一种基于采样阈值区间加权的松材线虫病树检测方法.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CN113609913A(43)申请公布日2021.11.05(21)申请号202110775562.3(22)申请日2021.07.08(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)发明人任东田晓燃叶莎彭宜生(74)专利代理机构宜昌市三峡专利事务所42103代理人余山(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书4页说明书9页附图2页(54)发明名称一种基于采样阈值区间加权的松材线虫病树检测方法(57)摘要一种基于采样阈值区间加权的松材线虫病树检测方法，它包括步骤1:进行图像采集，对包含病树样本的图片进行标记作为训练集；步骤2:构建病树特征提取网络对训练集图片进行卷积，生成特征图；步骤3:构建采样筛选网络，对特征图进行样本采集，并根据采样阈值区间加权算法对样本进行筛选；步骤4:样本采集完成后送入解耦的网络检测头中，进行类型识别与定位，并生成训练模型；步骤5:获取验证集图片，并将处理后的图片投入训练模型中进行识别等步骤。本发明的目的是为了能准确、可靠的对松材线虫病树进行定位，而提供了一种鲁棒的、基于影像处理技术的对松材线虫病树进行检测的方法。CN113609913ACN113609913A权利要求书1/4页1.一种基于采样阈值区间加权的松材线虫病树检测方法，其特征在于，包括以下步骤：步骤1：采集训练集图片，对包含病树样本的图片进行标记作为训练集；步骤2：构建病树特征提取网络对训练集图片的特征进行提取，生成特征图；步骤3：构建采样筛选网络，对特征图进行样本采集，并根据采样阈值区间加权算法对样本进行筛选；步骤4：样本采集完成后送入解耦的网络检测头中，进行病树的识别，并生成初始双检测头识别模型；步骤5：将需要检测的病树图片投入初始双检测头模型中进行识别，对验证集中错误样本进行统计，并制作成为负样本集，与训练集混合后再次放入采样筛选网络中进行训练，通过反复迭代获取高鲁棒性的双检测头识别模型；步骤6：将最优模型的识别模型的识别结果输出为矢量，并校正位置，得到病树中心点经纬度坐标文件。2.根据权利要求书1所述的方法，其特征在于，所述步骤2中，在构建病树特征提取网络时，具体采用以下步骤：(1)构建病树特征提取网络；(2)将训练集图片送入病树特征提取网络中进行特征提取，得到特征图。3.根据权利要求1所述的方法，其特征在于，在步骤3中，构建采样筛选网络，对特征图进行采样并根据采样阈值区间加权方法筛选样本，具体采用以下步骤：(1)训练集图片在经过病树特征提取网络后变为特征图，样本为采样筛选网络在特征图上通过滑窗方式生成预选框，预选框可视为一个个按照固定比例(长宽，大小)预定义的框；(2)计算预选框和标注真值的IOU交并比，IOU计算公式为：IOU大于阈值X的视为正样本，IOU小于X视为负样本；(3)采样阈值区间加权方法具体步骤如下：通过对整体样本的IOU阈值区间进行划分，将IOU阈值区间按照正负样本分为两个区间，并在两个区间内划分难易样本区间，按照L的阈值区间将X以下及以上的区间各划分为K个阈值区间，并对难例样本区间(靠近X的阈值区间)进行加权，加权公式如下：Sk为不同Batch中的候选采样数，N为采样数，K为划分的区间数，将整个阈值区间均匀划分为K个区间，C为若整体采样数不够N值，则从整体样本空间内进行随机采样。4.根据权利要求3所述的方法，其特征在于，在步骤(3)中，如果整体采样数量没有达到2CN113609913A权利要求书2/4页候选采样数，则进行随机采样补齐，σ为加权系数，加权系数中nmax代表整个样本空间的样本数，nh表示当前阈值区间内样本数量，样本空间阈值的整体走向是呈U型的，整个样本空间内的样本数是恒定的，在难例样本区间内采样的数量相对于容易样本的采样数量是较为稀少的，实验将K个区间分为简单样本区间和困难样本区间，取样本空间两端的区间ψ为简单样本区间，其余为困难样本区间，在不同的样本区间内使用不同的加权系数σ，抑制简单样本提高困难样本的采样比例，经过采样网络对预选框进行筛选后，剩余的预选框被当做样本框送入网络检测头部分对样本框进行类型识别定位。5.根据权利要求1所述的方法，其特征在于，在步骤4中，将网络检测头进行解耦的具体实现步骤如下：(1)将网络检测头的类型识别定位支路进行解耦，分解为定位支路和类型识别支路；在步骤(1)中，将经过采样筛选网络的特征图进行池化获得指定大小的特征图，在经过池化后的特征图后面建立两条检测支路，支路2上串联两个卷积模块，支路1上串联两个全连接层，分别让两个检测支路专注于不同的任务，其中卷积模块采用K个残差模块进行堆叠