[發明專利]基于注意力機制和改進特征融合的小目標害蟲檢測方法

在審

• 申請號: 202211522257.4
• 申請日: 2022-11-30
• 公開（公告）號: CN115810123A
• 公開（公告）日: 2023-03-17
• 發明（設計）人: 戴凡杰;萬里
• 申請（專利權）人: 重慶大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/40;G06V10/77;G06V10/80;G06V10/82;G06N3/045;G06N3/08
• 代理公司: 重慶天成卓越專利代理事務所(普通合伙) 50240
• 代理人: 王宏松

本發明提出了一種基于注意力機制和改進特征融合的小目標害蟲檢測方法，包括以下步驟：S1，獲取害蟲圖像數據集并進行預處理，所述預處理包括鏡像翻轉和/或隨機旋轉；S2，將采集的小目標害蟲圖像數據輸入檢測模型進行模型訓練；S3，將待測的小目標害蟲圖像輸入訓練完畢的檢測模型得到檢測結果。本發明基于深度學習的圖像識別技術通過大量的模型參數自主學習，能夠獲得圖像的全局特征和細節特征，對不同環境下的小目標害蟲都有較好的魯棒性和泛化能力。

技術領域

本發明涉及蟲害圖像識別技術領域，特別是涉及一種基于注意力機制和改進特征融合的小目標害蟲檢測方法。

背景技術

目前，基于模式識別的害蟲檢測方法雖然已經比較成熟，但在針對小目標害蟲的檢測方面仍然存在著一些問題：

(1)小目標害蟲圖像主要來源于實驗室環境下的拍攝，因此圖像不具備野生自然環境下的復雜特征，這使得訓練出來的檢測模型不具備泛化能力。

(2)小目標的定義是面積小于32*32的物體，由此導致目標攜帶的信息少，特征表達能力弱，在基于深層卷積神經網絡的機器學習算法上，目標特征在深層次的信息缺失，不能提取到有效的特征，從而導致檢測精度下降。

(3)目前較為流行的網絡模型大多非常復雜，計算量比較大，對計算能力的要求比較高，訓練時間較長。

發明內容

本發明旨在至少解決現有技術中存在的技術問題，特別創新地提出了基于注意力機制和改進特征融合的小目標害蟲檢測方法。

為了實現本發明的上述目的，本發明提供了一種基于注意力機制和改進特征融合的小目標害蟲檢測方法，包括以下步驟：

S1，獲取害蟲圖像數據集并進行預處理，所述預處理包括鏡像翻轉和/或隨機旋轉；

S2，將采集的小目標害蟲圖像數據輸入檢測模型進行模型訓練；

S3，將待測的小目標害蟲圖像輸入訓練完畢的檢測模型得到檢測結果。

進一步地，所述的檢測模型包括：

VGG16網絡，作為主干網絡用于特征提取；

在所述VGG16提取特征之后為注意力機制，使得特征覆蓋到待識別物體的更多部位，能讓網絡學會關注到小目標信息，最終判別物體的幾率也更高。

在所述注意力機制后為特征融合，用于保留網絡中的淺層信息，通過特征融合，將低分辨率但語義強的特征和高分辨率但語義弱的特征結合起來。

將注意力機制和改進的特征融合機制相結合，從空間和通道這兩個維度關注小目標特征信息，并同時融合細節特征和全局特征，提升模型對于小目標害蟲的檢測精度。

進一步地，所述注意力機制采用CBAM，包括通道注意力模塊和空間注意力模塊，包括如下步驟：

將VGG16提取的特征圖T_S輸入通道注意力模塊，通道注意力模塊對特征圖分別進行最大池化和平均池化，然后分別經過全連接層先降低維度再升高維度，最后將處理之后的特征圖相加；

將相加后的特征圖與VGG16提取的特征圖T_S進行相乘，作為空間注意力模塊的輸入X_S，空間注意力模塊首先在通道維度上進行平均池化和最大池化，然后將他們產生的特征圖進行拼接，然后進行卷積操作，再通過sigmoid激活函數，將通過激活函數的特征圖與特征圖X_S進行相乘操作，得到特征圖K_C，將特征圖K_C與VGG16提取的特征圖T_S相加，得到經過注意力機制的特征圖。

CBAM具有輕量化，不復雜，計算量小的特點，此外，相較于傳統的基于神經網絡的注意力機制關注通道維度，CBAM從通道和空間兩個維度考慮，能保留更多有效特征。通道注意力模塊用于聚焦特征圖中有什么有用的信息，空間注意力模塊用于聚焦特征圖中信息的位置。