【技术实现步骤摘要】
一种基于双重自注意力模块的快速花粉颗粒检测算法
本专利技术属于计算机视觉中的花粉检测领域，是一种利用卷积神经网络对图片中花粉颗粒进行检测的方法。
技术介绍
大量致敏植物的花粉飘散于空气中可诱发变应性鼻炎、支气管哮喘、皮炎等一系列变态反应疾病。随着人类社会城市化加剧，植物种植区域的扩展，花粉变应原也随之增加。花粉过敏已经成为季节性流行疾病，具有相当高的发病率。而准确及时的花粉浓度预报可以帮助花粉过敏患者做好准备，极大降低生活中带来的痛苦和不便。目前，一种收集花粉的方式是使用胶带在空气中采集花粉，放到电子显微镜下拍摄成图片。所以，在花粉采集图片中准确快速地识别出花粉颗粒是进行花粉浓度预报的基础。花粉颗粒检测是一个目标检测任务。目前的目标检测算法(例如RCNN系列算法)为了提高检测准确率，通常采用复杂的主干网络和精心设计的人工锚框，所以模型规模很大，检测速度缓慢。而一些快速检测算法(例如LFFD算法)虽然速度较快，但由于局部感受野的限制，只能使用图片中的局部信息进行预测，准确率较低。而在花粉图片中，同一张图片中的花粉颗粒由...
【技术保护点】
1.一种基于双重自注意力模块的快速花粉颗粒检测算法，其特征在于，包括：/n步骤一：对数据进行预处理和数据增强；/n步骤二：将处理好的图像输入卷积神经网络，经过主干网络一系列卷积操作，卷积层生成特征图；/n步骤三：将特征图进行降维，减少特征图通道数，然后与稠密块内后面的卷积层进行拼接，生成融合了浅层特征和深层特征的特征图；将预测分支对应的特征图输入到预测分支中进行处理；/n步骤四：将输入到预测分支的特征图输入到双重自注意力模块进行处理，得到融合了空间和通道上下文信息的特征图；/n步骤五：将该特征图输入预测模块，预测模块包含分类分支和位置回归分支；分类分支预测检测区域是否为花粉...
【技术特征摘要】
1.一种基于双重自注意力模块的快速花粉颗粒检测算法，其特征在于，包括：
步骤一：对数据进行预处理和数据增强；
步骤二：将处理好的图像输入卷积神经网络，经过主干网络一系列卷积操作，卷积层生成特征图；
步骤三：将特征图进行降维，减少特征图通道数，然后与稠密块内后面的卷积层进行拼接，生成融合了浅层特征和深层特征的特征图；将预测分支对应的特征图输入到预测分支中进行处理；
步骤四：将输入到预测分支的特征图输入到双重自注意力模块进行处理，得到融合了空间和通道上下文信息的特征图；
步骤五：将该特征图输入预测模块，预测模块包含分类分支和位置回归分支；分类分支预测检测区域是否为花粉，如果是花粉，位置回归分支预测花粉颗粒精准位置；
所述步骤二中，主干网络由15个卷积层串联而成；其中第1层和第2层是长×宽×通道数的尺寸为3×3×64，步长为2的卷积核，第3层到第10层是尺寸为3×3×64，步长为1的卷积核；第11层是尺寸为3×3×128，步长为2的卷积核，第12层到第15层是尺寸为3×3×128，步长为1的卷积核；网络共包含2个稠密块，第2层到第10层为稠密块1，第11层到第15层为稠密块2；稠密块内的卷积层通过稠密连接的方式进行连接，并且每个稠密块有2个预测分支；网络共4个预测分支，分别连接网络的第8、10、13、15层；四个卷积层生成的特征图感受野尺寸分别为55，71，111，143，负责检测的花粉大小区间设置为[10,15]，[15,20]，[20,40]，[40,70]。
2.根据权利要求1所述的一种基于双重自注意力模块的快速花粉颗粒检测算法，其特征在于，所述步骤三中，特征图进行稠密连接之前需要进行降维，即使用1×1的卷积核进行处理；经处理的特征图通道数一般为原特征图的四分之一；如公式1所示：
fafter＝Wzipfbefore公式1
其中fbefore表示降维前的特征图，fafter表示降维后的特征图，Wzip表示降维使用的1×1卷积核。
3.根据权利要求1所述的一种基于双重自注意力模块的快速花粉颗粒检测算法，其特征在于，所述步骤四中，预测分支由双重自注意力模块和预测模块构成；进入预测分支的原始特征图先经过空间自注意力模块和通道自注意力模块并行处理，然后融合为带有空间上下文信息和通道依赖关系的特征图，在输入到预测模块进行处理。
4.根据权利要求3所述的一种基于双重自注意力模块的快速花粉颗粒检测算法，其特征在于，空间自注意力模块处理特征图，捕捉特征图像素点之间的相关关系，生成聚合空间上下文...
【专利技术属性】
技术研发人员：王全增，李娟，李建强，杨滨，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。