[發(fā)明專利]一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測方法

在審

• 申請?zhí)枺?/td>: 202310231828.7
• 申請日: 2023-03-06
• 公開（公告）號: CN116563730A
• 公開（公告）日: 2023-08-08
• 發(fā)明（設(shè)計）人: 張致齊;夏文迪;葉志偉;謝廣奇;馮瀟瀟
• 申請（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V20/60;G06V10/774;G06V20/70;G06V10/26;G06V10/82
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 嚴(yán)彥

1.一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測方法，其特征在于，包括以下步驟：

步驟1，構(gòu)建無人機(jī)遙感影像罌粟目標(biāo)檢測數(shù)據(jù)集；

步驟2，選用目標(biāo)檢測網(wǎng)絡(luò)模型，并對其進(jìn)行訓(xùn)練；

步驟3，使用當(dāng)前訓(xùn)練完的模型對測試集數(shù)據(jù)進(jìn)行預(yù)測，并計算測試集的平均準(zhǔn)確率；

步驟4，使用當(dāng)前訓(xùn)練完的模型對驗證集數(shù)據(jù)進(jìn)行預(yù)測，將錯檢和漏檢的影像挑出來放入訓(xùn)練集樣本中，形成新的訓(xùn)練數(shù)據(jù)集；

步驟5，使用步驟4得到的新訓(xùn)練集數(shù)據(jù)對目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

步驟6，利用測試集數(shù)據(jù)評估步驟5訓(xùn)練完的網(wǎng)絡(luò)模型是否達(dá)到最佳泛化狀態(tài)，若達(dá)到最佳泛化狀態(tài)則停止訓(xùn)練，否則執(zhí)行步驟4-5。

2.如權(quán)利要求1所述的一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測方法，其特征在于：步驟1中將采集的罌粟影像裁剪為N₁×N₁大小，并用開源軟件標(biāo)注出圖像中的罌粟，包括幼苗期、花蕾期和花果期的罌粟；訓(xùn)練時，隨機(jī)劃分為訓(xùn)練集、驗證集和測試集，訓(xùn)練集和驗證集用于重學(xué)習(xí)，在每次訓(xùn)練中根據(jù)檢測的結(jié)果重新劃分訓(xùn)練集和驗證集數(shù)據(jù)樣本，測試集用于模型的驗證，在重學(xué)習(xí)的過程中測試集作為評估每次訓(xùn)練模型參數(shù)的樣本，因此測試集是固定的。

3.如權(quán)利要求1所述的一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測方法，其特征在于：步驟2中目標(biāo)檢測網(wǎng)絡(luò)由骨干網(wǎng)絡(luò)Backbone、頸部網(wǎng)絡(luò)Neck、預(yù)測網(wǎng)絡(luò)Prediction三個部分組成，Backbone作為整個網(wǎng)絡(luò)的特征提取模塊，提取輸入圖像的特征信息，Neck是對主干網(wǎng)絡(luò)提取的特征進(jìn)行融合使得網(wǎng)絡(luò)學(xué)習(xí)到的特征更具有多樣性，Prediction是根據(jù)之前提取到的特征，從這些特征中預(yù)測目標(biāo)的位置和類別；每次訓(xùn)練時，一共訓(xùn)練個N₂個周期，訓(xùn)練時每次加載N₃張圖像到目標(biāo)檢測網(wǎng)絡(luò)模型中進(jìn)行批量訓(xùn)練，初始學(xué)習(xí)率k設(shè)置為N₄，重學(xué)習(xí)次數(shù)設(shè)為n，每重新劃分一次數(shù)據(jù)集，初始學(xué)習(xí)率降低到上次的1/5，當(dāng)初始學(xué)習(xí)率為N₅后就保持不變，即：

式中，k為初始學(xué)習(xí)率。

4.如權(quán)利要求1所述的一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測方法，其特征在于：步驟3中平均準(zhǔn)確率mAP的計算方式如下：

式中，P表示精確率，R表示召回率，TP表示正陽性樣本，F(xiàn)P表示負(fù)陽性樣本，F(xiàn)N表示負(fù)陰性樣本，P(r)為精確率和召回率的平滑曲線，i表示第i個類別，C表示總類別數(shù)。

5.如權(quán)利要求1所述的一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測方法，其特征在于：步驟5中得到了新的訓(xùn)練數(shù)據(jù)集后，利用上一次訓(xùn)練的模型權(quán)重作為新一輪模型訓(xùn)練的初始權(quán)重，重新開始訓(xùn)練。

6.如權(quán)利要求1所述的一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測方法，其特征在于：步驟6中使用當(dāng)前訓(xùn)練完的目標(biāo)檢測網(wǎng)絡(luò)模型對測試集數(shù)據(jù)進(jìn)行預(yù)測，并計算測試集數(shù)據(jù)的平均準(zhǔn)確率mAP，若計算得到的mAP與上一次計算的mAP值相等，則表明目標(biāo)檢測網(wǎng)絡(luò)達(dá)到了最佳泛化狀態(tài)。