(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210485889.1 (22)申请日 2022.05.06 (71)申请人 广西壮族自治区农业科 学院植物保 护研究所 地址 530000 广西壮 族自治区南宁市大 学 东路174号 (72)发明人 邓铁军　刘丽辉　刘吉敏　蒋卓恩　 韦丽宋　 (74)专利代理 机构 深圳腾文知识产权代理有限 公司 44680 专利代理师 李晓鹏 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06V 10/774(2022.01) G06T 7/90(2017.01) G06T 7/00(2017.01) G06N 3/04(2006.01) (54)发明名称 一种柑橘果园中柑橘木虱智能定位的方法 及相关装置 (57)摘要 本申请公开了一种柑橘果园中柑橘木虱智 能定位的方法及相关装置， 用于提高柑橘木虱定 位准确度。 本申请方法包括： 通过无人机对目标 柑橘树进行摄， 获取柑橘梢条图像组； 从柑橘梢 条图像组中选取一张柑橘梢条图像输入训练完 成的目标卷积神经网络模 型中； 通过第一、 第二、 第三和第四特征提取层对柑橘梢条图像进行不 同深度的特征提取， 生成第一深度特征集合； 通 过残差层对第一深度特征集合进行融合， 生成第 一特征残差； 将第一特征残差通过全局平均池化 层和softmax层进行分类计算， 生成柑橘梢条图 像归属柑橘木虱梢条的第一概率值集合； 根据上 述方法生成柑橘梢条图像组对应的至少两个第 一概率值集合； 根据第一概率值集合和定位信息 生成柑橘木虱警报。 权利要求书3页 说明书16页 附图7页 CN 114898233 A 2022.08.12 CN 114898233 A 1.一种柑橘果园中柑橘木虱智能定位的方法， 其特 征在于， 包括： 通过无人机对目标柑橘树进行多方向拍摄， 获取柑橘梢条图像组， 所述柑橘梢条图像 组包含所述目标柑橘树的至少一张拍摄图像， 所述柑橘梢条图像组中包含 所述目标柑橘树 的定位信息； 从所述柑橘梢条图像组中选取一张柑橘梢条图像； 将所述柑橘梢条图像输入训练完成的目标卷积神经网络模型中， 所述目标卷积神经网 络模型包括第一特征提取层、 第二特征提取层、 第三特征提取层、 第四特征提取层、 残差层、 全局平均池化层和softmax层， 所述第一特征提取层由卷积层 ‑归一化层 ‑卷积层‑归一化层 串联排列后， 与一组卷积层 ‑归一化层并联， 最再和一个最大池化层串联构成， 所述第二特 征提取层、 所述第三特 征提取层和所述第四特 征提取层与所述第一特 征提取层相同； 通过所述第一特征提取层、 所述第二特征提取层、 所述第三特征提取层和所述第 四特 征提取层对所述柑橘梢条图像进行不同深度的特 征提取， 生成第一深度特 征集合； 通过所述残差层对所述第一深度特征集合进行融合， 生成第一特征残差， 所述第一特 征残差包 含柑橘木虱特 征残差或染病梢条残差； 将所述第一特征残差通过所述全局平均池化层和所述softmax层进行分类计算， 生成 所述柑橘梢条图像归属柑橘木虱梢条的第一 概率值集合； 根据上述方法生成所述柑橘梢条图像组对应的至少两个第一 概率值集合； 当所述至少两个第 一概率值集合中存在大于预设阈值的概率值 时， 根据所述定位信 息 生成柑橘木虱警报。 2.根据权利要求1所述的方法， 其特征在于， 在所述获取柑橘梢条图像组之前， 所述方 法还包括： 获取柑橘梢条样本集， 所述柑橘梢条样本集中包含至少两张柑橘梢条的训练样本， 所 述训练样本为标记了柑橘木虱真实 染病情况和目标估计阈值的图像； 构建初始卷积神经网络模型， 所述初始卷积神经网络模型包括第一特征提取层、 第二 特征提取层、 第三特征提取层、 第四特征提取层、 残差层、 全局平均池化层和softmax层， 所 述第一特征提取层由卷积层 ‑归一化层 ‑卷积层‑归一化层 串联排列后， 与一组卷积层 ‑归一 化层并联， 最再和一个最大池化层串联构成， 所述第二特征提取层、 