基于小目标样本扩充和池化加权的松材线虫病树检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115909066A(43)申请公布日2023.04.04(21)申请号202211441081.XG06V10/774(2022.01)(22)申请日2022.11.17G06V10/80(2022.01)G06V10/82(2022.01)(71)申请人三峡大学地址443002湖北省宜昌市西陵区大学路8号(72)发明人任东叶莎孙航陈邦清谭家林古剑(74)专利代理机构宜昌市三峡专利事务所42103专利代理师余山(51)Int.Cl.G06V20/10(2022.01)G06V20/17(2022.01)G06V10/764(2022.01)G06V10/766(2022.01)权利要求书3页说明书7页附图2页(54)发明名称基于小目标样本扩充和池化加权的松材线虫病树检测方法(57)摘要基于小目标样本扩充和池化加权的松材线虫病树检测方法，具体包括以下步骤：步骤1：对不同光照、不同地势环境下的松林进行拍摄，获取原始图像；步骤2：将原始图像进行裁剪，标注裁剪之后的具有松材线虫病树的图片，制作松材线虫病树数据集；步骤3：使用固定缩放尺度和随机拼接的小目标样本扩充方法，增加图片中病树数量特别是小尺度病树目标数量；步骤4：构建基于池化加权注意力机制特征增强目标检测网络；步骤5：将松材线虫病树数据集输入到池化加权注意力机制特征增强目标检测模型中进行训练，得到病树识别模型；步骤6：将待识别松林图片输入到识别模型中识别，得到病树的矢量位置信息；步骤7：根据病树位置信息，清理病树。CN115909066ACN115909066A权利要求书1/3页1.基于小目标样本扩充和池化加权的松材线虫病树检测，其特征在于,它具体包括以下步骤：步骤1：对不同光照、不同地势环境下的松林进行拍摄，获取原始图像；步骤2：将原始图像进行裁剪，标注裁剪之后的具有松材线虫病树的图片，制作松材线虫病树数据集；步骤3：使用固定缩放尺度和随机拼接的小目标样本扩充方法，增加图片中病树数量特别是小尺度病树目标的数量；步骤4：构建基于池化加权注意力机制的一阶段特征增强目标检测网络；步骤5：将松材线虫病树数据集输入到池化加权注意力机制特征增强目标检测模型中进行训练，得到病树识别模型；步骤6：将待识别松林图片输入到识别模型中识别，得到病树的矢量位置信息；步骤7：根据病树位置信息，清理病树。2.根据权利要求1所述的方法，其特征在于，在步骤3中，使用固定缩放尺度和随机拼接的小目标样本扩充方法包括以下步骤：2‑1：在松材线虫病树数据集中随机选取四张图片编号为1、2、3、4，将四张图片的长宽按照三种固定比例进行长宽等比例缩放，得到缩放后的图片Img1、图片Img2、图片Img3、图片Img4，如下公式所示：Imgi＝resize(random(0.4、0.5、0.6)jpgi)(i＝1、2、3、4)其中Img为固定尺度缩放后的图片，i是缩放的图片编号，jpg是原始图片，resize表示图片长宽同等比例缩放操作，random表示缩放系数的范围；2‑2：新建一个矩形框，矩形框的长、宽是松材线虫病树数据集中图片长、宽的两倍大小，以矩形框的中心点为中心，将矩形框分成大小相等的四块子区域r1、r2、r3、r4；2‑3：将图片Img1填充到子区域r1中、图片Img2填充到子区域r2中、图片Img3填充到子区域r3中、图片Img4填充到子区域r4中，将填充后的矩形框的长、宽等比例缩小两倍，得到的矩形框即为扩充样本图；2‑4：在松材线虫病树数据集中去除经过缩放和拼接的图片，在剩下的图片中重复以上步骤，得到大量扩充样本图，将这些扩充样本存入到松材线虫病树数据集中。3.根据权利要求1所述的方法，其特征在于，在步骤4中，构建基于池化加权注意力机制的一阶段特征增强目标检测网络,具体包括以下步骤：3‑1：首先将松材线虫病树数据集中的图片输入到残差网络中提取松材线虫病树特征，得到特征图C1、特征图C2、特征图C3、特征图C4、特征图C5；3‑2：构建基于池化加权注意力模块，具体包括以下步骤：3‑2‑1：首先对输入的H*W*C的特征图F进行全局平均池化和全局最大池化操作得到两个1*1*C的一维特征向量；3‑2‑2：将两个1*1*C的一维特征向量通过执行大小为K的快速一维卷积操作生成两个通道权重值KM和KA，其中k是通过通道维度C的映射自适应确定的：其中：γ和b为常量，k为计算出来临近的奇数值；2CN115909066A权利要求书2/3页3‑2‑3：将两个通道权重值KM和KA进行自适应地加权融合操作，得到池化加权后的池化加权注意力权重值X,如下公式所示：X＝λKM+βKA其中λ和β是两个超参数；3‑2‑4：将池化加权后的池化加权注意力权重值X经过Sigmod激活函