【技术实现步骤摘要】
基于无人机的红火蚁蚁巢检测定位方法
[0001]本专利技术涉及人工智能与无人机应用
，特别涉及一种基于无人机的红火蚁蚁巢检测定位方法。
技术介绍
[0002]红火蚁是一种极具危险的外来入侵害虫，会造成严重生态系统破坏，并危及人类的生命安全。如若铲除地区内红火蚁，必须从源头上解决蚁巢。红火蚁蚁巢有着比一般蚁巢较大的形状和更深的颜色，防控人员根据这些特征利用直接观察法和光谱仪检测法进行野外红火蚁蚁巢的勘探。这两种方法虽能检测到红火蚁蚁巢，但费时费力，且成本也会增加，降低监测的效率。
[0003]随着深度学习算法和无人机技术的发展成熟，更多的野外作业任务变得智能化。科研人员对传统的算法如Fast R
‑
CNN、You Only Look Once(YOLO)、Single Shot Multi
‑
Box Detector(SSD)改进，提高检测准确率，并将通过算法训练得到的模型移植到无人机，利用无人机的灵活性提高检测任务的工作效率。
[0004]国内外对于算法和无人机的研究...
【技术保护点】
【技术特征摘要】
1.一种基于无人机的红火蚁蚁巢检测定位方法，其特征在于，包括以下步骤：S1，利用无人机进行红火蚁蚁巢图像的收集，构建红火蚁蚁巢数据集；S2，搭建特征提取网络，用以对红火蚁蚁巢图像进行特征提取；所述特征提取网络采用改进后的SSD网络，具体为：修改SSD网络的VGG16主干网络，将其替换为MobileNetV2网络；网络调整后从前至后依次为SSD网络原有的Conv_1卷积层、MobileNetV2网络的Conv_2卷积层到Conv_13卷积层、SSD网络原有的Conv_14卷积层至Conv_16卷积层；在SSD网络的第一层中的Conv_1卷积层后增加CBAM通道注意力机制，同时将Conv_1设为1
×
1的卷积方式进行特征处理；在SSD网络的Conv_1与MobileNetV2网络的Conv_2之间依次加入CBAM注意力机制、深度卷积层、点态卷积层；MobileNetV2网络的Conv_2与Conv_3之间依次加入CBAM注意力机制、点态卷积层、深度卷积层、点态卷积层；Conv_3与Conv_4之间、Conv_4与Conv_5之间均依次加入CBAM注意力机制、深度卷积层和点态卷积层；Conv_5与Conv_6之间、Conv_7与Conv_8之间、Conv_8与Conv_9之间、Conv_9与Conv_10之间、Conv_11与Conv_12之间均依次加入点态卷积层、深度卷积层和点态卷积层，Conv_6与Conv_7之间、Conv_12与Conv_13之间均分别加入深度卷积层和点态卷积层；将SSD网络内的特征提取层Conv_13卷积层至Conv_16卷积层进行尺寸调整；S3，将特征提取网络连接特征强化网络，构建SSD
‑
特征强化网络；所述特征强化网络从前至后结构依次为：3
×
3卷积层、全连接Dense、LeakyReLU激活函数、最大池化层、全连接Dense、最大池化层；将改进后的SSD网络的Conv_14卷积层至Conv_16卷积层连接特征强化网络第一层的3
×
3卷积层，组建SSD
‑
特征强化网络架构；利用红火蚁蚁巢数据集，对SSD
‑
特征强化网络架构采用迁移学习的方法进行训练，得到训练好的红火蚁蚁巢检测模型；S4，将整个红火蚁蚁巢检测模型移植到无人机内部，无人机在预设的飞行高度飞行时获取实时视频流，截取视频流中每帧图像，利用红火蚁蚁巢检测模型对每帧图像进行红火蚁蚁巢检测，输出红火蚁蚁巢位置信息和分布图。2.根据权利要求1所述的基于无人机的红火蚁蚁巢检测定位方法，其特征在于，所述利用无人机进行红火蚁蚁巢图像的收集，构建红火蚁蚁巢数据集，包括：利用无人机在红火蚁分布区域采集图像，控制无人机以预设的飞行高度和飞行速度匀速飞过红火蚁蚁巢存在区域；通过遥控器调节无人机内的摄像头拍摄角度，水平转动方向为0度至360度，竖直旋转方向为0度至180度，选取不同遮挡、不同光照、不同角度的图像，拍摄并存储在无人机内；将图片进行数据增强处理，构建红火蚁蚁巢数据集；将红火蚁蚁巢数据集中的红火蚁蚁巢图像进行人工标注，并按照PASCAL VOC 2007的格式来存放。3.根据权利要求1所述的基于无人机的红火蚁蚁巢检测定位方法，其特征在于，依次设置的点态卷积层、深度卷积层、点态卷积层构成卷积处理单元，卷积处理单元中，第一个是1
×
1的点态卷积层，...
【专利技术属性】
技术研发人员：彭红星，邢政，刘晓瑭，徐汉虹，徐楷杰，王炳锋，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
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。