所述第三特征提取层和 所述第四特 征提取层与所述第一特 征提取层相同； 从所述柑橘梢条样本集中选取训练样本， 并将所述训练样本输入所述初始卷积神经网 络模型中； 通过所述第一特征提取层、 所述第二特征提取层、 所述第三特征提取层和所述第 四特 征提取层对所述训练样本进行不同深度的特 征提取， 生成第二深度特 征集合； 通过所述残差层对所述第二深度特征集合进行融合， 生成第二特征残差， 所述第二特 征残差包 含柑橘木虱特 征残差或染病梢条残差； 将所述第二特征残差通过所述全局平均池化层和所述softmax层进行分类计算， 生成 所述训练样本归属柑橘木虱梢条的第二 概率值集合； 根据所述第 二概率值集合、 所述目标估计 阈值和所述初始卷积神经网络模型的预设损 失函数计算损失值， 以生成损失值数据， 所述损失值数据为训练过程中统计的损失值 集合； 判断所述损失值数据在预设区间内是否收敛于 0；权　利　要　求　书 1/3 页 2 CN 114898233 A 2若所述损 失值数据在预设区间内收敛于0， 则确定所述初始卷积神经网络模型为目标 卷积神经网络模型。 3.根据权利要求2所述的方法， 其特征在于， 在所述判断所述损失值数据在预设区间内 是否收敛于 0之后， 所述方法还 包括： 若所述损 失值数据在预设区间内不收敛于0， 则判断所述训练样本的训练次数是否达 标； 若所述训练样本的训练次数达标， 根据小批梯度 下降法更新所述初始卷积神经网络模 型的权重， 从所述训练样本集中重新选取训练样本输入所述初始卷积神经网络模型中训 练。 4.根据权利要求3 中所述的方法， 其特征在于， 在判断所述训练样本的训练次数是否达 标之后， 所述方法还 包括： 若所述训练样本的训练次数未达标， 则根据小批梯度下降法更新所述初始卷积神经网 络模型的权 重， 并将所述训练样本 重新输入所述初始卷积神经网络模型中训练。 5.根据权利要求2所述的方法， 其特 征在于， 所述获取柑橘梢条样本集， 包括： 获取获取柑橘梢条拍摄图像集； 对所述柑橘梢条拍摄图像集中的拍摄图像进行样本扩充预处理， 生成柑橘梢条样本 集， 所述样本扩充 预处理包含放缩处理、 裁剪处理、 旋转处理和 照片背景灰度直流分量统一 化处理。 6.根据权利要求1至5中任一项所述的方法， 其特征在于， 所述通过所述第一特征提取 层、 所述第二特征提取层、 所述第三特征提取层和所述第四特征提取层对所述柑橘梢条图 像进行不同深度的特 征提取， 生成第一深度特 征集合， 包括： 将所述柑橘梢条图像输入实时第一特 征提取层， 生成所述柑橘梢条图像的第一残差； 将所述第一残差 输入所述第二特 征提取层， 生成所述柑橘梢条图像的第二残差； 将所述第二残差 输入所述第三特 征提取层， 生成所述柑橘梢条图像的第三残差； 将所述第三残差 输入所述第四特 征提取层， 生成所述柑橘梢条图像的第四残差； 将所述第一残差、 所述第二残差、 所述第三残差和所述第 四残差确定为第一深度特征 集合。 7.根据权利要求6 中所述的方法， 其特征在于， 所述通过所述残差层对所述第 一深度特 征集合进行融合， 生成第一特 征残差， 包括： 通过所述残差层对所述第一残差 至所述第四残差依次融合， 生成第一特 征残差。 8.一种柑橘木虱智能化防治的装置， 其特 征在于， 包括： 第一获取单元， 用于通过无人机对目标柑橘树进行多方向拍摄， 获取柑橘梢条图像组， 所述柑橘梢条图像组包含所述目标柑橘树的至少一张拍摄图像， 所述柑橘梢条图像组中包 含所述目标柑橘树的定位信息； 第一选取 单元， 用于从所述柑橘梢条图像组中选取一张柑橘梢条图像； 第一输入单元， 用于将所述柑橘梢条图像输入训练完成的目标卷积神经网络模型中， 所述目标卷积神经网络模型包括第一特征提取层、 第二特征提取层、 第三特征提取层、 第四 特征提取层、 残差层、 全局平均池化层和softmax层， 所述第一特征提取层由卷积层 ‑归一化 层‑卷积层‑归一化层串联排列后， 与一组卷积层 ‑归一化层并联， 最再和一个最大池化层 串权　利　要　求　书 2/3 页 3 CN 114898233 A 3