[0001] 本发明涉及模型构建方法，特别涉及一害虫检测模型构建方法，其中所述害虫检测模型基于卷积注意力网络被构建，以使所述害虫检测模型具有高检测精度和强鲁棒性。

[0002] 植物病虫害是比较严重的自然灾害，其对于植物(尤其是农作物)的正常生长产生严重的威胁，因此，准确地识别害虫对于植保工作具有非常重要的意义。目前主要依靠少数
具有专业知识的植保专家和农技人员利用专业知识对害虫进行人工识别，这种人工识别害
虫的方式存在着诸多的缺陷。首先，人工识别害虫的方式不仅需要消耗大量的人力，而且识
别结果的准确性无法得到保证。其次，人工识别害虫的方式需要具有专业知识的植保专家
和农机人员亲自到现场工作，无法做到提前预警病虫害。第三，害虫种类繁多，并且从外观
上来看，不同种类的害虫的外观相似度比较高，即便是具有专业知识的植保专家和农技人
员也很难识别所有的害虫。为了解决这一问题，近年来逐渐地出现了依靠计算机图像处理
方法对害虫进行自动识别，特别是利用深度学习技术的图像处理方法被引入到害虫识别领
域，对于自动识别害虫的实现和发展提供了巨大的帮助。但是对于目前的利用深度学习技
术的害虫识别系统来说，在利用深度学习技术对害虫进行识别时，存在着收集的害虫样本
少、神经网络提取的害虫特征区分度低、虫体相互遮挡等问题，以至于导致识别准确地普遍
偏低，限制了利用深度学习技术的害虫识别系统的进一步发展和大规模应用。

[0033] 以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定
的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背
离本发明的精神和范围的其他技术方案。

[0034] 本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指
示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术
语不能理解为对本发明的限制。

[0035] 可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

[0036] 参考本发明的说明书附图之附图1至图4，依本发明的一较佳实施例的一害虫检测模型构建方法在接下来的描述中被揭露和被阐述，其中所述害虫检测模型构建方法包括步
骤：S1，基于虫情测报灯的图像构建一训练集、一验证集以及一测试集；S2，增强所述训练集
的数据和过采样小样本目标；S3，以结合一VGG16卷积模型和神经网络的注意力机制的方
式，构建一卷积注意力网络；S4，通过一阶动量随机梯度下降算法训练所述卷积注意力网
络，并且利用所述验证集微调所述卷积注意力网络模型的参数；S5，利用所述测试集测试所
述卷积注意力网络，以构建一害虫检测模型。

[0037] 接下来，本发明的所述害虫检测模型构建方法的各个步骤将被详细地说明。

[0038] 在所述步骤S1中，基于虫情测报灯的图像构建所述训练集、所述验证集以及所述测试集。通常情况下，所述虫情测报灯被布置于农田，以用于获取所述农田的包含害虫的图
像，例如多张包含害虫的RGB格式的图像能够被获取。随后，对多张包含害虫的图像中的害
虫进行定位加边框和标记种类。例如，本发明的所述害虫检测模型构建方法可以采用但不
限于Labelimg软件定位包含害虫的图像中的害虫并画出边框，以在后续输出包含边框位置
和害虫种类的xml文件。接着，将这些包含害虫的图像缩放至统一的尺寸而对这些图像进行
归一化处理。值得一提的是，被归一化后的图像的尺寸可以是但不限于300×300。最后，按
照预设比例将被归一化后的图像随机划分为所述训练集、所述验证集和所述测试集。优选
地，所述预设比例可以是7:2:1，也即，按照7:2:1的比例将被归一化后的图像随机划分为所
述训练集、所述验证集和所述测试集。

[0039] 换言之，所述步骤S1进一步包括步骤：S11，对所述虫情测报灯上传的RGB图像中的害虫进行定位加边框和标记种类；S12，按照所述预设比例划分被归一化的这些图像为所述
训练集、所述验证集和所述测试集。优选地，在所述步骤S12中，所述预设比例是7:2:1，也
即，按照7:2:1的比例将被归一化后的图像随机划分为所述训练集、所述验证集和所述测试
集。优选地，在所述步骤S12中，以将这些图像缩放至统一尺寸的方式归一化这些图像。

