结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法技术

本发明专利技术涉及一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，包括：建立训练样本集；构造玉米虫害区域检测模型：构造基础虫害区域检测模型，采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型中的特征聚合网络，得到玉米虫害区域检测模型；训练玉米虫害区域检测模型；虫害区域检测：将待检测样本输入玉米虫害区域检测模型，生成待检测样本中虫害区域的定位信息，并对虫害区域的个数进行计数。本发明专利技术通过上下文感知模块，为小目标虫害区域引入多尺度上下文特征强化目标特征的表示能力，增强网络对于此类有关特征提取的能力，解决了现有技术由于虫害区域尺度较小而不能精准识别的问题。域尺度较小而不能精准识别的问题。域尺度较小而不能精准识别的问题。

【技术实现步骤摘要】
结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法


[0001]本专利技术涉及虫害区域检测
，尤其是一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法。

技术介绍

[0002]玉米是全世界种植最多的作物之一，也是世界上重要的粮食来源。据估计，到2020年，全球约有三分之一的农场种植玉米。确保其产量对世界粮食安全具有重要意义。玉米产量受各种因素影响，其中害虫的影响相当突出。通常害虫会在玉米生长过程中，首先会吃掉中叶，然后损害叶片。被啃食后，作物严重减产，遇风容易折断茎杆。虫害区域的检测，并评估其发展趋势是虫害防治的重要前提，为制定科学防治策略提高了理论依据。因此，玉米虫害区域检测对玉米产量有至关重要的作用。
[0003]现在主流的玉米虫害区域检测方法主要有下面两种：人工调查、计算机视觉与图像处理技术，这些方法有以下局限性：前者效率低、主观性强、容易出错；后者虽然在一些农业任务上取得了不错效果，但是对于玉米虫害区域检测效果不佳，原因在于：虫害区域尺寸所占图片的比例很小，并且由于自然田间中环境变化复杂，造成采集数据中的复杂背景，这些因素导致传统机器学习方法在此类任务中检测效果不好。
[0004]因此，解决能在复杂环境下准确检测小目标玉米虫害区域的技术任务成了当务之急。

