[0001] 本发明涉及数据处理技术领域，具体涉及一种基于神经网络的农业害虫图像智能识别方法。

[0002] 农业作为一种基础产业，在国民经济中占据主导地位。随着气候变化、耕作栽培方式改变和农作物复种指数提高，农作物病虫害呈多发、频发态势，重大农作物病虫害时有发生，亟需开展虫情防治工作。所以，实时准确地识别出农业害虫种类成为了开展虫情防治工作的重要前提。但农作物田间害虫体积小、种类繁多、形态特征多样化、存在种间相似和种内差异，容易混淆。

[0003] 水稻是我国主要粮食作物之一，约一半的人口都是以大米为主食。目前，我国农作物害虫的诊断方法主要是依靠人工识别，主观因素大，实时性差，容易造成误判。而虫情测报灯等物理防治方法，耗时耗力且准确性差。随着图像处理和模式识别技术的日臻成熟，通过提取农业害虫图像特征进行害虫自动识别的方法提高了农业害虫识别的准确率与时效性，但识别结果受图像特征提取影响较大，可应用范围窄、泛化能力弱。由于害虫与其余干扰物体比较相似，现有目标检测算法的检测精度不高。而基于卷积神经网络的图像处理方法在模型精度和泛化能力上都大幅超越了传统机器视觉方法，在田间自然环境下害虫图像识别问题中表现出较强的鲁棒性，但现有的目标检测算法的结果受图像背景和提取到的图像特征影响较大，进而导致检测结果不够准确。

[0018] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

[0019] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0020] 本实施例提供了一种基于神经网络的农业害虫图像智能识别方法，首先采用相机获取包含虫体的图像，对获取的图像进行预处理，消除外界干扰造成的噪声影响。然后根据图像中虫体和背景颜色相差较大的特征，可检测并分离出图像中的显著物体，再根据害虫身体纹理、肢体空间和形态分布情况将其精确识别，确定害虫区域图像。最后使用害虫类别识别网络对害虫区域图像进行识别分类。由于该方法在对害虫进行识别之前将图像中的害虫区域图像分割出来，只对确定为害虫的害虫区域图像进行识别，使识别过程和结果不受背景影响，有效提高了害虫识别精度。

[0021] 具体的，该基于神经网络的农业害虫图像智能识别方法对应的流程图如图1所示，包括以下步骤：（1）获取包含虫体的害虫可见光图像，对所述害虫可见光图像进行数据预处理，从而获取预处理之后的害虫可见光图像。

[0022] 使用CMOS相机对附着有虫体的水稻进行拍摄，从而得到包含虫体的害虫可见光图像，该害虫可见光图像为RGB空间的图像。对该害虫可见光图像进行预处理，以消除噪声和部分外界干扰造成的影响，增强后续分析的准确性。由于图像后续需从RGB空间转换到Lab空间，因此本实施例采用高斯滤波对害虫可见光图像进行降噪，利用高斯函数和获取到的害虫可见光图像做卷积，消除随机噪声，由于该具体实现过程属于现有技术，此处不再赘述。当然，实施者也可采取其他合适的去噪方法对害虫可见光图像进行预处理。

[0023] 由于图像中的虫体一般与背景的颜色和形状相差较大，可以根据这些差异将显著性强的部分分割出来。但图像中叶片经常出现被虫蛀后的深色斑块和泥土污点等，其形态和颜色与虫体相似，不能直接分离出来。所以再根据虫体表面纹理和肢体特征对分割出来的显著性强的部分进行区分，选择出虫体部分的图像。首先，为了提取预处理之后的害虫可见光图像中与背景相差较大的显著部分，需根据图像中不同位置的差异性将物体与背景区分开来，具体实现步骤如下：（2）对预处理之后的害虫可见光图像进行区域分割，得到各个区域图像，进而得到各个区域图像在不同尺度下的尺度区域图像。

