[发明专利]一种害虫检测与抑制方法及系统

说明书

本发明涉及计算机视觉和神经网络技术领域，具体提供了一种害虫检测与抑制方法，首先具有导航功能的轮式机器人在农作物之间的道路上行进，使用多个多光谱相机定时拍摄图片，并对图片中的害虫进行标注，形成害虫数据集；构建改进的MobileNet‑SSD模型，作为害虫识别模型，检测到害虫时，进行喷洒生物控制剂。与现有技术相比，本发明将图像的目标检测技术与农业害虫抑制相结合，通过卷积神经网络识别农田中的害虫位置，精确喷洒生物型杀虫剂，提高生物型杀虫剂的利用效率，减少人力成本，促进农业的环保型发展与可持续发展。

技术领域

本发明涉及计算机视觉和神经网络技术领域，具体提供一种害虫检测与抑制方法及系统。

背景技术

农作物病虫害是我国的主要农业灾害之一，它具有种类多、影响大、并时常暴发成灾的特点，其发生范围和严重程度对我国国民经济、特别是农业生产常造成重大损失。我国农作物常见的有以下种类的病虫害：稻飞虱、白粉病、玉米螟、棉铃虫、小麦锈病、棉蚜、稻纹枯病、稻瘟病、麦蚜、麦红蜘蛛、蝗虫、麦类赤霉病等，已成为严重影响我国农业生产的重大病虫害。农作物病虫害防治方法主要有天敌昆虫法、益鸟法、物理防治法、化学药剂法等。

而目前的控制方法主要依赖于传统的化学颗粒，一些农药可能在土壤和水体中保留多年，破坏生态系统，危害长期接触食用农药杀虫剂残留的食品造成药性在体内的累积，对人类健康亦是潜在的威胁。而一些含有天然植物抑制成分的杀虫剂或线虫类微生物杀虫剂成本高，对于农民使用并不经济。因此虽然报道了许多有杀虫活性的生物种类，但是有关生物类杀虫剂没有转化为正式产品生产。

图像的目标检测算法是计算机视觉领域中一项具有挑战性的工作，主要可以分为两类，一类是基于Region Proposal的R-CNN系算法(R-CNN，Fast R-CNN,Faster R-CNN等)，它们是two-stage的，需要先算法产生目标候选框，然后再对候选框做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。

第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。

发明内容

本发明是针对上述现有技术的不足，提供一种实用性强的害虫检测与抑制方法。

本发明进一步的技术任务是提供一种设计合理，安全适用的害虫检测与抑制系统。

本发明解决其技术问题所采用的技术方案是：

一种害虫检测与抑制方法，首先具有导航功能的轮式机器人在农作物之间的道路上行进，使用多个多光谱相机定时拍摄图片，并对图片中的害虫进行标注，形成害虫数据集；

构建改进的MobileNet-SSD模型，作为害虫识别模型，检测到害虫时，会输出害虫的空间坐标,进行喷洒生物控制剂。

进一步的，对得到的所述害虫数据集进行训练，所述MobileNet-SSD模型具体为：主干网络使用基于深度可分离卷积的Mobilenet-V1，具有4层使用深度可分离卷积的Extra层以及能够检测6张特征图的Header层。

进一步的，将每像素上6个检测框的大小进一步缩小，以匹配害虫的体积。

进一步的，使用基于权重的剪枝方式，将得到的MobileNet-SSD模型进一步缩小参数量和操作量，在几乎不丢失原模型精度的前提下，最大化缩小模型。

进一步的，使用离线量化的方式int8量化得到的最大化缩小模型，将网络参数从Float-32量化到INT8。

进一步的，检测到害虫时，会得到害虫的空间坐标，然后将喷杆旋转到指向坐标位置，喷洒生物控制剂。