一种基于改进SSD学习模型的无人机树木种类识别方法技术

本发明专利技术公开了一种基于改进SSD学习模型的无人机树木种类识别方法。首先，采用K

【技术实现步骤摘要】
一种基于改进SSD学习模型的无人机树木种类识别方法


[0001]本专利技术属于人工智能目标识别领域，涉及无人机航拍场景下对树木种类判定，具体涉及一种基于改进SSD学习模型的无人机树木种类识别方法。

技术介绍

[0002]树种分类在智慧园林领域有着重要价值，在树木资源管理和监测和碳储存估算等方面发挥重要作用。无人机遥感属于低空遥感技术，与各种高分辨率卫星相比，无人机在获取影像过程中受大气因素的干扰较小，在小区域遥感应用方面有着良好的前景。利用无人机获取超高空间分辨率的影像为提取树种空间信息提供了新的手段，而准确快速提取树种分类信息的技术则是无人机影像在智慧园林领域发挥作用的关键。
[0003]现有的用于提高无人机影像树种分类精度的方法多是通过传统机器学习及添加手工特征变量的方式，不同的特征变量会导致获得的分类效果不同，手工添加特征变量往往依靠经验，具有一定的盲目性。深度学习是人工智能的重要进展之一，颠覆了传统算法的设计思路，能够自动从数据中学习特征，避免了传统算法中人工设计、提取特征的复杂性和局限性，在没有人为干预的情况下，具有极大的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进SSD学习模型的无人机树木种类识别方法，其特征在于：所述方法包括以下步骤：(1)获取无人机拍摄的树木数据集，构建聚类样本即默认候选框尺度样本集、默认候选框宽高比样本集，使用K
‑
means++方法进行聚类，分别得到默认候选框的尺度和宽高比信息，用于代替基准SSD学习模型中生成的默认候选框；(2)构建卷积神经网络，即改进基准SSD学习模型，针对虚焦、过曝和混叠效应三种图片噪声，自适应产生滤波层，模型最后添加一个全局特征融合网络；改进的基准SSD学习模型包括卷积层、滤波层、激活函数层、池化层、BN层、融合层、Softmax层和全局特征融合网络；(3)改进网络的Softmax损失函数，针对基准SSD学习模型所使用的Softmax损失函数，引入中心损失函数进行修正；(4)使用改进后的SSD学习模型在树木数据集上进行训练提取不同种类的树木所具有的特征表示，使用训练好的模型识别树木种类。2.根据权利要求1所述的识别方法，其特征在于：在步骤(1)中，使用K
‑
means++方法聚类生成默认候选框的过程如下：首先确定聚类样本，其中默认候选框尺度样本集为s＝{s1,
…
,s
k
,
…
,s
t
}，共t个样本，即无人机拍摄的树木数据集中所标注的t个树木目标尺度，为样本集中第k个样本，w
k
、h
k
分别为无人机拍摄的树木数据集中所标注的第k个树木目标边界框的宽高信息，w
o
、h
o
则分别为原始图像的宽高信息；默认候选框宽高比样本集r＝{r1,
…
,r
k
,
…
,r
t
}，共t个样本，即数据集中标注的t个树木目标的宽高比例信息，其中r
k
＝w
k
h
k
/w
o
h
o
；其次，运用K
‑
means++聚类算法对默认候选框尺度和宽高比两个样本集进行聚类，包括初始化K个聚类中心以及进行标准K
‑
means聚类迭代两个步骤，在两个步骤中所采用距离公式均为：式中μ
sj
和μ
rj
分别是针对尺度样本集s和宽高比样本集r聚类过程中的第j个聚类中心；最后运行基准K
‑
means聚类算法，默认候选框尺度聚类K值设为6，对应改进SSD学习模型中6个用于检测回归的特征图；宽高比聚类设为6，与基准SSD学习模型相同，6个用于分类回归的特征图层依据其尺寸选择相应默认候选框尺度，每个尺度对应聚类得到的6个宽高比，用于取代原始SSD学习模型中的默认候选框。3.根据权利要求1所述的识别方法，其特征在于：在步骤(2)中，自适应产生滤波层过程如下：F为输入特征图的通道，共c个通道，将输入的特征图依次分为g个连续通道组，记通道组为F
g
，每个通道组的特征共享相同的滤波器参数，每个通道特征学习到的滤波器为其维度为h
×
w
×
1，h代表滤波器高度，w代表滤波器宽度，1代表滤波器的通道数，最后组合成一个h
×
w
×
g的滤波层，为每个学习到的滤波层添加一个通过模型学习得到的自适应权重系数λ
n
，n代表第n种滤波层，n∈[1,3]；在融合前，引入Softmax层对三个滤波层的权重参数λ
n
进行处理得到λ'
n
，公式如下：
训练过程中，λ'反向传播更新流程为，求出损失函数关于滤波层中每个位置的参数W
i，j，l
的导数，对求导结果求和再求平均，采用梯度下降法进行更新，公式如下：其中，k代表更新进行到的次数，α代表学习率，L代表损失函数；融合时，采用对应元素相加的方法，使3个滤波层融合成针对三种噪声的自适应滤波层W
′
g
，融合公式如下：然后对第l组中通道特征图F，利用对应的第l组滤波器进行滤波操作，公式如下：F
′
i,j,l
＝W
′
i,j,l
*F
i,j,l
其中，F
′
i,j,l
为与输入特征图F在(i,j)位置处的输出特征。4.根据权利要求1或3所述的识别方法，其特征在于：在步骤(2)中，全局特征融合网络如下：全局特征融合网络由三部分组成，包括一条自上而下的特征补充增强路径、一条自下而上的不同维度特征生成路径、引入注意力机制的特征融合模块；在自上而下的特征补充增强路径中，将经过Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层输出的结果，记作C
...

【专利技术属性】
技术研发人员：张晖，石亦巍，赵海涛，孙雁飞，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：