一种基于深度学习的损伤玉米颗粒检测和分类方法技术

一种基于深度学习的损伤玉米颗粒检测和分类方法，由图像采集、图像处理、构建改进的目标检测网络、生成锚点、寻找困难样本、获取候选框、候选框映射、分类和GIoU回归、训练网络模型测试网络模型步骤组成。在特征提取网络DetNet中引入SE模块和新的网络分支，构成改进的目标检测网络模型，提升了特征图中有用的特征并抑制，增加了特征图中的信息，对不同网络层得到的特征图进行加权融合，使特征图整合更多的全局信息；采用GA‑RPN网络生成锚点，增加了网络模型的训练效率，采用GIoU作为回归损失函数，提升了图像中损伤玉米颗粒检测精度。本发明专利技术对损伤玉米颗粒的检测和分类精度较高，可检测出图像中损伤玉米颗粒。

Detection and classification of damaged corn grains based on deep learning

【技术实现步骤摘要】
一种基于深度学习的损伤玉米颗粒检测和分类方法
本专利技术属于图像目标检测和分类
，具体涉及到损伤玉米颗粒检测和分类。
技术介绍
采用手工的方法对玉米颗粒进行检测和分类费时费力，传统的机器学习方法检测损伤玉米颗粒往往需要手动提取特征，而且对于图像中的大量玉米颗粒，需要对图像中的玉米颗粒进行分割，检测效率不高。随着深度学习在计算机视觉领域的发展和广泛应用，深度学习在传统机器学习和图像领域取得了惊人的成绩，特别是在图像中的目标检测领域，基于深度学习的目标检测网络模型(如FasterR-CNN，SSD，YOLO等)不断的改进，一次又次地提高图像中的目标检测精度。与此同时，使用深度学习的方法解决农业领域问题的研究也日益增多，使用深度学习的方法自动对图像中的目标特征进行提取和识别，极大地提高了检测的效率。武勇等人公开了一种建立粮食不完善粒图像识别样本库的方法及系统，建立了基于深度学习网络模型的不完善颗粒检测系统。武勇等人公开了一种基于深度卷积网络模型的粮食籽粒检测与计数的方法及装置，通过训练网络模型参数对粮食目标进行检测和计数。特征提本文档来自技高网...

【技术保护点】
1.一种基于深度学习的损伤玉米颗粒检测和分类方法，其特征在于由以下步骤组成：/n(1)图像采集/n用彩色数码相机采集玉米颗粒的图像；/n(2)图像处理/n将采集到的图像统一调整到600×800像素，人工标注图像中玉米颗粒，按发霉、虫蛀、正常类别的左上角和右下角位置坐标制成标签，将图像和标签制作成MicrosoftCOCO数据集格式，随机选定数据集的80％作为训练集、20％作为测试集；/n(3)构建改进的目标检测网络/n1)构建目标特征缩放模块和目标特征空洞缩放模块/nDetNet模块与SE模块构成目标特征缩放模块，SE模块包含依次相连的1个全局平均池化层、1个全连接层、1个ReLU层、1个全连...

【技术特征摘要】
1.一种基于深度学习的损伤玉米颗粒检测和分类方法，其特征在于由以下步骤组成：
(1)图像采集
用彩色数码相机采集玉米颗粒的图像；
(2)图像处理
将采集到的图像统一调整到600×800像素，人工标注图像中玉米颗粒，按发霉、虫蛀、正常类别的左上角和右下角位置坐标制成标签，将图像和标签制作成MicrosoftCOCO数据集格式，随机选定数据集的80％作为训练集、20％作为测试集；
(3)构建改进的目标检测网络
1)构建目标特征缩放模块和目标特征空洞缩放模块
DetNet模块与SE模块构成目标特征缩放模块，SE模块包含依次相连的1个全局平均池化层、1个全连接层、1个ReLU层、1个全连接层、1个Sigmoid层，DetNet模块包含依次相连的1层1×1的卷积、1层3×3的卷积、1层1×1的卷积；3×3的卷积中不设置有空洞率的是目标特征缩放模块、设置有空洞率的是目标特征空洞缩放模块，其构建方法如下：
从训练集的图像中提取特征图，输入到DetNet模块提取特征，得到新的特征图，并与输入的特征图进行融合，引入SE模块对输入到DetNet模块的W×H×C特征图的每个通道进行全局平均池化转换为1×1×C特征向量，其中W和H为特征图的宽和高，C为特征图的通道数，用1个全连接层减少特征向量的通道数，经ReLU层、全连接层、Sigmoid函数得到1×1×C的特征权重，将特征权重与DetNet模块提取特征后的特征图相乘，得缩放的特征图，缩放的特征图和输入到DetNet模块前的特征图再次融合，得融合后的特征图，在DetNet模块中不设置有空洞率构建成目标特征缩放模块，设置有空洞率构建成目标特征空洞缩放模块；
2)构建改进的目标检测网络
目标检测网络包括三个阶段和两个分支支路，第一个阶段采用1层7×7×64的卷积层对输入的图像提取特征得到特征图，输出到第二阶段；第二阶段采用1层3×3的最大值池化层用3个目标特征缩放模块提取图像特征得到特征图，输出到第三阶段；第三个阶段采用4个目标特征缩放模块提取图像特征得到特征图，输出到左分支网络和右分支网络；
左分支网络包括3个分支网络，左分支的第一分支网络采用6个目标特征空洞缩放模块提取图像特征得到特征图，输出到左分支的第二分支网络，左分支网络的第二分支网络采用3个目标特征空洞缩放模块取图像特征得到特征图，输出到左分支的第三分支网络，左分支网络的第三分支网络采用3个目标特征空洞缩放模块取图像特征得到特征图；
右分支网络包括3个分支网络，右分支网络的第一分支网络采用6个目标特征缩放模块提取图像特征得到特征图，输出到右分支的第二分支网络，右分支网络的第二分支网络采用3个目标特征缩放模块提取图像特征得到特征图，输出到右分支的第三分支网络，右分支网络的第三分支网络采用3个目标特征缩放模块提取图像特征得到特征图；左边分支网络和右边分支网络的第一、第二、第三分支网络输出6个大小均为原图像1/16的特征图，加权融合，融合的...

【专利技术属性】
技术研发人员：郭敏，付传广，裴炤，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西;61