[0040] 在所述步骤S2中，增强所述训练集的数据和过采样小样本目标。具体地，在本发明的所述害虫检测模型构建方法的一个较佳示例中，首先，对所述训练集中的图像进行水平
翻转、随机采集加颜色扭曲、随机采集块域而得到新图像；其次，对新图像中的害虫进行定
位加边框，以增强所述训练集的数据。在本发明的所述害虫检测模型构建方法的另一个较
佳示例中，随机地在所述训练集的图像中增加噪声，以通过随机地调整图像亮度和对比度
的方式增强数据强度而扩大所述训练集一倍，从而增强所述训练集的数据。在本发明的所
述害虫检测模型构建方法的另一个较佳示例中，首先，确定所述训练集的图像中含有较少
害虫的图像和对含有较少害虫的图像重复采样，其次，如果含有较少害虫的图像中空白区
域较多，则在包含较少害虫的图像中增加害虫出现的次数和对害虫进行定位加边框。值得
一提的是，对图像中的害虫进行定位加边框的目的是标记图像中的害虫。

[0041] 另外，在所述步骤S2中，对于含有小目标的图像，如果害虫样本较少，则在所述训练集中过采样害虫样本，如果面积过小，在不覆盖图像中其他害虫样本的情况下，多次复制
图像中的害虫样本。

[0042] 优选地，在所述步骤S12之后，所述步骤S1进一步包括步骤：S13，在分别计算所述训练集、所述验证集和所述测试集的均值后，减均值处理所述训练集、所述验证集和所述测
试集的图像。

[0043] 在所述步骤S3中，以结合所述VGG16卷积模型和神经网络的注意力机制的方式，构建所述卷积注意力网络，其中所述卷积注意力网络包括如下组成部分：首先，将所述VGG16
卷积模型的卷积层作为一输入层提取图像特征；其次，将所述VGG16卷积模型的第四个模块
输出的卷积层作为一第一检测层，在所述VGG16卷积模型的卷积层之后，加入滤波器大小3
×3×1025、1×1×1024、步长为1的卷积作为一第二检测层，滤波器大小1×1×256、3×3×
512、步长为2的卷积作为一第三检测层，滤波器大小1×1×128、3×3×256、步长为2的卷积
作为一第四检测层，滤波器大小1×1×128、3×3×256、步长为1的卷积作为一第五检测层，
滤波器大小1×1×128、3×3×256、步长为1的卷积作为一第六检测层；第三，在所述第一检
测层、所述第二检测层和所述第三检测层中加入通道域注意力模块和空间域注意力模块，
在所述第四检测层、所述第五检测层和所述第六检测层中加入通道域注意力模块；第四，对
所述第一检测层、所述第二检测层、所述第三检测层、所述第四检测层和所述第五检测层进
行进行3×3×(c+1+4)的卷积滤波，和对所述第六检测层进行1×1×(c+1+4)的卷积滤波，
输出预测值m×n×(c+1+4)，其中参数m和n分别为检测层特征图的长和宽，参数c为害虫类
别。优选地，在所述步骤S3中，修改损失函数，以适应害虫不平衡的状况。

[0044] 具体地，所述步骤S3进一步包括如下步骤：

[0045] S31，采用ImageNet预训练的所述VGG16卷积模型的卷积层作为图像特征提取器，对于所述训练集中的图像提取空间和语义信息。例如，在本发明的所述害虫检测模型构建
方法中，被归一化的图像的尺寸为300×300，因此，采用ImageNet预训练的所述VGG16卷积
模型的卷积层作为图像特征提取器能够对于所述训练集中的尺寸为300×300的图像提取
空间和语义信息。

[0046] S32，在所述VGG16卷积模型的最后一层卷积后构建6个空间域注意力和通道域注意力以及卷积结合的注意力卷积层，输出维度大小为38×38×512，19×19×1024，10×10
×512，5×5×256，3×3×256，1×1×256的6个特征图，其中这个6个特征图从前往后分别
用于检测从小到大的目标。