[0024] 采用SLIC（simple linear iterative clustering）超像素分割方法，将预处理之后的害虫可见光图像进行区域分割，从而得到各个区域图像。为了提高后续从区域图像中筛选出显著物体区域图像的准确性，利用插值算法，如最邻近元法、双线性内插法等将各个区域图像缩小为M个不同的尺度，从而得到各个区域图像在不同尺度下的尺度区域图像。设为区域图像的尺度集合，比如，=100%，意为区域图像为原尺寸， ，意为将原区域图像缩小为原来尺寸的 。具体尺度可根据需要进行选择,在本实施例中，设置 。

[0025] （3）获取所有尺度区域图像对应的尺度区域灰度图像和尺度区域Lab图像，对所述尺度区域灰度图像和尺度区域Lab图像进行数据处理，从而得到所有尺度区域图像对应的显著值。

[0026] 对于各个区域图像在任意同一尺度下的尺度区域图像，对这些尺度区域图像进行灰度化处理，从而得到对应的尺度区域灰度图像；同时，将这些尺度区域图像转换到Lab空间，从而得到对应的尺度区域Lab图像。对各个区域图像在任意同一尺度下的尺度区域图像对应的尺度区域灰度图像和尺度区域Lab图像进行数据识别和处理，从而得到各个区域图像在任意同一尺度下的尺度区域图像对应的显著值，具体实现过程包括：（3.1）根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度，具体实现步骤包括：
（3.1.1）根据在同一尺度下的各个尺度区域图像的尺度区域Lab图像，确定在同一尺度下的各个尺度区域图像的尺度区域Lab图像的a通道颜色均值和b通道颜色均值。

[0027] 对于各个尺度区域图像在任意同一尺度下的尺度区域Lab图像，由于这些尺度区域Lab图像为Lab空间图像，所以采用Lab空间的颜色度量国际标准，颜色值包括红色到绿色的颜色值和黄色到蓝色的颜色值两类。首先，确定尺度区域Lab图像的红色到绿色的颜色值平均值，也就是确定尺度区域Lab图像各个像素点的a通道颜色均值；同时，确定尺度区域Lab图像的黄色到蓝色的颜色值平均值，也就是确定尺度区域Lab图像各个像素点的b通道颜色均值。

[0028] （3.1.2）计算在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域Lab图像的a通道颜色均值的差值绝对值和b通道颜色均值的差值绝对值，从而得到在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异，对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域
图像 的颜色差异， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的尺度区域Lab图像的a通道颜色均值的差值绝对值， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的尺度区域Lab图像的b通道颜色均值的差值绝对值，和 均为颜色调节参数，目的为限制 的值域范围且突出害虫颜色，削弱背景颜色，本实施例设置 ， 的值域为 。

[0029] （3.1.3）根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的颜色差异，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度，对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像对应的区域对比度， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的颜色差异，为颜色差异阈值，本实施例设置 ，和 均为对比度调节参数，目的是调节 的值域，本实施例设置 ， ， 值域为 。

[0030] 根据在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的区域对比度 的计算公式可知， 由在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 的颜色值的平均值之间的差异得到，两尺度区域图像的颜色值相差越大，则 越大，则区域对比度 越大。

[0031] （3.2）根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的中心位置，从而确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的空间欧式距离。

[0032] 对于在任意同一尺度下的各个尺度区域图像的尺度区域灰度图像，计算尺度区域灰度图像中各个像素点的位置均值，从而确定尺度区域灰度图像的中心位置，计算任意两个中心位置之间的空间欧式距离，从而得到在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的空间欧式距离，对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像对应的空间欧式距离，为任意第i个尺度区域图像 的尺度区域灰度图像的中心位置的横坐标，也就是任意第i个尺度区域图像 的尺度区域灰度图像所有像素点横坐标的平均值，为任意第i个尺度区域图像 的尺度区域灰度图像的中心位置的纵坐标，也就是任意第i个尺度区域图像 的尺度区域灰度图像所有像素点纵坐标的平均值， 为其他第k个尺度区域图像 的尺度区域灰度图像的中心位置的横坐标，也就是其他第k个尺度区域图像的尺度区域灰度图像所有像素点横坐标的平均值， 为其他第k个尺度区域图像 的尺度区域灰度图像的中心位置的纵坐标，也就是其他第k个尺度区域图像 的尺度区域灰度图像所有像素点纵坐标的平均值。

