一种小样本棉花害虫目标检测方法技术

本发明专利技术涉及一种小样本棉花害虫目标检测方法，通过对图像进行随机混合增强处理来有效增强目标其他部位特征的检测能力，提高棉花害虫的检测准确率，并通过骨干网络获得特征信息后，采用不同空洞数的空洞卷积操作获得多尺度特征图，扩大卷积运算的感受野，然后通过施加注意力机制增强局部特征的提取能力，从而能够提取图像中更多棉花害虫的特征信息，增强检测模型的泛化能力，提高小样本目标检测准确性。提高小样本目标检测准确性。提高小样本目标检测准确性。

【技术实现步骤摘要】
一种小样本棉花害虫目标检测方法


[0001]本专利技术涉及计算机视觉
，具体而言，涉及一种小样本棉花害虫目标检测方法。

技术介绍

[0002]棉花是世界上最主要的农作物之一，产量多、生产成本低，但其生长过程受到害虫的侵害，产量和品质都出现不同程度的降低。因此，对害虫进行准确的检测和诊断就显得尤为必要。棉花田中的害虫多种多样，为了能够对棉花的主要害虫进行有针对地治理，需要对当地环境当前时期的害虫进行准确的分类。棉花害虫传统的检测方法费时费力，主观性强，实时性差，不能满足智能化棉花害虫检测的需求。
[0003]近年来深度学习、计算机视觉、大数据、人工智能、强化学习等领域迅猛发展，在人脸识别、机器翻译、车辆检测、工业大脑、智慧城市、人机博弈等许多场景都取得了令人称赞的成绩。这些激动人心的研究成果也为农业领域的现代化和信息化提供了智慧农业的发展新思路。与此同时，学术界与产业界已经有许多学者和专家在不断挖掘人工智能与现代农业相结合的方向。
[0004]随着社会稳步前进，农业在不断发展，棉花作为我国主要的经济作物之一，其安全生产关系着棉花种植区的农业增效和农民增收以及全国纺织工业和纺织品出口贸易的健康发展，在我国国民经济体系中占有重要战略地位。而由于棉花害虫的影响，使得每年有将近棉花减产20％～30％。虫害侵蚀存在于棉花生长的多个生长周期，作物的品质和产量都受到威胁，为了尽可能减少虫害带来的经济损失，需要对棉花害虫进行及时、准确的预警以及识别工作，而受限于没有丰富的害虫图谱，而且采集害虫标本困难，导致农民缺乏经验无法准确的对害虫种类进行识别。

技术实现思路

[0005]本专利技术解决的问题是如何利用少数样本准确检测出害虫。
[0006]为解决上述问题，本专利技术提供一种小样本棉花害虫目标检测方法，包括：
[0007]步骤1、采集包含各类棉花害虫的图像，并将图像分成基类数据集和新类数据集；所述基类数据集包括基类训练集和基类测试集；并从取部分基类数据集和新类数据集组成小样本数据集，所述小样本数据集包括小样本训练集和小样本测试集；
[0008]步骤2、构建检测模型，所述检测模型包括骨干网络模型和Faster RCNN结构模型，所述Faster RCNN结构模型包括区域建议网络、感兴趣区域池化层、全连接层、分类器和回归器，先采用COCO数据集及对骨干网络模型进行预训练；
[0009]步骤3、对步骤1采集的图像进行预处理，并对预处理的图像进行随机混合增强处理；
[0010]步骤4、将经过步骤3处理的基类训练集输入预训练后的骨干网络模型中，获得图像的特征信息；
[0011]步骤5、将特征信息进行多尺度空洞卷积操作，通过采用不同空洞书的空洞卷积得到不同的感受野，再将不同感受野与特征信息融合得到特征图S；
[0012]步骤6、将特征图S进行降维得到特征映射T，并施加交叉注意力机制，得到包含密集上下文信息的新特征图T'；
[0013]步骤7、将新特征图T
’
输入到Faster RCNN结构模型中用于分类和损失函数计算；
[0014]步骤8、将基类测试集输入到检测模型中进行测试；
[0015]步骤9、固定骨干网络模型、分类器和回归器的参数，利用小样本训练集对检测模型的参数进行调整，直至检测模型收敛，收敛后的检测模型为小样本检测模型；
[0016]步骤10、将小样本测试集输入小样本检测模型中进行测试验证，并初始化小样本检测模型的内部参数；
[0017]步骤11、对小样板检测模型进行测试。
[0018]本专利技术的有益效果是：通过对图像进行随机混合增强处理来有效增强目标其他部位特征的检测能力，提高棉花害虫的检测准确率，并通过骨干网络获得特征信息后，采用不同空洞数的空洞卷积操作获得多尺度特征图，扩大卷积运算的感受野，然后通过施加注意力机制增强局部特征的提取能力，从而能够提取图像中更多棉花害虫的特征信息，增强检测模型的泛化能力，提高小样本目标检测准确性。
[0019]作为优选，所述步骤2中采用COCO数据集对骨干网络进行预训练具体包括：
[0020]步骤201、所述骨干网络为ResNet50，在所述骨干网络之后接入softmax和全连接层；
[0021]步骤202、从外网上截取大量棉花害虫图像组成COCO数据集，并从COCO数据集中选取多个类别图像作为骨干网络的预训练集，按批次输入骨干网络进行训练，同时更新骨干网络的参数权重；训练完成后，包括骨干网络的模型参数，去除softmax和全连接层。
[0022]作为优选，所述步骤3具体包括：
[0023]步骤301、通过采用显著性检测将图像生成一个显著性图谱，并在显著性图谱中找到反映图像物体轮廓的低频性区域，显著性图谱表示为：
[0024]S
vp
＝||I
μ
‑
I
whc
(p)||
[0025]式中，I
μ
表示图像的平均颜色特征，I
whc
(p)表示像素P在高斯平滑后的颜色特征，||
·
||表示L2的范式；
[0026]步骤302、在低频性区域内的就是目标关键部位，随机选择低频区域内的部分区域并裁剪去除内的全部像素信息，x
i
,y
i
表示裁剪中心点对应的横纵坐标，由x
i
,y
i
＝random(S
vp
)获取；
[0027]步骤303、随机将另一类别中的图像对应原图像相同位置裁剪相同尺寸的区域填充到中，以进行增强处理。
[0028]作为优选，所述步骤5具体包括：
[0029]步骤501、将特征信息分别通过空洞数为2、3、4、5、6进行空洞卷积操作，然后进行全局池化操作提取多尺度特征，得到不同尺度范围的特征，进行空洞卷积操作后的等效卷积核为：k'＝k+(k
‑
1)
×
(d
‑
1)，其中，k为空洞卷积核尺寸，d为空洞数；进行空洞卷积后的特征尺寸为：征尺寸为：式中，p为填充值，i为输入的特征尺寸；
[0030]步骤502、将骨干网络的特征信息与多尺度特征拼接融合形成特征图，补充信息。
[0031]作为优选，所述步骤6具体包括：
[0032]步骤601、将特征图S特征向量化获得标准化特征向量K,Q,V；
[0033]步骤602、在标准化特征向量上施加交叉注意力机制获得包含长远距离上下文信息的新特征图T
’
，向量变化公式为：
[0034]CrossAttention(K,Q,V)＝Aggregation(Softmax(Affinity(Q,K)),V)
[0035]式中，Affinity(
·
)表示K和K中与Q中的每个点同位置上的向量集合与Q做点积运算；Aggregation(
...

