[发明专利]一种基于YOLO算法的稻飞虱迁飞路径预测方法

权利要求书

1.一种基于YOLO算法的稻飞虱迁飞路径预测方法，其特征在于包括如下步骤：

S1.在全国多个水稻种植区域从南到北布置若干个稻飞虱昆虫捕捉装置，该装置里有用于吸引稻飞虱的诱虫灯，该昆虫捕捉装置底端有用于承载昆虫的孔板，孔板的上方设置至少四个摄像机用于拍摄清晰的稻飞虱图像，孔板的另一侧设置鼓风机，吸引昆虫阶段，鼓风机用于吸气，将昆虫吸附于孔板上；释放昆虫阶段，鼓风机用于吹气，将孔板上的昆虫吹走；同时，获取4个像机通道的昆虫高清图片，同时对上述图片进行拼接得到完整的底板稻飞虱图像；

S2.步骤S1获得的昆虫图片，基于YOLO算法进行离线学习，训练稻飞虱图像检测模型；

S3.步骤S1采集的图像通过无线传输装置上传到数据管理中心，并结合步骤S2离线学习后的稻飞虱检测模型，完成不同地区的稻田中实时拍摄的稻飞虱图像检测；

S4.对步骤S3的稻飞虱图像检测结果进行应用，对各区域不同时间获取的稻飞虱数量进行数量统计分析，根据稻飞虱数量对稻飞虱的迁飞路径及迁飞方向进行预测。

2.根据权利要求1所述的基于YOLO算法的稻飞虱迁飞路径预测方法，其特征在于上述步骤S2包括如下步骤：

S21.通过在终端数据平台收集不同时段采集和拼接好的高清昆虫图片，首先通过Label image图像标注工具，对采集的15000幅稻飞虱图像进行标注；

S22.标注后输入图片调整为448x448像素大小，然后送入卷积神经网络，最后通过对网络模型进行线下学习，训练稻飞虱图像实时检测模型，实现稻飞虱图像检测。

3.根据权利要求2所述的基于YOLO算法的稻飞虱迁飞路径预测方法，其特征在于上述步骤S2中使用15000张稻飞虱图片作为训练集，2000张稻飞虱图像作为测试集，用以验证YOLO神经网络模型学习效果。

4.根据权利要求3所述的基于YOLO算法的稻飞虱迁飞路径预测方法，其特征在于上述步骤S2中的YOLO算法具体包括：先将图片分成S*S个单元格，每个单元格会预测B个边界框以及边界框的置信度；如果一个目标的中心落入某一单元格，该单元格就负责检测该目标；每一个单元格中预测B个边界框和置信值；置信度定义如(7)式，其中，P_r(object)为属于目标的概率，表示预测框与真实值之间的交集；置信度反映了该模型对盒子是否包含目标的信心，以及它预测盒子的准确程度；如果没有目标，置信值为0否则，置信度分数等于预测框与真实值之间联合部分的交集；

每个目标属于某一类C_i别的概率可以利用置信度Confidence与属于该类的概率相乘P_r(C_i|object)，即

YOLO算法采用GoogleNet改进模型，该模型卷积层和全连接层，采用leaky ReLU激活函数：

其中，x为每一层的输入值，y为每一层的输出值；

损失函数loss定义为：

其中是边界框中心坐标的误差项，指的是第i个单元格存在目标，且该单元格中的第j个边界框负责预测该目标，是边界框的高与宽的误差项，是包含目标的边界框的置信度误差项，是不包含目标的边界框的置信度误差项，是包含目标的单元格的分类误差项，指的是第i个单元格存在目标；

通过将标注训练集代入上述YOLO算法模型，不断进行训练，直至损失函数loss趋近于0，认为该损失函数收敛，得到训练好的稻飞虱检测网络模型。

5.根据权利要求1所述的基于YOLO算法的稻飞虱迁飞路径预测方法，其特征在于需将图片分成7*7个单元格，每个单元格会预测2个边界框以及边界框的置信度，实现稻飞虱图像检测。

6.根据权利要求1所述的基于YOLO算法的稻飞虱迁飞路径预测方法，其特征在于上述步骤S4具体为：对稻飞虱图像进行准确识别后，统计当前时刻各区域稻飞虱数量并记录保存数据，得到各区域的稻飞虱数量；通过对各地获取的图像进行在线识别，根据同一时间段以及不同时间阶段统计的稻飞虱数量进行比较和分析，观察稻飞虱数量变化规律，预测其迁飞路径轨迹。