[發明專利]一種基于RetinaNet模型的麥蜘蛛圖像檢測方法

有效

• 申請號: 202210664056.1
• 申請日: 2022-06-14
• 公開（公告）號: CN114743023B
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 龐登浩;王弘;孟浩;陳鵬;梁棟;徐超;王海濤
• 申請（專利權）人: 安徽大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G06T7/00
• 代理公司: 合肥國和專利代理事務所(普通合伙) 34131
• 代理人: 張祥騫

本發明涉及一種基于RetinaNet模型的麥蜘蛛圖像檢測方法，與現有技術相比解決了針對麥蜘蛛圖像檢測效率低、魯棒性差的缺陷。本發明包括以下步驟：麥蜘蛛圖像樣本的獲取和預處理；麥蜘蛛圖像樣本的擴充；麥蜘蛛圖像檢測模型的構建；麥蜘蛛圖像檢測模型的訓練；待檢測圖像的獲取；麥蜘蛛圖像檢測結果的獲得。本發明將多頭自注意力模塊與殘差網絡融合，組成了一個新穎的并行骨干網絡架構，利用高分辨率的特征圖提取小目標的特征，基于交互特征圖之間的上下文信息，通過重新設計更符合小目標的錨框，實現了更高效、更準確的麥蜘蛛蟲害圖像檢測。

技術領域

本發明涉及植保圖像處理技術領域，具體來說是一種基于RetinaNet模型的麥蜘蛛圖像檢測方法。

背景技術

近些年，隨著深度學習的發展，涌現出許多目標檢測領域的研究。例如：早期的二階段檢測(Faster RCNN，Mask RCNN，Cascade RCNN等)和近年來發展迅速的單階段檢測(SSD, RetinaNet，YOLO)等方法。這些方法由于可以直接接收圖片作為輸入，將預測結果作為輸出，成為近年來研究的熱點。

然而，這些目標檢測算法在檢測較大目標時的表現較好，在目標較小時，難以保持優秀穩定的結果。這有兩個主要的缺陷：1、為了追求檢測的效率，減少了對于較小的目標檢測的關注，使得小目標檢測效果很差；2、手動設計的特征提取，并沒有很好的魯棒性，無法適用于麥蜘蛛，檢測的精度較低。

因此，如何研發出一種針對于麥蜘蛛的圖像檢測方法已經成為急需解決的技術問題。

發明內容

本發明的目的是為了解決現有技術中針對麥蜘蛛圖像檢測效率低、魯棒性差的缺陷，提供一種基于RetinaNet模型的麥蜘蛛圖像檢測方法來解決上述問題。

為了實現上述目的，本發明的技術方案如下：

一種基于RetinaNet模型的麥蜘蛛圖像檢測方法，包括以下步驟：

麥蜘蛛圖像樣本的獲取和預處理：采集真實背景下麥田里麥蜘蛛的圖片作為麥蜘蛛圖片樣本，并使用LabelImg對采集圖片進行分類和坐標標注，作為預處理后的麥蜘蛛圖像樣本；

麥蜘蛛圖像樣本的擴充：使用隨機平移、旋轉、色彩轉換和添加噪聲操作對麥蜘蛛圖像樣本進行擴充；并隨機選取圖片，復制麥蜘蛛到圖片中隨機位置，生成新的圖片和標注文件；最后將高分辨率圖片樣本進一步分割，一張圖片分割成若干低分辨率的圖片組成新的麥蜘蛛圖像訓練集；

麥蜘蛛圖像檢測模型的構建：基于RetinaNet模型構建麥蜘蛛圖像檢測模型；

麥蜘蛛圖像檢測模型的訓練：將麥蜘蛛圖像訓練集輸入麥蜘蛛圖像檢測模型進行訓練；

待檢測圖像的獲取：獲取待檢測的麥蜘蛛圖像并進行預處理；

麥蜘蛛圖像檢測結果的獲得：將預處理后的待檢測麥蜘蛛圖像輸入訓練后的麥蜘蛛圖像檢測模型，得到麥蜘蛛圖像檢測結果。

所述麥蜘蛛圖像檢測模型的構建包括以下步驟：

構建麥蜘蛛圖像檢測模型，麥蜘蛛圖像檢測模型包括RetinaNet模型的骨干網絡、特征金字塔以及標簽分配模塊；

對RetinaNet模型的骨干網絡重新進行設計，輸入數據集圖片，輸出不同尺寸的骨干網絡特征圖；

對RetinaNet模型的特征金字塔進行重新設計，接收骨干網絡輸出的骨干網絡特征圖作為輸入，融合上下文信息以及多尺度信息，輸出金字塔特征圖；

構建標簽分配模塊：將特征金字塔輸出的所有金字塔特征圖上的點生成的錨框按縮放比例映射到原圖，計算所有錨框與真實標簽的交并比，動態選取Topk個錨框作為正樣本，每一個真實標簽對應的交并比閾值以及k進行不斷優化。