基于TSD-Faster RCNN的农作物害虫检测方法及其网络.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115115887A(43)申请公布日2022.09.27(21)申请号202210812056.1G06N3/04(2006.01)(22)申请日2022.07.07(71)申请人中国科学院合肥物质科学研究院地址230031安徽省合肥市蜀山区蜀山湖路350号(72)发明人董俊黄小文姜铭坤马凡吴双马冬(74)专利代理机构合肥市上嘉专利代理事务所(普通合伙)34125专利代理师李璐(51)Int.Cl.G06V10/764(2022.01)G06V10/82(2022.01)G06V10/40(2022.01)G06V40/10(2022.01)权利要求书2页说明书7页附图2页(54)发明名称基于TSD-FasterRCNN的农作物害虫检测方法及其网络(57)摘要本发明公开了一种基于TSD‑FasterRCNN的农作物害虫检测方法及其网络，方法包括以下步骤：S1：将农作物害虫检测图像输入到主干网络以生成图像的特征图；S2：将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R‑CNN中；S3：在区域提案网络RPN中，使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSDLoss计算回归损失，RPN返回粗糙的候选框至R‑CNN中；S4：使用R‑CNN将所有候选框修改为相同大小，候选框被传递到全连接层以对对象进行分类并预测边界框。本发明能够提升对于小目标害虫的检测精度，以满足对于害虫的智能防治的需求。CN115115887ACN115115887A权利要求书1/2页1.一种基于TSD‑FasterRCNN的农作物害虫检测方法，其特征在于，包括以下步骤：S1：将农作物害虫检测图像输入到主干网络以生成图像的特征图；S2：将生成的特征图经骨干网络再处理后输出至区域提案网络RPN和区域卷积神经网络R‑CNN中，所述骨干网络采用主干网络与特征金字塔网络FPN相结合；S3：在区域提案网络RPN中，使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSDLoss计算回归损失，RPN返回粗糙的候选框至R‑CNN中；S4：使用R‑CNN将所有候选框修改为相同大小，候选框被传递到全连接层以对对象进行分类并预测边界框。2.根据权利要求1所述的基于TSD‑FasterRCNN的农作物害虫检测方法，其特征在于，所述结构感知距离TSD衡量锚框之间的相似度：gt其中，DChess(b，b)＝max(|x1‑x2|，|y1‑y2|)代指两个锚框中心点(x1，y1)和(x2，y2)的切比雪夫距离，S代指数据集所有标注框的平均面积。3.根据权利要求1所述的基于TSD‑FasterRCNN的农作物害虫检测方法，其特征在于，所述分段结构感知损失函数TSDLoss为：gt其中，DChess(b，b)＝max(|x1‑x2|，|y1‑y2|)代指两个锚框中心点之间的切比雪夫距离，S指代数据集所有标注框的平均面积，r1和r2分别指代两个锚框外接圆的半径，此外，根据余弦定理：Separated代表两个锚框相离，intersect代表两个锚框相交，contain代表两个锚框相互包含。4.根据权利要求1所述的基于TSD‑FasterRCNN的农作物害虫检测方法，其特征在于，所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分，自顶向下连接采用最近邻上采样，水平连接将上采样结果与自下而上过程生成的特征图融合。5.一种基于TSD‑FasterRCNN的农作物害虫检测网络，其特征在于，包括：主干网络，用于提取农作物害虫检测图像的特征，生成输入图像的特征图；骨干网络，用于对生成的特征图进行再处理，并输出至区域提案网络RPN和区域卷积神经网络R‑CNN中；区域提案网络，用于使用结构感知距离TSD计算预测锚框和真实锚框的相似度，使用分段结构感知损失函数TSDLoss计算回归损失，并返回粗糙的候选框至R‑CNN中；区域卷积神经网络，用于将所有候选框修改为相同大小的候选框，并传递到全连接层以对对象进行分类并预测边界框。2CN115115887A权利要求书2/2页6.根据权利要求5所述的基于TSD‑FasterRCNN的农作物害虫检测网络，其特征在于，所述主干网络采用残差网络ResNet或mobileNet或VGG或darkNet或efficientNet。7.根据权利要求5所述的基于TSD‑FasterRCNN的农作物害虫检测网络，其特征在于，所述骨干网络采用主干网络与特征金字塔网络FPN相结合。8.根据权利要求7所述的基于TSD‑FasterRCNN的农作物害虫检测网络，其特征在于，所述骨干网络包括自底向上连接、自顶向下连接和水平连接三部分，自顶向下