[0033] （3.3）根据在同一尺度下的各个尺度区域图像的尺度区域灰度图像，确定在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差。

[0034] 对于在同一尺度下的各个尺度区域图像的尺度区域灰度图像，计算尺度区域灰度图像中各个像素点的灰度值均方差，从而得到该尺度区域灰度图像的灰度均方差。

[0035] （3.4）根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的区域对比度和空间欧式距离以及在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像的尺度区域灰度图像的灰度均方差，确定在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值，对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域
图像 对应的差异值， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的区域对比度， 为在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的空间欧式距离， 为在同一尺度下的任意第i个尺度区域图像 的尺度区域灰度图像的灰度均方差， 为在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差的最小值， 为在同一尺度下的各个尺度区域图像的尺度区域灰度图像的灰度均方差的最大值，为灰度均方差调节参数，其目的是调节灰度均方差 的值域，本实施例设置 。

[0036] 在上述的在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像对应的差异值 的计算公式中，由于任意第i个尺度区域图像 的尺度区域灰度图像的灰度均方差 在一个较大的值域范围内，不太容易被控制和估计，因此通过公式对灰度均方差 进行归一化处理，并通过灰度均方差调节参数 进行调整，从而使其值域为 。

[0037] 根据上述的在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像对应的差异值 的计算公式可知，差异值 由在同一尺度下的任意第i个尺度区域图像 对应的灰度均方差 、在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的区域对比度 和在同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的空间欧式距离 决定， 与 和 成正相关关系，与成反相关关系，即当 和 越大， 越小时， 对应就越大，任意第i个尺度区域图像越可能为害虫区域。

[0038] （3.5）根据在同一尺度下的任意一个尺度区域图像与其他各个尺度区域图像之间对应的差异值，确定所有尺度区域图像对应的显著值，对应的计算公式为：其中， 为在同一尺度下的任意第i个尺度区域图像 对应的显著值， 为在
同一尺度下的任意第i个尺度区域图像 和其他第k个尺度区域图像 对应的差异值，K为在同一尺度下的其他各个尺度区域图像的总数目。

[0039] 根据上述的在同一尺度下的任意第i个尺度区域图像 对应的显著值 的计算公式可知，当在同一尺度下的任意第i个尺度区域图像 和其他各个尺度区域图像对应的差异值越大时，对应的任意第i个尺度区域图像 对应的显著值 就比较大，说明该第i个尺度区域图像越可能为害虫区域图像。

[0040] （4）根据所有尺度区域图像对应的显著值，对各个区域图像进行筛选，从而得到各个显著物体区域图像。

[0041] 本实施例为了增强显著区域与非显著区域的对比度，将计算扩展至多尺度，即获取各个区域图像在不同尺度下的尺度区域图像，进而确定各个区域图像在不同尺度下的尺度区域图像对应的显著值。当一个区域图像在不同尺度下的尺度区域图像均具有较大的显著值时，则认为该区域图像就是我们需要寻找的显著区域。具体的，对于任意一个区域图像，判断该区域图像在不同尺度下的尺度区域图像的显著值是否均大于显著值阈值，若均大于显著值阈值，则将该区域图像确定为显著物体区域图像。在本实施例中，设置显著值阈值为0.75，当然该显著值阈值可根据实际效果进行选择设置。由此，根据显著值阈值，对各个区域图像中的显著物体图像进行提取，从而得到各个显著物体区域图像。

[0042] 其次，在通过上述步骤根据图像中不同位置的差异性将物体与背景区分开来之后，再根据虫体表面纹理和肢体特征对分割出来的显著性强的部分进行区分，选择出虫体部分的图像，具体实现步骤如下：（5）对各个显著物体区域图像进行数据处理，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数和害虫肢体空间分布显著增强系数，具体实现步骤包括：
（5.1）获取各个显著物体区域图像对应的显著物体区域灰度图像，对所述显著物体区域灰度图像进行边缘检测，从而得到各个显著物体区域灰度图像的各个边缘像素点。

[0043] 在得到各个显著物体区域图像之后，分别对各个显著物体区域图像进行灰度化处理，从而得到各个显著物体区域图像对应的显著物体区域灰度图像。然后使用canny边缘检测算法对各个显著物体区域灰度图像进行边缘检测，从而得到各个边缘二值图，在各个边缘二值图中，像素值为1的像素点为显著物体区域的边缘像素点，像素值为0的像素点为显著物体区域的内部像素点或者背景像素点。由于边缘检测出来的边缘像素点可能存在不连续的现象，因此分别对各个边缘二值图进行闭运算处理，以保证边缘像素点的连续性，从而得到最终的各个边缘二值图。根据最终的各个边缘二值图中的像素值为1的各个像素点的位置，即可确定对应各个显著物体区域灰度图像的各个边缘像素点。

[0044] （5.2）对各个显著物体区域灰度图像的各个边缘像素点进行均匀采样，从而得到各个显著物体区域灰度图像的各个边缘采样像素点。

[0045] 对于最终的任意一个边缘二值图，对该边缘二值图中的像素值为1的像素点进行均匀采样，从而得到各个采样点，本实施例设置可以获取c个采样点，c=200。根据这些采样点的位置，即可确定对应各个显著物体区域灰度图像的各个边缘采样像素点。

[0046] （5.3）根据各个显著物体区域灰度图像的各个边缘采样像素点，确定同一个显著物体区域灰度图像的任意两边缘采样像素点之间的中心像素点，从而得到各个显著物体区域灰度图像的各个中心像素点。

[0047] 对于最终的任意一个边缘二值图的各个采样点，确定任意两个采样点组成线段的中心点的位置，每个中心点对应一个像素点，由于本实施例设置采样点的数目c=200，因此可以得到 个中心点，根据这 个中心点的位置，可以确定对应的显著物体区域灰度图像中的各个中心像素点。

[0048] （5.4）根据各个显著物体区域灰度图像的各个中心像素点的位置，确定每个显著物体区域灰度图像的各个中心像素点中位于对应显著物体区域中的各个中心像素点，进而确定各个显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值，从而得到各个显著物体区域图像对应的害虫肢体空间位置显著增强系数。

[0049] 对于最终的任意一个边缘二值图，将显著物体区域的内部像素点的像素值均赋值为1，并保持背景像素点的像素值仍为0，此时，在最终的任意一个边缘二值图中，显著物体区域内部和边缘的像素点的像素值均为1，而显著物体区域外部的背景像素点的像素值为0。在此基础上，根据 个中心点的位置，统计这 个中心点中像素值为0的中心点所占的比例值，该比例值即为对应显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值。根据每个显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值，可以确定每个显著物体区域图像对应的害虫肢体空间位置显著增强系数，对应的计算公式为：
其中，为第i个显著物体区域图像对应的害虫肢体空间位置显著增强系数，为第i个显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值，为第j个显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值，n为显著物体区域图像的总数目，为占比调节系数，目的为调节 的值域范围，本实施例设置 。

[0050] 根据第i个显著物体区域图像对应的害虫肢体空间位置显著增强系数 的计算公式可知，当第i个显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值 越大时，害虫肢体空间位置显著增强系数 就越大，对应的显著物体区域图像越可能为害虫图像。

