申请/专利权人：杭州电子科技大学

申请日：2023-12-20

公开（公告）日：2024-02-02

公开（公告）号：CN117496273A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06V10/80;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.23#实质审查的生效;2024.02.02#公开

摘要：本发明公开了一种级联深度学习分类模型的稻飞虱检测方法，具体步骤包括：稻飞虱图像获取以及创建稻飞虱检测数据集和稻飞虱分类数据集；用稻飞虱检测数据集训练检测模型；根据稻飞虱目标尺寸较小的特点构建了一个基于深度学习的分类模型用于对检测模型输出的稻飞虱目标进行快速分类；构建级联深度学习分类模型的稻飞虱检测模型；将待检测图片输入级联深度学习分类模型的稻飞虱检测模型得到稻飞虱的检测框及其类别。本发明针对稻飞虱目标尺寸较小容易检测错误的问题，设计了小型分类模型对稻飞虱目标进行快速准确分类，通过分离检测模型的定位和分类模块，提高了对三种稻飞虱的检测精度。

主权项：1.一种级联深度学习分类模型的稻飞虱检测方法，其特征在于，包括如下步骤：步骤1、拍摄白色背板下的稻飞虱图片，构建稻飞虱检测数据集和稻飞虱分类数据集；步骤2、构建级联深度学习分类模型的稻飞虱检测模型，所述级联深度学习分类模型的稻飞虱检测模型包括检测模块和分类模块；将稻飞虱检测数据集输入检测模型进行训练，将稻飞虱分类数据集输入分类模型进行训练；所述检测模块包括主干网络、颈部网络和检测头网络；所述分类模块包括三个平行设置第一分支网络、第二分支网络、第三分支网络以及三个分支网络后面连接有的卷积层、平均池化层和全连接层；步骤3、将待检测的稻飞虱图像输入级联深度学习分类模型的稻飞虱检测模型，得到稻飞虱的位置及其类别，步骤3-1、稻飞虱图像预处理；步骤3-2、将预处理后的稻飞虱图像作为输入通过检测模块得到稻飞虱目标图像；步骤3-3、将步骤3-2的输出的稻飞虱目标图像作为分类模块的输入，通过分类模块输出该稻飞虱的具体类别，通过分类模块进行分类的具体方法为：经过检测模块得到的稻飞虱目标图像首先经过三个分支网络进行特征提取，第一个分支网络：步长为2的3×3卷积块，通道数增加为12，第二个分支网络：首先经过一个步长为1的1×1卷积块，通道数增加为12，然后经过步长为1的3×3卷积块，然后再经过步长为2的3×3卷积块，第三个分支网络：首先经过步长为1的1×1卷积块，通道数增加为12，然后经过步长为2的3×3最大池化层；将三个分支网络输出的特征图在通道维度上进行相加，生成一个36×28×28的特征图，然后经过一个步长为1的3×3卷积块和步长为2的平均池化层得到64×14×14特征图，所述64×14×14特征图再依次经过两个重复的结构：步长为1的3×3卷积块和步长为2的平均池化层分别得到128×7×7的特征图和256×3×3特征图；最后通过一个步长为3的平均池化层，256×3×3的特征图被压缩为256维的一维向量，所述256维的一维向量依次经过两个全连接层，通过第一个全连接层将256维的一维向量映射到512维，通过第二个全连接层将512维向量映射到3维，输出该稻飞虱目标的具体类别。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种级联深度学习分类模型的稻飞虱检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD