一种基于通道注意力机制的虫害图像检测方法.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CN113487576A(43)申请公布日2021.10.08(21)申请号202110796527.XG06N3/04(2006.01)(22)申请日2021.07.14G06N3/08(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)发明人王儒敬董士风李瑞张洁焦林刘康滕越刘海云王晓栋(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.G06T7/00(2017.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书7页附图4页(54)发明名称一种基于通道注意力机制的虫害图像检测方法(57)摘要本发明涉及一种基于通道注意力机制的虫害图像检测方法，与现有技术相比解决了虫害检测准确率低、检测速度慢的缺陷。本发明包括以下步骤：采集虫害图像并建立虫害数据集；构建基于通道注意力机制的虫害图像检测模型；对虫害图像检测模型进行训练；待检测虫害图像的获取；虫害图像检测结果的获得。本发明通过多尺度预测结构能够提取到更丰富特征的基础神经网络、融合了多个尺度的特征来进行检测，可以在不加深网络深度的前提下提升检测精度；本发明通过通道积空间注意力机制、通过对于通道特征的筛选，使得特征融合时保留的信息更加有利于训练损失的降低，有利于定位及分类的准确，同时通过一定比例的降维可以权衡性能和检测速度的取舍。CN113487576ACN113487576A权利要求书1/2页1.一种基于通道注意力机制的虫害图像检测方法，其特征在于，包括以下步骤：11)采集虫害图像并建立虫害数据集：获取虫害图像进行预处理和标记，建立虫害数据集；12)构建基于通道注意力机制的虫害图像检测模型：对虫害图像检测模型进行构建，其包括多尺度特征金字塔预测结构和用于特征层融合后的通道积空间注意力机制结构；13)对虫害图像检测模型进行训练：利用虫害数据集通过随机梯度下降算法对虫害图像检测模型进行训练；14)待检测虫害图像的获取：获取待检测的虫害图像，并进行预处理；15)虫害图像检测结果的获得：将预处理后的待检测虫害图像输入训练后的虫害图像检测模型，虫害图像检测模型输出检测结果(c),x,y,w,h，即图像中每个虫害的类别和边框位置。2.根据权利要求1所述的一种基于通道注意力机制的虫害图像检测方法，其特征在于，所述构建基于通道注意力机制的虫害图像检测模型包括以下步骤：21)将多尺度特征金字塔预测结构作为虫害图像检测模型的第一层，构建多尺度特征金字塔预测结构：211)设定将虫害图像输入深度卷积神经网络，得到下采样尺寸为原图1/4、1/8、1/16、1/32倍的特征图，分别为Ci,i∈(2,3,4,5)；212)将上述4个特征图Ci按照如下方式进行特征加权融合，得到多尺度特征金字塔预测结构：C5通过卷积核和步长都为1的卷积后得到P5，经过下采样得到尺寸为原图1/64倍的特征图为P6；P5进行双线性插值上采样以得到输出特征图分辨率为1/16倍的特征图C4，将P5与C4进行特征加权融合得到P4；P4进行双线性插值上采样以得到输出特征图分辨率为1/8倍的特征图特征图C3，将P4与C3进行特征加权融合得到P3；P3进行双线性插值上采样以得到输出特征图分辨率为1/4倍的特征图C2，将P3与C2进行特征加权融合得到P2；获得的Pi,i∈(2,3,4,5,6)构成多尺度特征金字塔；22)将通道积空间注意力机制结构作为虫害图像检测模型的第二层，针对多尺度特征金字塔Pi,i∈(2,3,4,5,6)构建特征层融合后的通道积空间注意力机制结构：221)对特征金字塔上每层特征图P2、P3、P4、P5P6上进行全局自适应最大池化和全局自适应平均池化产生两个不同空间的上下文描述，以获得全局特征信息和平均特征信息，分别输出特征图包含信息数学表达式如下：其中，是由大小高度为H宽度为W以及通道数为C的特征图Fc(i,j)生成，i,j代2CN113487576A权利要求书2/2页表特征图上像素点的坐标；222)分别对两个特征图用基于通道压缩的注意力模块将通道数降至1/8倍，得到的结果分别记为223)对两个特征图使用ReLU非线性激活函数和基于通道放大的注意力模块将通道数放大8倍后，得到的结果分别记为224)将合并得到两种通道的特征，使用Sigmoid激活函数来自适应对特征图上信息进行建模；225)最后再将原特征图与自适应学习建模后的特征图进行哈达玛积，实现通道特征重校准的效果。3.根据权利要求1所述的一种基于通道注意力机制的虫害图像检测方法，其特征在于，所述对虫害图像检测模型进行训练包括以下步骤：31)将虫害数