一种基于多尺度融合模块和特征增强的杂草检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113657326A(43)申请公布日2021.11.16(21)申请号202110975117.1G06N3/08(2006.01)(22)申请日2021.08.24(71)申请人陕西科技大学地址710021陕西省西安市未央区大学园区陕西科技大学(72)发明人亢洁刘港王勍郭国法刘威冯树杰田野(74)专利代理机构西安智大知识产权代理事务所61215代理人季海菊(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06K9/46(2006.01)G06N3/04(2006.01)权利要求书3页说明书7页附图2页(54)发明名称一种基于多尺度融合模块和特征增强的杂草检测方法(57)摘要一种基于多尺度融合模块和特征增强的杂草检测方法，对预处理的作物杂草的数据进行训练并评估SSD网络模型，针对SSD网络模型参数大，小目标检测效果差，作物与杂草检测精度低的问题进行改进，将轻量网络MobileNet作为SSD模型的特征提取网络，并设计了多尺度融合模块，将浅层特征图先通过通道注意力机制增强图像中的关键信息，再将特征图经过不同膨胀率大小的扩张卷积扩大感受野，最后将两条分支进行特征融合，让用于检测小目标的浅层特征图在包含较多小目标细节信息的同时，还可以包含丰富的语义信息；在此基础上对输出的特征图经过通道注意力机制进行特征增强；本发明针对自然环境下作物杂草数据集，可准确地检测出作物及杂草的类别及位置，同时模型对小目标作物与杂草，叶片交叠情况的检测能力均有提高，具有广CN113657326A阔的应用前景。CN113657326A权利要求书1/3页1.一种基于多尺度融合模块和特征增强的杂草检测方法，其特征在于，具体包括以下步骤：步骤一、数据预处理：包括图像标注、数据增强、划分数据集选择自然环境中，从晴天干燥环境到阴天潮湿环境捕捉的不同天气和土壤条件下，公开的作物杂草的若干图像作为数据集；1)图像标注：利用LabelImg图像标注工具对作物与杂草数据集进行标注，将每幅图像中的作物和杂草分别用矩形框框出来，并标明所属类别；2)数据增强：通过颜色抖动、随机噪声和翻转对作物与杂草数据集进行扩充，增强模型的泛化能力；3)划分数据集：将第2)步扩充得到的数据集划分为训练集及测试集，并将原始图片压缩为SSD网络默认的图像大小；步骤二、训练并评估SSD网络模型将步骤一第3)步处理完成的图像作为SSD网络模型的输入图像，并设置SSD网络模型的运行参数，在实验操作平台上对SSD网络模型进行训练，然后采用目标检测领域常用的评价标准对训练的SSD网络模型进行效果评估，SSD网络模型存在的问题包括：参数量多导致模型实时性差、对小尺寸作物和杂草检测存在的漏检误检现象以及作物与杂草检测出的精度值低的问题；步骤三、针对步骤二评估进行SSD网络改进1)替换特征提取网络将SSD网络的特征提取网络替换为轻量网络MobileNet网络，减小网络模型参数规模；2)设计多尺度融合模块通过通道注意力机制SENet模块逐通道进行通道权重重标定，增强图像中的关键特征，并通过不同膨胀率大小的扩张卷积，充分获取目标的上下文信息，最后将多条分支的输出进行特征融合；3)设计特征增强模型SSD网络模型通过提取SSD网络默认的六个不同尺度的特征图来检测目标对象，基于此，利用SENet模块对用于目标检测的六个特征图进行通道特征权重分配，增强图像中的关键特征；步骤四、训练改进SSD网络：将步骤一第3)步中经数据处理过的杂草图像作为步骤三中改进SSD网络的输入图像，并设置网络模型的运行参数，在实验操作平台上对步骤三改进的SSD网络模型进行训练，采用目标检测领域常用的评价标准对改进SSD的检测结果进行评估，若检测结果满意，则输出检测结果，若不满意，未解决SSD存在的问题，则重复上述步骤，调整参数，直至满意，并输出最终杂草检测结果。2.根据权利要求1所述的一种基于多尺度融合模块和特征增强的杂草检测方法，其特征在于，所述步骤三第2)步的具体方法如下：2.1)将用于检测小目标的图像经全局平均池化操作，即把每一个通道的图像的所有像素值相加求平均，得到一个数值，即用该数值表示对应通道的特征图，该数值具有全局的感受野；2CN113657326A权利要求书2/3页2.2)通过全连接层FC和激活函数Sigmoid为第2.1)得到的每个通道生成权重，此时特征图为经过特征选择后的特征图；2.3)reweight操作：通过乘法运算，将第2.2)步得到的权重逐通道加权到原始的图片的特征上，完成对原始特征的重标定，得到与原始图像大小相同，经通道信息强度重标定的特征图，达到增强特征的目的；2.4)采用不同膨胀率大小的扩张卷积进行多尺