一种基于神经网络模型的微小型害虫计数方法与流程

本发明属于农业生产技术领域，尤其涉及一种基于神经网络模型的微小型害虫计数方法。

背景技术：

农作物小型虫害预测预报是各级植物保护植物检疫站根据对农作物虫害调查结果，结合其发生规律、历史数据和气象因素、生态环境进行综合分析，推测未来一段时间内虫害发生趋势，包括发生程度、危害范围、防治适期、防治方法等内容，为下一步采取科学防控措施提供可靠依据。及时准确发布小型虫害预测预报，可以增加防控虫害的精准性和有效性，大幅度提高防控工作的经济效益、生态效益和社会效益。小型虫害预测预报在挽回粮食损失的份额中一般要占1/3左右。调查的小型虫害田间发生数据所积累的系统资料，可以为进一步掌握有害生物的动态规律，乃至运用系统工程学的理论和方法分析农田生态系统内各类因子与病虫发生为害的关系，因地制宜地制订最合理的综合防治方案提供科学依据。因此，这项工作不仅关系到当年当季的农业生产，而且对于提高长期综合治理的总体效益具有战略意义。

实际工作中，小型害虫田间调查最大的难题就是准确计数，这是由于：虫体小肉眼很难发现，尤其是螨类，螨虫体长一般都在0.5毫米左右，有些小到0.1毫米，大多数种类小于1毫米；蚜虫体长一般在1.5～4.9毫米左右，大多数种类约2毫米；粉虱体长一般都在0.2-1.05毫米左右，大多数种类小于1毫米。二是发生隐蔽，小型害虫大部分时间集中在叶子背面吸食植物汁液进行危害，在发生前期或发生轻的情况下，除非是有经验的专业技术人员，否则是很难发现的。三是由于是群集危害，单位面积上虫害数量大，如菜豆螨类，发生严重时单片有螨可以达到千头以上，短时间内对其进行人工准确计数是不可能的。四是人为因素干扰，由于虫体小，数量多，实际工作中往往是凭借经验对其数量进行一个估计，不同人和同一个人不同地点、不同时间估计的数值差别也很大，靠人工计数很难得出一个准确的数据。目前基本采用人工计数的方法。这种计数方法不仅耗时耗力，而且计数误差较大。

技术实现要素：

本发明提供一种基于神经网络模型的微小型害虫计数方法，旨在解决计数效率低的问题。

本发明是这样实现的，一种基于神经网络模型的微小型害虫计数方法，采用神经网络模型对田间拍摄的农作物照片进行自动处理，自动得出微小型害虫的计数结果，具体包括以下步骤：

s1、采集农作物照片，将所述农作物照片作为输入图像输入到全卷积神经网络，输出微小型害虫的响应热度图；

s2、采用矩形框对害虫位置进行初步定位，对多个所述矩形框进行筛选，保留矩形框内响应值之和不小于预设阈值的矩形框；

s3、对步骤s2保留的矩形框进行再次筛选，选择框内响应值之和最大的矩形框，将与该矩形框交并比大于0.5的矩形框删去，选择框内响应值第二大的矩形框作为最大的矩形框，然后充复上述操作，最后保留框内响应值之和最小的矩形框；

s4、统计步骤s3中的保留的矩形框的数量，即为所述输入图像中的害虫数量。

优选的，所述响应热度图的尺寸与所述输入图像的尺寸一致。

优选的，所述采用多个矩形框对害虫位置进行初步定位具体为：先判断输入图像中害虫的大小为kh×kw像素，则采用kh×kw像素的矩形框，矩形框在图像中所有可能的位置数量如下：

n＝(h-kh+1)×(w-kw+1)

其中，h为响应热度图的高，w为响应热力图的宽，然后计算所有n个可能的矩形框内的响应之和，即：

其中，p为响应热力图中的像素值，ri为第i个矩形框所包含的像素集合，i＝{1,2,......,n}，ti为第i个矩形框内的响应值之和。

优选的，所述对多个所述矩形框进行筛选，保留矩形框内响应值之和不小于预设阈值的矩形框具体为：预先设定阈值t，根据ti的值对矩形框进行筛选，当ti≥t时，保留第i个矩形框，当ti＜t时则删去第i个矩形框。