技术实现思路

[0005]本专利技术的目的在于提供一种能够提高虫害区域检测性能，降低漏检率，适用于玉米不同生长周期的虫害区域检测，拥有较好的鲁棒性与泛化能力的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法。
[0006]为实现上述目的，本专利技术采用了以下技术方案：一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，该方法包括下列顺序的步骤：
[0007](1)建立训练样本集：采集真实田间玉米图像并进行预处理，对图像中有效区域进行标注，建立训练样本集；
[0008](2)构造玉米虫害区域检测模型：构造基础虫害区域检测模型YOLOv4，采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4中的特征聚合网络，得到玉米虫害区域检测模型；
[0009](3)训练玉米虫害区域检测模型：将训练样本集中的训练样本输入玉米虫害区域检测模型，玉米虫害区域检测模型输出不同尺度的特征图，通过玉米虫害区域检测模型的头部模块对不同尺度的特征图进行解码，输出预测的虫害区域坐标与分类结果,并计算损失，更新参数；
[0010](4)虫害区域检测：将待检测样本输入玉米虫害区域检测模型，生成待检测样本中
虫害区域的定位信息，并对虫害区域的个数进行计数。
[0011]所述步骤(2)具体包括以下步骤：
[0012](2a)构造基础虫害区域检测模型YOLOv4：构造主干网络、特征聚合网络、头部模块，组成基础虫害区域检测模型YOLOv4；
[0013](2b)构造多尺度混合注意力模块：结合位置注意力模块与多尺度通道注意模块构造多尺度混合注意力模块；
[0014](2c)构造上下文感知模块；
[0015](2d)采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4的特征聚合网络，得到玉米虫害区域检测模型。
[0016]所述步骤(3)具体包括以下步骤：
[0017](3a)将训练样本输入玉米虫害区域检测模型，经过主干网络中卷积操作输出不同尺度的特征图；
[0018](3b)将由主干网络输出的不同尺度的特征图输入改进的特征聚合网络，由多尺度混合注意力模块对有效特征进行提取，并通过上下文感知模块增强目标特征表示，得到包含目标定位信息与分类信息的输出特征图；
[0019](3c)将步骤(3b)得到的输出特征图经过解码后输出预测结果，即虫害区域坐标与分类结果，并计算损失；
[0020](3d)反向传播，更新玉米虫害区域检测模型中的相关参数。
[0021]所述步骤(2b)具体包括以下步骤：
[0022](2b1)构造位置注意力模块，计算特征图中任意两个位置的空间依赖关系，给定一个中间特征图X∈R
C
×
H
×
W
作为输入，其中特征图大小为H
×
W，通道维数为C，具体计算公式如下：
[0023][0024]由此推导如下：
[0025]Q(X)＝σ(I(X)
T
M(X))N(X)
[0026]＝σ((W
I
X)
T
W
M
X)N(X)
[0027]＝σ(X
T
W
IT
W
M
X)N(X)
[0028]其中，(i，j)表示要计算当前位置与其他位置的依赖关系的坐标，q为输出信号，Q为位置注意力机制，(k，j)是特征图中任意一点的坐标，σ代表softmax函数，I(x
i，j
)＝W
I
x
i，j
，M(x
k，l
)＝W
M
x
k，l
，N(x
k，l
)＝W
N
xk
，l
，I(x
i，j
)，M(x
k，l
)，N(x
k，l
)分别为相应卷积层的输出；W
I
，W
M
，W
N
均为相应卷积层的参数；
[0029](2b2)构造多尺度通道注意力模块，通过全局平均池化操作与1x1卷积操作在全局与局部尺度沿通道维度提取特征，具体计算公式如下：
[0030]全局尺度：
[0031]G(X
′
)＝BN(C2((LR(BN(C1(g(X
′
)))))))
[0032]局部尺度：
[0033]L(X
′
)＝BN(C2(LR(BN(C1(X
′
)))))
[0034]多尺度通道注意力：
[0035][0036]其中，X
′
为位置注意力模块的输出，CA为多尺度通道注意力，G(X
′
)∈R
C
×1×1为全局尺度，L(X
′
)∈R
C
×
H
×
W
为局部尺度，C1与C2分别表示卷积核参数为和的卷积操作，BN表示Batch Normalization操作，LR表示Leaky Relu激活函数操作，g表示全局平均池化操作，为广播机制的元素加法运算；
[0037](2b3)结合位置注意力模块与多尺度通道注意力模块，构造多尺度混合注意力模块，具体计算公式如下：
[0038][0039][0040]其中，X
″
为输出优化的特征图；为元素乘法运算。
[0041]所述步骤(2c)具体包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：该方法包括下列顺序的步骤：(1)建立训练样本集：采集真实田间玉米图像并进行预处理，对图像中有效区域进行标注，建立训练样本集；(2)构造玉米虫害区域检测模型：构造基础虫害区域检测模型YOLOv4，采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4中的特征聚合网络，得到玉米虫害区域检测模型；(3)训练玉米虫害区域检测模型：将训练样本集中的训练样本输入玉米虫害区域检测模型，玉米虫害区域检测模型输出不同尺度的特征图，通过玉米虫害区域检测模型的头部模块对不同尺度的特征图进行解码，输出预测的虫害区域坐标与分类结果,并计算损失，更新参数；(4)虫害区域检测：将待检测样本输入玉米虫害区域检测模型，生成待检测样本中虫害区域的定位信息，并对虫害区域的个数进行计数。2.根据权利要求1所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(2)具体包括以下步骤：(2a)构造基础虫害区域检测模型YOLOv4：构造主干网络、特征聚合网络、头部模块，组成基础虫害区域检测模型YOLOv4；(2b)构造多尺度混合注意力模块：结合位置注意力模块与多尺度通道注意模块构造多尺度混合注意力模块；(2c)构造上下文感知模块；(2d)采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4的特征聚合网络，得到玉米虫害区域检测模型。3.根据权利要求1所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(3)具体包括以下步骤：(3a)将训练样本输入玉米虫害区域检测模型，经过主干网络中卷积操作输出不同尺度的特征图；(3b)将由主干网络输出的不同尺度的特征图输入改进的特征聚合网络，由多尺度混合注意力模块对有效特征进行提取，并通过上下文感知模块增强目标特征表示，得到包含目标定位信息与分类信息的输出特征图；(3c)将步骤(3b)得到的输出特征图经过解码后输出预测结果，即虫害区域坐标与分类结果，并计算损失；(3d)反向传播，更新玉米虫害区域检测模型中的相关参数。4.根据权利要求2所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(2b)具体包括以下步骤：(2b1)构造位置注意力模块，计算特征图中任意两个位置的空间依赖关系，给定一个中间特征图X∈R
C
×
H
×
W
作为输入，其中特征图大小为H
×
W，通道维数为C，具体计算公式如下：q
i,j
＝σ(I(x
i,j
)
T
M(x
k,l
))N(x
k,l
)由此推导如下：
其中，(i,j)表示要计算当前位置与其他位置的依赖关系的坐标，q为输出信号,Q为位置注意力机制，(k,j)是特征图中任意一点的坐标,σ代表softmax函数，I(x
i,j
)＝W
I
x
i,j
,M(x
k,l
)＝W
M
x
k,l
，N(x
k,l
)＝W
N
x
k,l
，I(x
i,j
),M(x
...

【专利技术属性】
技术研发人员：黄河，张玮，孙友强，张俊卿，盛佳佳，裴昊天，谢成军，张洁，李瑞，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：