[0051] 对于害虫来说，与其他干扰物体最大的区别为害虫独特的肢体特征，在图像边缘选任取两点连接后得到的中点有较大概率位于虫子身体外，而其他干扰物体常为圆弧状或近圆弧状边缘，在图像边缘选任取两点连接后得到的中点有较大概率位于干扰物体内。所以，利用这一特点，确定显著物体区域灰度图像的位于对应显著物体区域中的各个中心像素点所占比例值，并将该所占比例值作为判断显著性物体是否为虫子的重要依据。

[0052] （5.5）根据各个显著物体区域灰度图像的各个中心像素点的位置，确定每个显著物体区域灰度图像的各个中心像素点中位于对应显著物体区域外的各个中心像素点，对位于对应显著物体区域外的各个中心像素点分别进行椭圆方程拟合和直线方程拟合，从而得到椭圆拟合优度和直线拟合优度，进而确定各个显著物体区域图像对应的害虫肢体空间分布显著增强系数。

[0053] 对于每个显著物体区域灰度图像的各个中心像素点，选取这些中心像素点中位于对应显著物体区域外的各个中心像素点。根据虫体独有的肢体特征，虫体在图像中通常为对称分布，此时选取的位于对应显著物体区域外的各个中心像素点将呈弧状分布在图像两侧。另外，根据虫体姿态不同，当虫体在图片中为侧身分布时，此时选取的位于对应显著物体区域外的各个中心像素点将呈弧状分布在图像一侧。而对于其余干扰物体，其形态则没有这样的特征。基于虫体独有的肢体特征，可通过判断选取的这些中心像素点中位于对应显著物体区域外的各个中心像素点的位置情况，对这些选取的各个中心像素点进行分析，以对虫体和其他干扰物进行区分。

[0054] 具体的，对于每个显著物体区域灰度图像的各个中心像素点中位于对应显著物体区域外的各个中心像素点，对这些位于对应显著物体区域外的各个中心像素点分别进行椭圆方程拟合和直线方程拟合，从而得到椭圆拟合优度和直线拟合优度，进而得到该显著物体区域灰度图像对应的显著物体区域图像对应的害虫肢体空间分布显著增强系数，对应的计算公式为：其中， 为第i个显著物体区域图像对应的害虫肢体空间分布显著增强系数， 和分别为该显著物体区域图像对应的椭圆拟合优度和直线拟合优度，和 分别为椭圆拟合优度放大系数和直线拟合优度放大系数，其作用是对椭圆拟合优度和直线拟合优度进行放大，本实施例设置 ，和 分别为第一椭圆拟合优度阈值和第二椭圆拟合优度阈值， 和 分别为第一直线拟合优度阈值和第二直线拟合优度阈值，本实施例设置， ， 为拟合优度固定值，本实施例设置 。

[0055] 在上述的显著物体区域图像对应的害虫肢体空间分布显著增强系数 的计算公式中，当显著物体区域图像中的显著物为虫体时，若虫体在图像中为对称分布，对位于显著物体区域外的各个中心像素点进行椭圆方程拟合的拟合效果就会较好，因此所得到的椭圆拟合优度 就会大于一定值，也就是会大于第二椭圆拟合优度阈值 ，但是考虑到位于显著物体区域外的中心像素点的数目相对较多，进行椭圆方程拟合的拟合效果也会存在一定的局限性，所得到的椭圆拟合优度 也不会过高，也就是会小于第一椭圆拟合优度阈值 ；若虫体在图片中为侧身分布，对位于显著物体区域外的各个中心像素点进行直线方程拟合的拟合效果就会较好，所得到的直线拟合优度 就会大于一定值，也就是会大于第二直线拟合优度阈值 ，但是考虑到位于显著物体区域外的中心像素点的数目相对较多，进行直线方程拟合的拟合效果也会存在一定的局限性，所得到的直线拟合优度 也不会过高，也就是会小于第一直线拟合优度阈值 ，此时对椭圆拟合优度 和直线拟合优度 进行放大，以得到大于1的害虫肢体空间分布显著增强系数 ，以便于后续对显著物体区域图像的显著值进行放大。当显著物体区域图像中的显著物为其他干扰物时，对位于显著物体区域外的各个中心像素点进行椭圆方程拟合和直线方程拟合，所得到的椭圆拟合优度 和直线拟合优度 则会属于其他情况，此时直接将拟合优度固定值 =1作为害虫肢体空间分布显著增强系数 ，以便于后续使显著物体区域图像的显著值保持不变。