优选的，所述两矩形框的交并比通过如下公式计算得到：

其中，si为两矩形框交集的面积，su为两矩形框并集的面积，r为两矩形框的交并比。

优选的，所述响应热力图的通道数为1，其中所有的像素值均为0到1之间的值。

优选的，还包括根据所述害虫的数量，当所述害虫达到预设的多个害虫预警数量值进行分级报警。

与现有技术相比，本发明的有益效果是：本发明的一种基于神经网络模型的微小型害虫计数方法，通过采集农作物照片，将所述农作物照片作为输入图像输入到全卷积神经网络，输出微小型害虫的响应热度图，采用多个矩形框对害虫位置进行初步定位，对多个所述矩形框进行筛选，保留矩形框内响应值之和不小于预设阈值的矩形框，对保留的矩形框进行再次筛选，选择矩形框内响应值之和最大的矩形框，删去与该矩形框交并比大于0.5的矩形框，统计最后保留的矩形框的数量，即为所述输入图像中的害虫数量，本发明提供的方法显著降低了人的工作量，有效提升了田间微小型害虫计数的效率，大大节约了人力成本，还能够显著提升计数的准确度。

附图说明

图1为本发明的一种基于神经网络模型的微小型害虫计数方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，本发明提供一种技术方案：一种基于神经网络模型的微小型害虫计数方法。包括以下步骤：

s1、采集农作物照片，将农作物照片作为输入图像输入到全卷积神经网络，输出微小型害虫的响应热度图，响应热度图的尺寸与输入图像的尺寸一致，响应热力图的通道数为1，其中所有的像素值均为0到1之间的值。每一个像素值代表了在输入图像中，与该像素同一位置的像素属于害虫的概率。输入图像在该位置的像素属于害虫的概率越高，输出的响应热力图的在该位置的值越大。

s2、采用矩形框对害虫位置进行初步定位。先判断输入图像中害虫的大小为kh×kw像素，则采用kh×kw像素的矩形框，矩形框在图像中所有可能的位置数量如下：

n＝(h-kh+1)×(w-kw+1)

其中，h为响应热度图的高，w为响应热力图的宽，然后计算所有n个可能的矩形框内的响应之和，即：

其中，p为响应热力图中的像素值，ri为第i个矩形框所包含的像素集合，i＝{1,2,......,n}，ti为第i个矩形框内的响应值之和。

对多个矩形框进行筛选，保留矩形框内响应值之和不小于预设阈值的矩形框，预先设定阈值t，根据ti的值对矩形框进行筛选，当ti≥t时，保留第i个矩形框，当ti＜t时则删去第i个矩形框。

s3、采用非极大值抑制算法对步骤s2得到的矩形框进行再次筛选，选择框内响应值之和最大的矩形框，将与该矩形框交并比大于0.5的矩形框删去，选择框内响应值第二大的矩形框作为最大的矩形框，然后重复上述操作，最后保留框内响应值之和最小的矩形框。两矩形框的交并比通过如下公式计算得到：

其中，si为两矩形框交集的面积，su为两矩形框并集的面积，r为两矩形框的交并比。

s4、统计步骤s3中的保留的矩形框的数量，也就是作为输入图像中的害虫数量的定位结果。

s5、根据害虫的数量，当害虫达到预设的多个害虫预警数量值时进行相应等级的分级报警。

本发明的一种基于神经网络模型的微小型害虫计数方法，通过采集农作物照片，将所述农作物照片作为输入图像输入到全卷积神经网络，输出微小型害虫的响应热度图，采用多个矩形框对害虫位置进行初步定位，对多个所述矩形框进行筛选，保留矩形框内响应值之和不小于预设阈值的矩形框，对保留的矩形框进行再次筛选，选择矩形框内响应值之和最大的矩形框，删去与该矩形框交并比大于0.5的矩形框，统计最后保留的矩形框的数量，即为所述输入图像中的害虫数量，本发明提供的方法显著降低了人的工作量，有效提升了田间微小型害虫计数的效率，大大节约了人力成本，还能够显著提升计数的准确度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。