一种森林病虫害实时检测方法、系统及模型建立方法技术方案

本发明专利技术提供了一种森林病虫害实时检测方法、系统及模型建立方法，所述方法包括：接收图像数据，并进行数据预处理，获得预处理图像；将所述预处理图像输入检测模型，获得检测结果，并输出。该模型采用SENet结合Mobilenetv2深度学习网络的方式，并通过量化分析和汇编级的优化，提高检测的精度和实时性。本发明专利技术提供的技术方案计算效率高，资源消耗低，可以有效应用于多种类型的便携式终端，且有效缩小了模型的大小，并且可以保证无人机载设备可以将检测后数据实时传输到终端或各类地面工作站。数据实时传输到终端或各类地面工作站。数据实时传输到终端或各类地面工作站。

【技术实现步骤摘要】
一种森林病虫害实时检测方法、系统及模型建立方法


[0001]本专利技术涉及结合无人机的实时图像检测领域，特别是涉及一种基于无人机的森林病虫害图像实时检测方法及系统。

技术介绍

[0002]森林病虫害是森林健康和林业生产的大敌。早期林业病虫害的监测手段主要由人工实地调查为主，这些监测手段都存在时间滞后性，且主观性较强，甚至在地势较险并且行动受限的地区，工作人员无法及时发现病虫害灾情。
[0003]近年来，随着无人机技术日益成熟，性能不断地完善提高，无人机遥感由于成本低、精度高、操作简单、机动灵活等独特优势，广泛应用于危险区监测、灾情评估、救援指挥、生态环境监测、景区资源管理等方面，目前，人们也开始探索无人机遥感图像监测森林病虫害方面的应用。
[0004]2012年，A.Krizhevsky等首次将卷积神经网络应用于ImageNet大规模视觉识别挑战赛(ImageNet large scale visual recognition challenge，ILSVR C)中，所训练的深度卷积神经网络在ILSVRC-2012挑战赛中，取得了图像分类和目标定位任务的第一，并且错误率远远低于当时的第二名，从此，深度学习迅速被越来越多的学者应用到自己的研究领域中，并在在大数据、计算机视觉、图像、文字、语音等领域取得了巨大的进步。
[0005]无人机和基于深度学习的计算机视觉技术相结合，把图像分析技术应用于森林病虫害图像进行处理，是一种成本低且效率高的监测分析手段。无人机病虫害监测，关键在于如何从已采集到的图像信息中准确识别出受虫害侵染的区域，即对无人机图像进行目标检测，检测出图像中的目标区域，确认病虫害的严重等级。
[0006]但是，在现有的对森林病虫害防护的要求不断提高的背景下，如何提高无人机图像目标检测的准确率，尤其是针对微小目标的准确率，并且提高在有限的设备资源要求下的运算速度，以适应更小、更便携的终端设备，成为目前该领域中的一项迫切需求。