【技术保护点】

【技术特征摘要】
1.一种小样本棉花害虫目标检测方法，其特征在于，包括：步骤1、采集包含各类棉花害虫的图像，并将图像分成基类数据集和新类数据集；所述基类数据集包括基类训练集和基类测试集；并从取部分基类数据集和新类数据集组成小样本数据集，所述小样本数据集包括小样本训练集和小样本测试集；步骤2、构建检测模型，所述检测模型包括骨干网络模型和Faster RCNN结构模型，所述Faster RCNN结构模型包括区域建议网络、感兴趣区域池化层、全连接层、分类器和回归器，先采用COCO数据集及对骨干网络模型进行预训练；步骤3、对步骤1采集的图像进行预处理，并对预处理的图像进行随机混合增强处理；步骤4、将经过步骤3处理的基类训练集输入预训练后的骨干网络模型中，获得图像的特征信息；步骤5、将特征信息进行多尺度空洞卷积操作，通过采用不同空洞书的空洞卷积得到不同的感受野，再将不同感受野与特征信息融合得到特征图S；步骤6、将特征图S进行降维得到特征映射T，并施加交叉注意力机制，得到包含密集上下文信息的新特征图T'；步骤7、将新特征图T
’
输入到Faster RCNN结构模型中用于分类和损失函数计算；步骤8、将基类测试集输入到检测模型中进行测试；步骤9、固定骨干网络模型、分类器和回归器的参数，利用小样本训练集对检测模型的参数进行调整，直至检测模型收敛，收敛后的检测模型为小样本检测模型；步骤10、将小样本测试集输入小样本检测模型中进行测试验证，并初始化小样本检测模型的内部参数；步骤11、对小样板检测模型进行测试。2.根据权利要求1所述的一种小样本棉花害虫目标检测方法，其特征在于，所述步骤2中采用COCO数据集对骨干网络进行预训练具体包括：步骤201、所述骨干网络为ResNet50，在所述骨干网络之后接入softmax和全连接层；步骤202、从外网上截取大量棉花害虫图像组成COCO数据集，并从COCO数据集中选取多个类别图像作为骨干网络的预训练集，按批次输入骨干网络进行训练，同时更新骨干网络的参数权重；训练完成后，包括骨干网络的模型参数，去除softmax和全连接层。3.根据权利要求1所述的一种小样本棉花害虫目标检测方法，其特征在于，所述步骤3具体包括：步骤301、通过采用显著性检测将图像生成一个显著性图谱，并在显著性图谱中找到反映图像物体轮廓的低频性区域，显著性图谱表示为：S
vp
＝||I
μ
‑
I
whc
(p)||式中，I
μ
表示图像的平均颜色特征，I
whc
(p)表示像素P在高斯平滑后的颜色特征，||
·
||表示L2的范式；步骤302、在低频性区域内的就是目标关键部位，随机选择低频区域内的部分区...

【专利技术属性】
技术研发人员：刘厚冉，马龙华，朱阳，田冠中，常方乐，赵扬帆，
申请(专利权)人：浙江大学，
类型：发明
国别省市：