[發明專利]一種基于圖像的疫木檢測與定位方法及系統

在審

• 申請號: 202110821397.0
• 申請日: 2021-07-20
• 公開（公告）號: CN113379738A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 侯俊嶺;李偉紅;楊利平;張超;王欣然
• 申請（專利權）人: 重慶大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/70;G06N3/04;G06N3/08
• 代理公司: 重慶華科專利事務所 50123
• 代理人: 康海燕

1.一種基于圖像的疫木檢測與定位方法，其特征在于，包括以下步驟：

步驟1：視頻預處理：將云臺觀測塔拍攝的視頻抽取出單幀圖像，進行圖像預處理和標注，制作成數據集供網絡模型訓練、驗證和測試；

步驟2：構建多尺度候選區域融合網絡，在步驟1獲得的數據集上訓練該模型；

步驟3：將待測試圖像輸入到訓練好的多尺度候選區域融合檢測網絡，得到輸出結果，根據疫木三維定位幾何模型，計算出疫木具體的地理三維坐標。

2.根據權利要求1所述基于圖像的疫木檢測與定位方法，其特征在于：所述步驟2具體步驟為：

步驟2-1：對多尺度候選區域融合網絡的輸入圖像進行預處理，然后將圖像縮放固定到224*224像素，最后將224*224像素的圖像和放大一倍圖像、縮小一倍圖像分別作為多尺度候選區域融合網絡的輸入；

步驟2-2：分別將224*224像素的圖像輸入到卷積神經網絡(ResNet32)中，將224*224像素放大一倍的圖像輸入到卷積神經網絡(ResNet18)中，將224*224像素縮小一倍的圖像輸入到卷積神經網絡(ResNet50)中，得到相對應的特征圖；

步驟2-3：從特征圖得到不同的候選區域。以ResNet18的特征圖檢測小目標的候選區域生成網絡RPN，為S-RPN；以ResNet32的特征圖檢測中型目標的RPN，為M-RPN；以ResNet50的特征圖檢測大型目標的RPN，為L-RPN；采用非最大抑制NMS減少冗余的候選區域；

步驟2-4：通過步驟1獲得的數據集在深度學習機上訓練該多尺度候選區域融合網絡，反復調節參數直至網絡收斂，保存訓練好的網絡參數。

3.根據權利要求2所述基于圖像的疫木檢測與定位方法，其特征在于：所述步驟2-1對多尺度候選區域融合網絡的輸入圖像進行預處理，包括圖像翻轉、旋轉、色彩變換、加入高斯噪聲等數據增強處理。

4.根據權利要求2所述基于圖像的疫木檢測與定位方法，其特征在于：所述步驟2-3的采用非最大抑制NMS減少冗余的候選區域，具體如下：

對于每個RPN模型，首先，為每個錨框分配一個正標簽或負標簽。正標簽的遵循兩個原則：(1)與真值區域具有最高IoU(交并比)的Anchor；或者(2)與真值區域的IoU值高于0.7的Anchor。負標簽則是與真值區域的IoU值低于0.3的Anchor。而IoU分數在0.3-0.7范圍內的Anchor則既不屬于正標簽也不屬于負標簽，在RPN模型訓練中無作用；

然后，采用多任務損失函數作為模型訓練的損失函數，其具體定義如下：

其中，i是一個批量的索引，p_i表示第i個錨生成的候選區域是目標區域的預測概率，表示該區域的真值標簽，其中0表示負，1表示正。上述公式中對分類損失函數和回歸損失函數分別采用N_cls、N_reg以平衡權重λ進行歸一化。對于分類損失函數采用log損失函數，對于回歸損失函數采用smoothL1損失函數。在邊界框回歸中，分別對預測框的中心點坐標以及預測框的寬高進行回歸，預測框t_i和真值框分別如下定義。

其中，x、y分別表示預測框中心坐標，w、h分別表示預測框的寬和高；x_a、y_a分別表示錨的中心坐標，w_a、h_a分別表示錨的寬和高；x^*、y^*分別表示真值框的中心坐標，w^*、h^*分別表示真值框的寬和高。