技术实现思路

[0007]针对现有技术的不足和目前的市场需求，本专利技术提出一种无人机森林病虫害实时检测方法、系统及模型建立方法，能够支持小型设备平台移植使用。具体而言，本专利技术提供了以下的技术方案：
[0008]一方面，本专利技术提供了一种森林病虫害实时检测模型的建立方法，该方法包括：
[0009]S1、接收图像数据，并进行数据预处理，获得预处理图像，并形成测试集、训练集和验证集；
[0010]S2、建立深度学习网络，所述深度学习网络依次包括扩张卷积层、SE模块、Depthwise卷积层、压缩卷积层；所述SE模块接在所述扩张卷积层之后，SE模块的输出作为系数，与所述扩张卷积层的输出的相应的通道，做线性缩放，再输入至Depthwise卷积层；
[0011]S3、对所述深度学习网络进行训练，获得森林病虫害实时检测模型。
[0012]优选地，在所述S2中，对所述深度学习网络的权重文件进行量化，量化方式为：以通道为单位，以相对熵作为目标函数，分别计算权重文件中，每一个通道的最优缩放比例因子。
[0013]优选地，在所述S2中，对所述深度学习网络的数据层进行量化，量化方式为：以每一个特征层为单位，以相对熵为目标函数，将训练集数据输入至深度学习网络中，得到每一层blob值，再次以相对熵作为目标函数，计算所述深度学习网络中每一个数据层blob的最优缩放比例因子。
[0014]优选地，所述量化方式，具体为通过缩放比例因子，将所述深度学习网络中的权重文件和数据层blob的值从float类型转换成int8类型。
[0015]优选地，进行量化后，所述深度学习网络的数据层和权重层的原始计算过程通过以下计算代替：
[0016]Int8X
’
＝X*scale1
[0017]Int8Y
’
＝Y*scale2
[0018]Int16Z
’
＝X
’
*Y
’
[0019]Z≈Z
’
/(scale1*scale2)
[0020]其中，scale1、scale2为缩放比例因子，X、Y为float类型数据集。
[0021]优选地，所述缩放比例因子的确定方式为：
[0022]采用相对熵确定缩放比例因子，相对熵的表达式如下：
[0023][0024]其中p(x)是目标分布，在这里是量化到int8之后的权重文件和数据层blob的值，q(x)是去匹配的分布，这这里是原始的权重文件和数据层blob的值，理论上如果两个分布完全匹配，那么D
KL
(p‖q)＝0，实际中，我们是尽量去优化p(x)的分布，使D
KL
(p‖q)能够趋于0，使得缩放之前和之后，两个数据的相对熵尽可能小。
[0025]优选地，所述深度学习网络的文件中，仅保留int8型权重数值。
[0026]优选地，所述S3中，对所述深度学习网络进行训练时，在初始化模型权重时，采用在VOC数据上面训练的mobilenet v2分类模型来初始化我们森林病虫害检测网络的模型，以增加收敛速度，提高收敛效果。
[0027]此外，本专利技术还提供了一种森林病虫害实时检测方法，该方法包括：
[0028]S1、接收图像数据，并进行数据预处理，获得预处理图像；
[0029]S2、将所述预处理图像输入检测模型，获得检测结果，并输出；
[0030]所述检测模型通过如上的森林病虫害实时检测模型建立方法建立。
[0031]又一方面，本专利技术还提供了一种森林病虫害实时检测系统，该系统包括：
[0032]所述装置包括存储器，以及处理器，所述处理器可以访问所述存储器，调用所述存储器中的指令，并执行所述指令，以执行如上所述的无人机森林病虫害实时检测方法。
[0033]与现有技术相比，本专利技术具有以下突出优点：
[0034](1)相对传统的森林病虫害实地调查方法，无人机图片和深度学习方法相结合，用于森林病虫害的检测，操作起来更加简便、成本更低、效率也更高。
[0035](2)通过对标准的MobilenetV2进行改进，在提高模型检测精度的同时、通过量化分析，提高了模型的精度，减少了模型的大小。
[0036](3)模型能够成功实时运行在手机等移动设备上面，为以后直接在无人机上面安装该模型，然后把分析结果实时传输到地面工作站等操作成为可能，从而可以高效的为后续研究者和政策决策者提供有效、及时的分析数据。
附图说明
[0037]图1a为本专利技术实施例的resnet网络模块示意图；
[0038]图1b为本专利技术实施例的MobilenetV2网络模块示意图；
[0039]图2为本专利技术实施例的SE网络模块示意图；
[0040]图3a为本专利技术实施例的在不带shortcut的Mobilenet V2模块中嵌入SE模块后结构示意图；
[0041]图3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种森林病虫害实时检测模型的建立方法，其特征在于，所述方法包括：S1、接收图像数据，并进行数据预处理，获得预处理图像，并形成测试集、训练集和验证集；S2、建立深度学习网络，所述深度学习网络依次包括扩张卷积层、SE模块、Depthwise卷积层、压缩卷积层；所述SE模块接在所述扩张卷积层之后，SE模块的输出作为系数，与所述扩张卷积层的输出的相应的通道，做线性缩放，再输入至Depthwise卷积层；S3、对所述深度学习网络进行训练，获得森林病虫害实时检测模型。2.根据权利要求1所述的方法，其特征在于，在所述S2中，对所述深度学习网络的权重文件进行量化，量化方式为：以通道为单位，以相对熵作为目标函数，分别计算权重文件中，每一个通道的最优缩放比例因子。3.根据权利要求1所述的方法，其特征在于，在所述S2中，对所述深度学习网络的数据层进行量化，量化方式为：以每一个特征层为单位，以相对熵为目标函数，将训练集数据输入至深度学习网络中，得到每一层blob值，再次以相对熵作为目标函数，计算所述深度学习网络中每一个数据层blob的最优缩放比例因子。4.根据权利要求2或3所述的方法，其特征在于，所述量化方式，具体为通过缩放比例因子，将所述深度学习网络中的权重文件和数据层blob的值从float类型转换成int8类型。5.根据权利要求4所述的方法，其特征在于，进行量化后，所述深度学习网络的数据层和权重层的原始计算过程通过以下计算代替：Int8 X
’
＝X*scale1Int8 Y
’
＝Y*scale2Int16 Z
’
＝X
’

【专利技术属性】
技术研发人员：刘文萍，梁大双，宗世祥，骆有庆，
申请(专利权)人：北京林业大学，
类型：发明
国别省市：