[0056] （6）根据各个显著物体区域图像对应的害虫肢体空间位置显著增强系数、害虫肢体空间分布显著增强系数和显著值，计算各个显著物体区域图像对应的综合显著值。

[0057] 对于每个显著物体区域图像，根据其对应的害虫肢体空间位置显著增强系数和害虫肢体空间分布显著增强系数，设置害虫肢体显著增强系数，对应的计算公式为：其中， 为第i个显著物体区域图像对应的害虫肢体显著增强系数，为第i个显著物体区域图像对应的害虫肢体空间位置显著增强系数， 为第i个显著物体区域图像对应的害虫肢体空间分布显著增强系数。

[0058] 在上述的第i个显著物体区域图像对应的害虫肢体显著增强系数 的计算公式中，考虑到害虫肢体空间位置显著增强系数 和害虫肢体空间分布显著增强系数 均可对害虫识别产生放大作用，因此当 和 越大时，对应的害虫肢体显著增强系数 就越大，第i个显著物体区域图像内的显著物体越可能为害虫。

[0059] 对于每个显著物体区域图像，根据其对应的害虫肢体显著增强系数和显著值，确定其对应的综合显著值，对应的计算公式为：其中， 为第i个显著物体区域图像对应的综合显著值， 为第i个显著物体区域图像对应的害虫肢体显著增强系数， 为第i个显著物体区域图像对应的显著值。

[0060] 在上述的第i个显著物体区域图像对应的综合显著值 的计算公式中，显著物体区域图像中的显著物体越符合虫体特征，害虫肢体显著增强系数 和显著值 就越大，对应的综合显著值 就越大，显著物体区域图像中的显著物体为虫体的可能性就越大。

[0061] （7）根据各个显著物体区域图像对应的综合显著值，对各个显著物体区域图像进行筛选，从而得到各个害虫区域图像。

[0062] 预先设置综合显著值阈值，本实施例设置该综合显著值阈值为2。根据各个显著物体区域图像对应的综合显著值，判断综合显著值是否大于设定综合显著值阈值，若大于设定综合显著值阈值，则将对应显著物体区域图像判定为害虫区域图像。通过这种方式，可以实现对各个显著物体区域图像的筛选，从而得到各个害虫区域图像。

[0063] （8）将各个害虫区域图像分别输入到害虫类别识别网络中，从而得到对应的害虫种类。

[0064] 将各个害虫区域图像分别输入到预先训练好的由神经网络构成的害虫类别识别网络中，由该害虫类别识别网络识别出对应的害虫种类，如稻飞虱，稻蝗，三化螟或黑尾叶蝉等。

[0065] 在本实施例中，构成害虫类别识别网络的神经网络采用卷积神经网络，如ResNet34或SENet，该神经网络的损失函数采用交叉熵损失函数，优化算法采用自适应运动估计算法(Adaptive momentum，Adam)。由于采用神经网络构成害虫类别识别网络，并对该害虫类别识别网络进行相应训练的具体实现过程属于现有技术，此处不再赘述。

[0066] 本发明利用害虫与背景相差较大的特征，通过确定各个区域图像在不同尺度下的尺度区域图像的显著值，将包含有显著物的区域图像的提取出来，然后再根据害虫的肢体空间和形态分布情况构建综合显著值，使害虫图像所对应的综合显著值明显大于其他干扰物，进而将害虫区域图像分割出来。在进行害虫类别识别时，只对害虫区域图像进行识别，避免了检测过程和结果受到背景和其他干扰物的影响，有效提高了害虫类别的识别精确度。

[0067] 需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。