买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜江苏一心寰宇生物科技有限公司申请的专利一种基于图像分析的虫害识别方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117649549B 。

龙图腾网通过国家知识产权局官网在2025-03-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311549471.3，技术领域涉及：G06V10/764；该发明授权一种基于图像分析的虫害识别方法和系统是由赵贤敏;邹艳清设计研发完成，并于2023-11-21向国家知识产权局提交的专利申请。

本一种基于图像分析的虫害识别方法和系统在说明书摘要公布了：本发明公开了一种基于图像分析的虫害识别方法和系统，属于图像数据处理技术领域，方法包括：基于YOLO算法，构建害虫图像识别模型；基于MaskR‑CNN算法，构建害虫图像分割模型；基于SVM支持向量机，构建虫害灾难评估模型；获取待检测图像；通过害虫图像识别模型，确定待检测图像中是否含有害虫以及害虫的具体种类；当待检测图像中含有害虫时，通过害虫图像分割模型，从待检测图像中分割出害虫细节图像；通过虫害灾难评估模型，根据害虫细节图像，评估是否发生虫害灾难。本发明可以及时准确地评估是否发生虫害灾难，及时、有效地采取应对措施以防止虫害灾难的爆发，避免虫害在短时间内的进一步扩散，避免农作物产量因为虫害灾难而严重下降。