[0047] S33，空间域注意力机制如图3所示，对于输入的特征图F，沿着通道维度进行平均池化和最大池化，并横向拼接特征，然后3×3×1的卷积进行滑窗处理，加入relu激活函数，
生成原特征图F大小的空间注意力图Ms。

[0048] S34，通道域注意力机制如图4所示，对于输入的特征图F，分别在空间维度上进行平均池化和最大值池化聚合空间信息，得到两个特征。将这个两个特征送入到含有单层隐
藏层的编码-解码器中，生成两个通道注意力图。将两个通道注意力图对应的元素相加，进
行relu函数激活得到最终的通道注意力图Mc。

[0049] S35，带有注意力机制的6个检测器结构分别是：(1)，所述VGG16卷积模型的卷积最后一层的特征图+通道注意力+空间注意力；(2)，在(1)中输出的特征图+滤波器大小3×3×
1025，1×1×1024，步长1的卷积+通道注意力+空间注意力；(3)，在(2)中输出的特征图+滤
波器大小1×1×256，3×3×512，步长2的卷积+通道注意力+空间注意力；(4)，在(3)中输出
的特征图+滤波器大小1×1×128，3×3×256，步长2的卷积+通道注意力+空间注意力；(5)，
在(4)中输出的特征图+滤波器大小1×1×128，3×3×256，步长1的卷积+通道注意力；(6)，
在(5)中输出的特征图+滤波器大小1×1×128，3×3×256，步长1的卷积+通道注意力；其中
各个检测器输入的特征图的维度大小为38×38×512，19×19×1024，10×10×512，5×5×
256，3×3×256，1×1×256。

[0050] S36，对于6个特征图选取尺度依次为30，60，111，162，213，264的先验框，长宽比选取{1，2，3，1/2，1/3}。

[0051] S37对于每一个检测器各采用3×3的卷积预测类别置信度和边界框位置，预测的边界框与标记的边界框IOU＞0.7时且物体种类正确时判别为预测正确。

[0052] S38，损失函数为两部分组成，边框位置损失函数和类别置信度损失函数，其中边框位置损失函数为带L1正则化的平均均方差，损失函数采用Smooth L1Loss，其中类别置信
度损失函数采用Focal Loss。

[0053] 在所述步骤S4中，通过一阶动量随机梯度下降算法训练所述卷积注意力网络，并且利用所述验证集微调所述卷积注意力网络模型的参数，其中一阶动量随机梯度下降算法
的学习率为0.01，动量为0.9，衰退为0.001，批尺寸为32。

[0054] 也就是说，参考附图1，本发明的所述害虫检测模型构建方法包括步骤：1001，基于虫情测报灯的图像构建所述训练集、所述验证集以及所述测试集；1002，增强所述训练集的
数据和过采样小样本目标；1003，以结合所述VGG16卷积模型和神经网络的注意力机制的方
式，构建所述卷积注意力网络；1004，通过一阶动量随机梯度下降算法训练所述卷积注意力
网络，并且利用所述验证集微调所述卷积注意力网络模型的参数；1005，利用所述测试集测
试所述卷积注意力网络，以构建所述害虫检测模型；其中本发明的所述害虫检测模型构建
方法利用神经网络的注意力机制构建所述害虫检测模型，能够有效地去除不同大小目标的
特征，解决害虫样本数量少、害虫特征相似、害虫堆叠和遮挡以及目标较小的问题。经过测
试，在45种害虫的目标检测中，精确度可以达到72.5mAP，较现有害虫目标检测方法的
65.4mAP平均精确度有很大提升，检测速度可达36fps，有效地达到实际害虫检测模型的使
用性能。

[0055] 本领域的技术人员可以理解的是，以上实施例仅为举例，其中不同实施例的特征可以相互组合，以得到根据本发明揭露的内容很容易想到但是在附图中没有明确指出的实
施方式。

[0056] 本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在
实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。