[發(fā)明專利]一種基于深度多層特征融合學(xué)習(xí)的小麥麥蜘蛛檢測方法

有效

• 申請?zhí)枺?/td>: 201710894737.6
• 申請日: 2017-09-28
• 公開（公告）號: CN107808116B
• 公開（公告）日: 2020-05-05
• 發(fā)明（設(shè)計(jì)）人: 陳天嬌;王儒敬;謝成軍;張潔;李瑞
• 申請（專利權(quán)）人: 中國科學(xué)院合肥物質(zhì)科學(xué)研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 合肥國和專利代理事務(wù)所(普通合伙) 34131
• 代理人: 張祥騫

本發(fā)明涉及一種基于深度多層特征融合學(xué)習(xí)的小麥麥蜘蛛檢測方法，與現(xiàn)有技術(shù)相比解決了尚無針對不同級別特征層的特征進(jìn)行融合學(xué)習(xí)的缺陷。本發(fā)明包括以下步驟：小麥麥蜘蛛圖像的收集；通過標(biāo)記軟件對麥蜘蛛在訓(xùn)練圖像中進(jìn)行具體位置的標(biāo)記；構(gòu)造小麥麥蜘蛛圖像檢測模型，構(gòu)造基于Faster?RCNN方法通過融合不同級別特征層特征的檢測模型；待檢測小麥圖像的收集；麥蜘蛛在圖像中具體位置的檢測。本發(fā)明提升了深度網(wǎng)絡(luò)模型的檢測能力，提高了小麥麥蜘蛛這種小目標(biāo)的檢測率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，具體來說是一種基于深度多層特征融合學(xué)習(xí)的小麥麥蜘蛛檢測方法。

背景技術(shù)

麥蜘蛛是國內(nèi)常見的危害小麥的螨類，對于麥蜘蛛的控制需要加強(qiáng)農(nóng)業(yè)防治措施，重視田間蟲情監(jiān)測，及時(shí)發(fā)現(xiàn)、爭取早治。在智能農(nóng)業(yè)領(lǐng)域的實(shí)際應(yīng)用中，麥蜘蛛作為小目標(biāo)物，其檢測圖像經(jīng)過多次卷積和池化以后，越來越小、分辨率越來越低，較深的卷積層學(xué)習(xí)的特征更加抽象。這些抽象特征對麥蜘蛛物體的大小、位置和方向等敏感性更低，從而有助于識別性能的提高，但是因?yàn)閬G失了一些麥蜘蛛物體的細(xì)節(jié)，又不能很好地給出麥蜘蛛物體的具體輪廓。

因此，如何融合不同級別特征層的特征提高小麥麥蜘蛛的檢測率已經(jīng)成為急需解決的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中尚無針對不同級別特征層的特征進(jìn)行融合學(xué)習(xí)的缺陷，提供一種基于深度多層特征融合學(xué)習(xí)的小麥麥蜘蛛檢測方法來解決上述問題。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

一種基于深度多層特征融合學(xué)習(xí)的小麥麥蜘蛛檢測方法，包括以下步驟：

小麥麥蜘蛛圖像的收集，收集若干幅小麥麥蜘蛛圖像作為訓(xùn)練圖像，得到若干個(gè)麥蜘蛛圖像訓(xùn)練樣本；

通過標(biāo)記軟件對麥蜘蛛在訓(xùn)練圖像中進(jìn)行具體位置的標(biāo)記；

構(gòu)造小麥麥蜘蛛圖像檢測模型，構(gòu)造基于Faster-RCNN方法通過融合不同級別特征層特征的檢測模型；

待檢測小麥圖像的收集；

麥蜘蛛在圖像中具體位置的檢測，將待檢測小麥圖像輸入訓(xùn)練完成后的小麥麥蜘蛛圖像檢測模型進(jìn)行麥蜘蛛的檢測，定位并標(biāo)記出待檢測圖像中所有麥蜘蛛在圖像中具體位置以及麥蜘蛛的類別概率。

所述構(gòu)造小麥麥蜘蛛圖像檢測模型包括以下步驟：

基于Faster-RCNN方法構(gòu)造小麥麥蜘蛛圖像檢測模型；

區(qū)域生成網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)fast-rcnn的輪流訓(xùn)練，對區(qū)域生成網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)fast-rcnn進(jìn)行輪流訓(xùn)練。

所述基于Faster-RCNN方法構(gòu)造小麥麥蜘蛛圖像檢測模型包括以下步驟：

輸入若干個(gè)麥蜘蛛圖像訓(xùn)練樣本，將麥蜘蛛圖像訓(xùn)練樣本的整張訓(xùn)練圖像輸入RPN的共享卷積網(wǎng)絡(luò)進(jìn)行特征提取；

通過RPN區(qū)域生成網(wǎng)絡(luò)生成建議窗口，每張圖片生成300個(gè)建議窗口；

將建議窗口映射到Fast-rcnn網(wǎng)絡(luò)的多層卷積feature map上，找到每個(gè)建議窗口在多層卷積層的映射；

映射的串聯(lián)融合，將不同層級的映射作為其對應(yīng)建議窗口的卷積特征，并分別輸入到Fast-rcnn網(wǎng)絡(luò)的Roi pooling層得到固定的輸出尺寸后,對固定尺寸的卷積特征進(jìn)行串聯(lián)融合，通過Roi pooling層使每個(gè)建議窗口生成固定尺寸的輸出；

將固定尺寸的輸出輸入Fast-rcnn網(wǎng)絡(luò)的全連接層；

兩個(gè)網(wǎng)絡(luò)輸出層的聯(lián)合訓(xùn)練，全連接層后利用Softmax Loss網(wǎng)絡(luò)輸出層和SmoothL1 Loss網(wǎng)絡(luò)輸出層對分類概率和邊框回歸聯(lián)合訓(xùn)練。