本发明授权一种基于图像分析的虫害识别方法和系统在权利要求书中公布了：1.一种基于图像分析的虫害识别方法，其特征在于，包括：S101：获取针对目标农作物的不同种类的原始害虫图像；S102：对所述原始害虫图像进行预处理；S103：根据预处理后的害虫图像，构建害虫数据集；S104：基于YOLO算法，构建害虫图像识别模型，以通过所述害虫图像识别模型，确定所述害虫图像中的害虫的具体种类；S105：基于MaskR-CNN算法，构建害虫图像分割模型，以通过所述害虫图像分割模型，从所述害虫图像中分割出害虫细节图像；S106：基于SVM支持向量机，构建虫害灾难评估模型，以通过所述虫害灾难评估模型，根据所述害虫细节图像，评估是否发生虫害灾难；S107：通过所述害虫数据集，对所述害虫图像识别模型、所述害虫图像分割模型和所述虫害灾难评估模型进行训练；S108：获取待检测图像；S109：通过所述害虫图像识别模型，确定所述待检测图像中是否含有害虫以及害虫的具体种类；S110：当所述待检测图像中含有害虫时，通过所述害虫图像分割模型，从所述待检测图像中分割出害虫细节图像；S111：通过所述虫害灾难评估模型，根据所述害虫细节图像，评估是否发生虫害灾难；所述S105具体包括：S1051：通过主干特征提取网络，提取害虫图像中的图像特征；S1052：根据图像特征，确定感兴趣区域；S1053：对所述感兴趣区域进行对齐处理；S1054：通过头部中的分割分支，从所述感兴趣区域中分割出害虫细节图像；其中，所述S1052具体为：根据以下公式，从害虫图像中确定感兴趣区域：ROI＝{x,y|minT≤fx,y≤maxT}其中，ROI表示感兴趣区域，所述感兴趣区域为图像特征值在最小阈值与最大阈值之间的像素点的集合，minT表示所述最小阈值，maxT表示所述最大阈值，fx,y表示像素点x,y处的图像特征值；其中，所述S1053具体包括：S10531：获取虚拟像素点P在特征图像中四周的四个像素点N11x1,y1、N12x1,y2、N21x2,y1、N22x2,y2的图像特征值；S10532：对虚拟像素点P进行x方向的插值： 其中，fxs,y1表示x方向插值后的点xs,y1处的图像特征值，fx1,y1表示像素点N11x1,y1处的图像特征值，fx2,y1表示像素点N21x2,y1处的图像特征值； 其中，fxs,y2表示x方向插值后的点xs,y2处的图像特征值，fx1,y2表示像素点N12x1,y2处的图像特征值，fx2,y2表示像素点N22x2,y2处的图像特征值；S10533：对虚拟像素点P进行y方向的插值，计算出虚拟像素点P的图像特征值： 其中，fxs,ys表示虚拟像素点Pxs,ys处的图像特征值；S10534：将特征图像中虚拟像素点P处的图像特征值作为像素点P'在对齐后的目标图像中的图像特征值；其中，所述S106具体包括：S1061：提取各个测试样本的害虫细节图像的特征向量；S1062：将各个害虫细节图像的特征向量输入至支持向量机中；S1063：构建所述支持向量机的目标函数minLω,b,ξ： 其中，ω表示超平面的法向量，b表示超平面的偏移量，ξ表示松弛变量，ξi表示第i个害虫细节图像的松弛变量，ξj表示第j个害虫细节图像的松弛变量，松弛变量ξ用于处理不可分的情况，Y表示输入的虫害灾难评估结果，Yi表示第i个害虫细节图像的虫害灾难评估结果，Yj表示第j个害虫细节图像的虫害灾难评估结果，KXi·Xj表示核函数，核函数用于将样本映射到高维特征空间，表示Xi与Xj之间的相似度，g表示核参数，X表示输入的害虫细节图像的特征向量，Xi表示第i个害虫细节图像的特征向量，Xj表示第j个害虫细节图像的特征向量，C表示惩罚因子，惩罚因子C用于控制模型的复杂度，N表示样本数量，i＝1,2,…,N，j＝1,2,…,N；S1064：通过搜寻最优的惩罚因子和核参数，计算出最优超平面的法向量ω、偏移量b和松弛变量ξ，则最优超平面fXi,Xj可表示为： 其中，sgn函数用于返回自变量的正负性；S1065：将害虫细节图像的特征向量在所述最优超平面上进行投影；S1066：当害虫细节图像的特征向量在所述最优超平面上的投影位于所述最优超平面的第一侧时，将存在虫害灾难作为虫害灾难评估结果；当害虫细节图像的特征向量在所述最优超平面上的投影位于所述最优超平面的第二侧时，将存在虫害灾难作为虫害灾难评估结果；其中，所述S104具体包括：S1041：将害虫图像输入至CSPDarknet-53主干网络，其中，所述CSPDarknet-53主干网络包括一个CBM组件和5个CSP组件，所述CBM组件包括Conv卷积层，BN批量归一化层、Mish激活函数，所述CSP组件包括卷积层和若干个Resunit模块，所述Resunit模块采用ResNet残差结构；S1042：在所述CBM组件中，通过所述Conv卷积层，使用卷积核进行卷积操作，提取害虫图像中的不同特征；通过所述BN批量归一化层，对卷积输出进行归一化；通过所述Mish激活函数，引入非线性，增强特征的表达能力；S1043：在所述CSP组件中，通过所述卷积层，使用卷积核对特征进行卷积操作；通过所述Resunit模块，使用ResNet残差结构进行特征处理；S1044：在每个预测分支上设置上采样层和SPP模块，通过所述上采样层，对特征图进行尺寸放大，精细表达局部特征；通过所述SPP模块，使用最大池化操作从不同尺度上提取特征，以进行特征融合；S1045：通过分类器，将融合的特征映射到每个可能得害虫种类上，使用softmax激活函数输出每个类别的概率；其中，所述害虫图像识别模型的训练步骤为：构建所述害虫图像识别模型的损失函数：L＝λ1LCIOU+λ2Lcls+λ3Lconf其中，L表示所述害虫图像识别模型的损失函数，LCIOU表示边界框损失函数，λ1表示边界框损失函数的权重，Lcls表示交叉熵损失函数，λ2表示交叉熵损失函数的权重，Lconf表示置信度损失函数，λ3表示置信度损失函数的权重；其中，边界框损失函数LCIOU具体为： d2＝ρ2b,bgt 其中，IOU表示预测框与真实框的交并比，d表示预测框与真实框的中心点之间的欧式距离，c表示真实框与预测框之间最小闭包的对角线长度，α表示权衡参数，v表示一致性参数，ρ表示中心点欧式距离计算函数，b表示预测框，bgt表示真实框，wgt表示真实框的宽度，hgt表示真实框的高度，w表示预测框的宽度，h表示预测框的高度；其中，交叉熵损失函数Lcls具体为： 其中，m表示样本数，i＝1,2,…,m，S表示类别数，j＝1,2,…,S，pij表示第i个样本属于第j个类别的分类情况，当第i个样本属于第j个类别时，pij＝1，否则，pij＝0，qij表示第i个样本属于第j个类别的预测概率；其中，置信度损失函数Lconf具体为： 其中，m表示样本数，i＝1,2,…,m，S表示类别数，j＝1,2,…,S，qij表示第i个样本属于第j个类别的预测概率，β表示平衡正负样本数量的超参数，γ表示平衡正负样本预测准确性的超参数；以最小化所述损失函数为目标，对所述害虫图像识别模型进行训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人江苏一心寰宇生物科技有限公司，其通讯地址为：214000 江苏省无锡市滨湖区龙山路11号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。