[发明专利]一种基于卷积神经网络的核桃虫害识别系统及检测方法

权利要求书

1.一种基于卷积神经网络的核桃虫害识别检测方法，其特征在于，包括以下步骤：

第一步，数据采集，因为病虫的图片比较少，所以采用网络爬虫的方法进行获得相应的虫害图片，在初步删除重复照片之后，筛选出不一样的照片作为测试集，由于不同的虫害之间的照片数量差距巨大，会导致卷积网络训练的效果不佳和性能下降，所以采用数据增强的办法，对数据量小的病虫害进行数据增强，使得各物种之间的数据量大小差距不大；

第二步，分别构建大型和小型卷积神经网络模型；

第三步，优化卷积神经网络模型，在对大型卷积神经网络模型采用现代学习方式的基础下，采用数据蒸馏的方式通过教师模型，对学生模型进行训练，现能够对常见的核桃11种病虫识别率高达85％，而且移动端的模型大小仅为30Mb，速度上也是大型网络ResNet101的三倍；

第四步，系统的设计和实现，采用了Flask、ajax和pytorch-android工具，开发了网页端的虫害预警系统和移动端的虫害识别系统，包括虫害识别、虫害信息上传和全国虫害信息查看功能，实现了用户可以通过手机端对核桃虫害进行识别，识别完成之后用户可以通过选择是否上传虫害信息，如果上传则将相应的虫害信息上传到数据库当中，核桃虫害预警网页每隔一秒进行更新相应数据的效果。

2.根据权利要求1的一种基于卷积神经网络的核桃虫害识别检测方法，其特征在于，第一步中，虫害图片包括11类昆虫，分别为核桃小吉丁虫、芳香木蠹蛾成虫、芳香木蠹蛾幼虫、核桃缀叶螟、黄刺蛾成虫、黄刺蛾幼虫、美国白蛾成虫、美国白蛾幼虫、云斑天牛、舞毒蛾成虫、舞毒蛾幼虫。

3.根据权利要求1的一种基于卷积神经网络的核桃虫害识别检测方法，其特征在于，第一步中，数据增强的方式主要是添加高斯噪声和旋转图片。

4.根据权利要求1的一种基于卷积神经网络的核桃虫害识别检测方法，其特征在于，第二步中，选择ResNet优化后的ResNet-101作为教师模型。

5.根据权利要求1的一种基于卷积神经网络的核桃虫害识别检测方法，其特征在于，第三步中，学生模型为EfficientNet-b1模型，EfficientNet-b1模型不仅体积小，而且运算速度快、精度高，因此适用于移动端。

6.根据权利要求1的一种基于卷积神经网络的核桃虫害识别检测方法，其特征在于，第三步中，知识蒸馏为先训练一个优良的教师模型，再用优良的教师模型去训练学生模型，使得学生模型的性能和精度都与教师模型相近，最后根据不同模型的优点放入不同的场景当中使用。

7.根据权利要求1的一种基于卷积神经网络的核桃虫害识别检测方法，其特征在于，第三步中，知识蒸馏中的梯度计算如公式为：其中，f函数是将输出对数进行归一化，λ是权衡函数，lavg是教师输出的正则化的平均值，τ是温度函数。

8.一种基于卷积神经网络的核桃虫害识别系统，其特征在于，包括虫害识别APP和虫害预警网页，虫害识别APP包括手机拍照/相册、虫害信息上传和查看相关虫害，虫害预警网页包括虫害信息更新和虫害信息浏览，基于卷积神经网络的核桃虫害识别系统采用如权利要求1-7中任意一项的基于卷积神经网络的核桃虫害识别检测方法。

9.根据权利要求8的一种基于卷积神经网络的核桃虫害识别系统，其特征在于，虫害识别APP用于对虫害的识别，农户识别虫害之后，APP将会自动上传虫害的信息，比如虫害的发生地和虫害的名称，上传的虫害信息会自动更新到相应的数据库的当中，虫害预警网页则从数据库中获得相应的数据并且展示给全国的农户。

10.根据权利要求8的一种基于卷积神经网络的核桃虫害识别系统，其特征在于，虫害预警网页用于根据虫害识别APP端自动上传的数据，如虫害的发生地和虫害的名称，虫害网页端可提供预警信息，网页每隔1000毫秒会对虫害地图进行刷新。