[发明专利]一种基于MDRN网络的储粮害虫在线识别系统及其方法

权利要求书

1.一种基于MDRN网络的储粮害虫在线识别系统，其特征在于，包括硬件模块、软件模块及云服务器上搭载的算法模块三个部分，其中硬件模块包括储粮害虫图像采集模块、数据传输模块；软件模块包括PC端人机交互软件；算法模块是指云服务器中搭载的用于图像识别的算法。

2.根据权利要求1所述的基于MDRN网络的储粮害虫在线识别系统，其特征在于，所述粮虫图像采集模块，用于粮堆内粮虫图像的获取，其通过MCU控制灯带开启对粮虫诱集后，使用DCMI接口控制CMOS摄像头采集粮堆害虫图像。

3.根据权利要求2所述的基于MDRN网络的储粮害虫在线识别系统，其特征在于，所述的数据传输模块为以太网传输模块，将图像数据发送至PC端；所述PC端人机交互软件为用于图像显示以及信息展示的应用软件，并将接收到的储粮害虫图像数据自动上传至云服务器端；所述云服务器为GPU计算机，搭载MDRN深度学习算法。

4.一种基于MDRN网络的储粮害虫在线识别方法，其特征在于，使用如权利要求3所述的基于MDRN网络的储粮害虫在线识别系统，具体包括如下步骤：

(1)从储粮害虫图像采集模块获取粮堆害虫图像；

(2)将步骤(1)中获取到的储粮害虫图像通过以太网模块上传至PC端人机交互界面；

(3)PC端接收储粮害虫图像后进行本地显示以及图像保存，并自动上传至云服务器；

(4)云服务器端搭载MDRN算法脚本，将图像输入后会自动给出反馈信息至PC端人机交互界面。

5.根据权利要求4所述的基于MDRN网络的储粮害虫在线识别方法，其特征在于，所述步骤(4)中MDRN算法是一种对采集到的粮虫图像进行识别的算法,具体包括以下几个流程：

A、将PC端上传的储粮害虫原始图像尺寸统一为128×128pixels，标准化样本数据；

B、将标准化后的图像数据输入到普通卷积层中，并采用批归一化，防止梯度爆炸和梯度消失，并加入激活函数；

C、将步骤B的输出结果输入到M个堆叠的两种类型的残差块中；

D、将两种类型的残差块与池化层交替使用；

E、使用自适应矩估计(Adam)优化器，初始学习率为α，α∈(0,1)，学习率为迭代衰减，学习率的计算方式为每经过x次迭代，变为原来的z，即

learing rate＝learning rate×z^globalstep/x

式中learning rate为学习率，global step为当前训练的次数；

F、输出前堆叠全连接层，在全连接层中引入Dropout层，Dropout参数设置为d₀,d₀∈(0,1)；

G、最后使用Softmax作为分类器，将x分类为类别j的概率为

6.根据权利要求5所述的基于MDRN网络的储粮害虫在线识别方法，其特征在于，所述流程C中所述的两种类型的残差块的结构为：残差块一：残差块中第m层结构为，数据输入后先经过空洞卷积，进而为归一化层，紧接着为激活函数；第m+1层结构为，数据输入后先经过3×3的普通卷积，进而为归一化层，紧接着为激活函数；

残差块二：残差块中第m层结构为，数据输入后先经过3×3的普通卷积，进而为归一化层，紧接着为激活函数；第m+1层结构与第m层相同。同时辅以池化和泛卷积。