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：