[發(fā)明專利]基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010635369.5
• 申請(qǐng)日: 2020-07-03
• 公開(kāi)（公告）號(hào): CN111860623A
• 公開(kāi)（公告）日: 2020-10-30
• 發(fā)明（設(shè)計(jì)）人: 韓巧玲;劉雷;趙燕東;趙玥;席本野;宋美慧;李晨曦
• 申請(qǐng)（專利權(quán)）人: 北京林業(yè)大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 楊云云

1.一種基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法，其特征在于，包括：

采集圖像，其中，所述圖像為航拍的環(huán)境圖像；

將所述圖像輸入預(yù)先訓(xùn)練好的用于識(shí)別樹(shù)木的神經(jīng)網(wǎng)絡(luò)模型中，以通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型識(shí)別所述圖像中的樹(shù)木，

其中，所述神經(jīng)網(wǎng)絡(luò)模型包括一一對(duì)應(yīng)地提取多個(gè)尺度的特征圖像的多個(gè)卷積層、以及一一對(duì)應(yīng)地對(duì)多個(gè)尺度的特征圖進(jìn)行特征融合的多個(gè)反卷積層，以由所述多個(gè)反卷積層獲取到融合后的新特征圖。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法，其特征在于，還包括對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的步驟，具體為：

獲取多個(gè)圖像訓(xùn)練樣本；

對(duì)多個(gè)圖像訓(xùn)練樣本進(jìn)行多尺度的特征圖映射；

對(duì)多尺度的特征圖進(jìn)行先驗(yàn)框匹配和數(shù)據(jù)增強(qiáng)訓(xùn)練，得到訓(xùn)練完成的用于識(shí)別樹(shù)木的所述神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法，其特征在于，所述對(duì)多個(gè)圖像訓(xùn)練樣本進(jìn)行多尺度的特征圖映射，包括：

使用可提取多個(gè)尺度的特征圖的多個(gè)卷積層提取所述多個(gè)尺度的特征圖，并通過(guò)與對(duì)應(yīng)的反卷積層的前后端融合，得到融合后的新特征圖。

4.根據(jù)權(quán)利要求2所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法，其特征在于，所述對(duì)多尺度的特征圖進(jìn)行先驗(yàn)框匹配和數(shù)據(jù)增強(qiáng)訓(xùn)練，得到訓(xùn)練完成的用于識(shí)別樹(shù)木的所述神經(jīng)網(wǎng)絡(luò)模型，包括：

基于多個(gè)尺度的特征圖，設(shè)置尺度或者長(zhǎng)寬比不同的先驗(yàn)框；

通過(guò)水平翻轉(zhuǎn)、裁剪、放大和縮小中的一個(gè)或多個(gè)方式對(duì)多尺度的特征圖進(jìn)行數(shù)據(jù)增強(qiáng)。

5.根據(jù)權(quán)利要求2所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法，其特征在于，所述對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：

對(duì)于多個(gè)圖像訓(xùn)練樣本中每個(gè)真實(shí)目標(biāo)，找到與其交并比IOU最大的先驗(yàn)框；

通過(guò)所述先驗(yàn)框與對(duì)應(yīng)的真實(shí)目標(biāo)進(jìn)行匹配；

對(duì)剩余的未匹配的先驗(yàn)框，如果真實(shí)目標(biāo)的交并比IOU大于預(yù)設(shè)值，則通過(guò)所述先驗(yàn)框與對(duì)應(yīng)的真實(shí)目標(biāo)進(jìn)行匹配；

對(duì)負(fù)樣本進(jìn)行抽樣，抽樣時(shí)按照置信度誤差進(jìn)行降序排列，并選取誤差的較大的top-k作為訓(xùn)練的負(fù)樣本。

6.根據(jù)權(quán)利要求2所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法，其特征在于，所述通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型識(shí)別所述圖像中的樹(shù)木時(shí)，所述多尺度的特征圖的尺度越大，用于檢測(cè)的目標(biāo)越小。

7.根據(jù)權(quán)利要求2所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法，其特征在于，在所述神經(jīng)網(wǎng)絡(luò)模型中，通過(guò)設(shè)置的損失函數(shù)進(jìn)行多個(gè)圖像訓(xùn)練樣本的分類。

8.一種基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的系統(tǒng)，其特征在于，包括：

采集模塊，用于采集圖像，其中，所述圖像為航拍的環(huán)境圖像；

分類模塊，用于將所述圖像輸入預(yù)先訓(xùn)練好的用于識(shí)別樹(shù)木的神經(jīng)網(wǎng)絡(luò)模型中，以通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型識(shí)別所述圖像中的樹(shù)木，其中，所述神經(jīng)網(wǎng)絡(luò)模型包括一一對(duì)應(yīng)地提取多個(gè)尺度的特征圖像的多個(gè)卷積層、以及一一對(duì)應(yīng)地對(duì)多個(gè)尺度的特征圖進(jìn)行特征融合的多個(gè)反卷積層，以由所述多個(gè)反卷積層獲取到融合后的新特征圖。

9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)根據(jù)權(quán)利要求1至7任一所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法。

10.一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)根據(jù)權(quán)利要求1至7任一所述的基于改進(jìn)SSD神經(jīng)網(wǎng)絡(luò)的統(tǒng)計(jì)樹(shù)木數(shù)量的方法。