基于解耦分类和回归特征最优层技术的害虫目标检测方法.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CN113627269A(43)申请公布日2021.11.09(21)申请号202110804036.5G06N3/04(2006.01)(22)申请日2021.07.16G06N3/08(2006.01)(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)发明人宋良图陈天娇王儒敬谢成军张洁杜健铭李瑞陈红波胡海瀛刘海云(74)专利代理机构合肥国和专利代理事务所(普通合伙)34131代理人张祥骞(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/62(2006.01)权利要求书3页说明书8页附图2页(54)发明名称基于解耦分类和回归特征最优层技术的害虫目标检测方法(57)摘要本发明涉及基于解耦分类和回归特征最优层技术的害虫目标检测方法，与现有技术相比解决了灭虫灯内虫体尺寸差异大导致害虫识别率低的缺陷。本发明包括以下步骤：训练样本集的获取；害虫目标检测网络的构建；害虫目标检测网络的训练；待检测害虫图像样本的获取；害虫目标的检测定位。本发明可以根据常用特征层设置将分类和回归任务分派到不同的特征层分别进行后得到最终的检测结果，从而针对灭虫灯环境下虫体差异大进行差异化检测，提高了灭虫灯环境下虫体检测识别率，满足了实际应用的需要。CN113627269ACN113627269A权利要求书1/3页1.一种基于解耦分类和回归特征最优层技术的害虫目标检测方法，其特征在于，包括以下步骤：11)训练样本集的获取：获取害虫图像样本并进行预处理，形成训练样本集；12)害虫目标检测网络的构建：基于基础特征表示网络、特征金字塔网络和目标区域提取网络构建害虫目标检测网络；13)害虫目标检测网络的训练：利用训练样本基于解耦分类和回归特征最优层技术对害虫目标检测网络进行训练；14)待检测害虫图像样本的获取：获取待检测害虫图像样本，并进行预处理；15)害虫目标的检测定位：将预处理后的待检测害虫图像样本输入训练后的害虫目标检测网络，在害虫图像中定位出害虫位置。2.根据权利要求1所述的基于解耦分类和回归特征最优层技术的害虫目标检测方法，其特征在于，所述害虫目标检测网络的构建包括以下步骤：21)设定害虫目标检测网络的第一层为基础特征表示网络、第二层为特征金字塔网络、第三层为目标区域提取网络；22)设定基础特征表示网络为残差网络，通过从卷积块的深度、宽度、感受野因素挖掘最具代表性的图像特征表示，作用是特征提取器；23)设定特征金字塔网络为横向连接的层次结构，将高层级特征中的语义信息自上而下传到低层特征上，在特征金字塔网络中，特征提取的过程分为两个部分：自底向上的过程和自上而下横向连接的融合过程，其中，自底向上的过程是骨干网络提取特征的过程；24)设定目标区域提取网络的第一阶段网络：针对不同特征层设置不同尺度的参考框，用于定位回归出初步可能目标区域，针对特征金字塔的第一层设置16*16大小的参考框，第二层设置32*32大小的参考框，第三层设置64*64大小的参考框，第四层设置128*128大小的参考框，第五层设置256*256大小的参考框，第六层设置512*512大小的参考框；25)设定目标区域提取网络的第二阶段网络：针对初步可能目标区域，分别寻找最优的用于分类和用于回归的特征层分别进行定位和分类。3.根据权利要求1所述的基于解耦分类和回归特征最优层技术的害虫目标检测方法，其特征在于，所述害虫目标检测网络的训练包括以下步骤：31)训练基础特征表示网络，将训练样本集的害虫图片I:w*h输入基础特征表示网络，经过基础特征表示网络提取特征：311)经过conv1：包含步长为2的7*7*64卷积，每个卷积后加批量归一化以及非线性激活函数，输出记为c1；312)经过conv2_x：首先通过步长为2的3*3maxpooling最大池化，然后经过3个卷积块，每个卷积块分别包含1*1*64卷积、3*3*64卷积、1*1*256卷积，输出记为c2，第一个卷积块的第一个卷积采用步长为2的降采样卷积；313)经过conv3_x：其包含4个卷积块，每个卷积块分别包含1*1*128卷积、3*3*128卷积、1*1*512卷积，输出记为c3，第一个卷积块的第一个卷积采用步长为2的降采样卷积，其余卷积块步长为1；314)经过conv4_x：包含23个卷积块，每个卷积块分别包含1*1*256卷积、3*3*256卷积、1*1*1024卷积，输出记为c4，第一个卷积块的第一个卷积采用步长为2的降采样卷积，其余2CN113627269A权利要求书2/3页卷积块步长为1；315)经过conv5_x：包含3个卷积块，每个卷积块分别包含1*1*51