利用所述输出通道特征Y对所述新特征图的通道维度进行重建。

7.根据权利要求6所述的林业害虫识别方法,其特征在于,所述将经所述DA_SCConv模块处理后的新特征图与所述初始特征图进行残差连接,以优化所述新特征图的特征表达,具体包括:基于空间维度进行重建后的新特征图和通道维度进行重建后的新特征图,通过逐元素相乘法计算经所述DA_SCConv模块处理后的新特征图;

;

其中,SRU(X1)为对空间维度进行重建后的新特征图,CRU(X2)为对通道维度进行重建后的新特征图,DA_SCConv(X)为经DA_SCConv模块处理后的新特征图;

将经所述DA_SCConv模块处理后的新特征图与所述初始特征图进行残差连接,以保留经所述DA_SCConv模块处理后的新特征图的原始信息,进而优化所述新特征图的特征表达。

8.根据权利要求7所述的林业害虫识别方法,其特征在于,所述将所述更新后特征图输入所述EMCA模块进行全局平均池化和全局最大池化处理,并使用自适应卷积捕获所述Yolov8n网络中每个通道的特征,以完成对所述Yolov8n网络的训练,具体包括:将所述更新后特征图分别输入所述EMCA模块进行全局平均池化处理和全局最大池化处理,以分别得到第一处理结果yavg和第二处理结果ymax;

将所述第一处理结果和所述第二处理结果融合得到池化结果y;

;

通过自适应卷积操作捕获所述Yolov8n网络中每个通道特征和其相邻通道特征之间的交互;

;

;

其中,wi为交互特征,σ为sigmoid激活函数,k为卷积核的大小,wj为卷积核的权重,γ和b为超参数,C表示通道数量,φ(C)为C的映射,|x|odd表示与X最近的奇数,i表示当前所处通道的序列号,j表示邻近通道索引;

将通过自适应卷积操作得到的交互特征与所述更新后特征图进行残差连接,以完成对所述Yolov8n网络的训练;

在使用所述训练集对所述Yolov8n网络进行训练的过程中,使用所述验证集对所述Yolov8n网络中的关键超参数进行调整优化,所述关键超参数包括学习率、批量大小、权重衰减系数。

9.一种林业害虫识别系统,其特征在于,包括:

获取模块:用于获取与林业害虫相关的数据集,并将所述数据集按比例划分为训练集、验证集、及测试集;

优化模块:用于基于Yolov8n网络建立神经网络模型,并在所述Yolov8n网络中引入DA_SCConv模块和EMCA模块,以优化所述Yolov8n网络;其中优化后的所述Yolov8n网络依次包括骨干结构、所述DA_SCConv模块、SPPF模块、及所述EMCA模块,所述DA_SCConv模块包括空间自适应注意力单元、空间重建单元SRU、空洞卷积和通道重建单元CRU;

训练模块:用于将所述训练集输入优化后的所述Yolov8n网络进行训练;

所述训练模块具体用于:

将所述训练集作为初始特征图输入优化后的所述Yolov8n网络,所述初始特征图经所述骨干结构处理后得到新特征图;

将所述新特征图输入空间自适应注意力单元,以使所述新特征图中的特征聚焦于空间上的预设区域;

将所述新特征图输入所述空间重建单元SRU,以区分所述新特征图中的有用信息与冗余信息;

将经所述空间重建单元SRU处理后的新特征图通过空洞卷积进行处理,增加感受野;

将经所述空洞卷积处理后的新特征图输入至所述通道重建单元CRU,根据通道特征来重组和过滤所述新特征图中的非必要特征;

将经所述DA_SCConv模块处理后的新特征图与所述初始特征图进行残差连接,以优化所述新特征图的特征表达;

将优化后的所述新特征图输入所述SPPF模块得到更新后特征图;

将所述更新后特征图输入所述EMCA模块进行全局平均池化和全局最大池化处理,并使用自适应卷积捕获所述Yolov8n网络中每个通道的特征,以完成对所述Yolov8n网络的训练;

检测模块:用于使用所述测试集对训练好的所述神经网络模型进行评估,以得到检测结果。

10.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的林业害虫识别方法。