(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 202210733236.0 (22)申请日 2022.06.23 (71)申请人 安徽省农业科 学院农业经济与信息 研究所 地址 230031 安徽省合肥市庐阳区农科南 路40号 (72)发明人 钱蓉　董伟　朱静波　孔娟娟　 王忠培　张萌　程泽凯　黄荣庆　 (74)专利代理 机构 合肥国和专利代理事务所 (普通合伙) 34131 专利代理师 张祥骞 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/762(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/50(2006.01) (54)发明名称 一种基于轻量型卷积神经网络的农作物害 虫检测方法 (57)摘要 本发明提供了一种基于轻量型卷积神经网 络的农作物害虫检测方法， 通过以YOLO ‑L ite模 型为基础网络模 型， 将轻量型沙漏块并嵌入至所 述YOLO‑L ite模型， 将坐标注意力块 分别嵌入经 典残差块和轻量型沙漏块中， 以生成YOLOLite ‑ CSG模型； 其中， 所述轻量型沙漏块包括 分组卷积 层和通道混洗层； 获取待检测农作物图像， 基于 YOLOLite ‑CSG模型对所述农作物图像执行害虫 检测。 通过基于轻量型卷积神经网络的农作物害 虫检测模型YOLOL  ite‑CSG， 模型以YOLOv3为基 础， 并优化残差块数量和输 出通道数， 同时， 采用 k‑means++生成先验框， 并替换部分残差块为轻 量型沙漏块， 最后引入坐标注意力机制， 实现检 测精度的大大提高， 且参数量和计算量大幅下 降， 适合部署于农业环境中。 权利要求书2页 说明书9页 附图4页 CN 115100148 A 2022.09.23 CN 115100148 A 1.一种基于轻量型 卷积神经网络的农作物害虫检测方法， 其特 征在于， 所述方法包括： S1， 以YOLO ‑Lite模型为基础网络模型， 将轻量型沙漏块并嵌入至所述YOLO ‑Lite模型， 将坐标注 意力块分别嵌入经典残差块和轻量型沙漏块中， 以生 成YOLOLite ‑CSG模型； 其中， 所述轻量型沙漏块包括分组卷积层和通道混洗层； S2， 获取待检测农作物图像， 基于 YOLOLite‑CSG模型对所述农作物图像执 行害虫检测。 2.根据权利要求1所述的基于轻量型卷积神经网络的农作物害虫检测方法， 其特征在 于， 所述将轻量型沙漏块并嵌入至所述YOLO ‑Lite模型， 包括： 在沙漏块的起始和结尾添加 深度卷积； 且所述沙漏块只在第一个深度卷积和第二个逐点卷积后添加激活层； 所述分组卷积层， 用于执 行分组1×1卷积； 所述通道混洗层用于执 行混洗操作， 包括： S101， 将输入的特征图的维度从C ×H×W变换到G ×C′ ×H×W； 其中， C、 H和W表示输入特 征图的通道数、 高度和宽度， G表示分组数， C ’表示每组通道数。 S102， 转置分组数维度和每组通道数维度， 输出的特 征图维度为C ′ ×G×H×W； S103， 沿每组通道数维度展开特 征图， 输出的特 征图维度为C ×H×W。 3.根据权利要求2所述的基于轻量型卷积神经网络的农作物害虫检测方法， 其特征在 于， 所述将坐标注意力块分别嵌入经典残差块和轻量型沙漏块中， 包括： 将所述坐标注意力块嵌入经典残差块中位于 升维的1×1卷积之后； 将所述坐标注意力块嵌入轻量型沙漏块 位于第一个深度卷积之后。 4.根据权利要求3所述的基于轻量型卷积神经网络的农作物害虫检测方法， 其特征在 于， 坐标注意力块包括执 行： 对于输入特征图 通过两个池化操作在每个通道中分别沿水平方向和 垂直方向编码空间位置信息， 捕获空间位置间的长距离依赖： 其中， fin(c， h， i)表示在输入的特征图fin中的第c通道中， 高度为h， 宽度为i处的特征 值； fin(c， j， w)表示在输入的特征图fin中的第c通道中， 高度为j， 宽度为w 处的特征值； m(c， h)表示指定通道指定高度的池化输出， n(c， w)表示指定通道指定 宽度的池化输出； 在逐通道完成以上空间位置信息编码后， 生成特征图 和特征图 并对通道维度和空间维度的依赖关系进行建模。 5.根据权利要求4所述的基于轻量型卷积神经网络的农作物害虫检测方法， 其特征在 于， 所述对通道维度和空间维度的依赖关系进行建模， 包括： S111， 将m和n连接在一 起， [m， n]表示沿空间维度连接特 征图； S112， 在卷积θt完成维度压缩后， 沿空间维度将 分离为 和 分别采用 θh和 θw两个卷积变换将 和 均通道数调整为与输入fin一致；权　利　要　求　书 1/2 页 2 CN 115100148 A 2S113， 生成方向感知的注意力图； 其中， 注意力图M来源于通道信息和高度信息， 注意力 图N来源于通道信息和宽度信息； ft＝ δ( θt([m， n])) 其中， δ和σ 表示非线性激活函数， 和 表示坐标注意力机制生成 的方向感知的注意力图； S114， 使用注意力图M和N对输入fin重新加权： fout(c， i， j)＝fin(c， i， j)×M(c， i)×N(c， j) 其中， fout(c， i， j)表示输出特征图中指定通道和空间位置的值， M(c， i)表示输入特征 图fin中指定通道c和高度i的值的权重， N(c， j)表示输入特征图fin中指定通道c和宽度j的 值的权重。 6.根据权利要求1 ‑5任一项所述的基于轻量型卷积神经网络的农作物害虫检测方法， 其特征在于， 所述方法还包括： 根据K ‑means++算法执行聚类产生YOLOLite ‑CSG模型的k个 初始聚类中心， 而后根据所述k个初始聚类中心， 再执行标准的k ‑means聚类过程生成先验 框； 所述根据K‑means++算法执行聚类产生YOLOL ite‑CSG模型的k个初始聚类中心， 包括： S121， 从数据集标签的尺寸 集合C随机选取一个初始聚类中心； S122， 计算每 个样本到现有聚类中心的最小距离di； S123， 计算每个样本被选为下一个聚类中心 的概率 使用轮盘法选出下一 个聚类中心； S124， 重复步骤S12 2和S123， 直到 选出k个初始聚类中心。 7.根据权利要求1所述的基于轻量型卷积神经网络的农作物害虫检测方法， 其特征在 于， 所述步骤S1还包括： 获取YOLOv3模型， 将所述YOLOv3模 型的主干网络残差块的数量调整 为[2， 3， 6， 3， 2]， 且所有层的通道数减半， 以生成YOLO ‑Lite模型。 8.一种存储介质， 所述存储介质存储有计算机程序； 其特征在于， 所述程序由处理器加 载并执行以实现如权利要求 1‑6任一项所述的基于轻量型卷积神经网络的农作物害 虫检测 方法步骤。权　利　要　求　书 2/2 页 3 CN 115100148 A 3