一种基于卷积神经网络的生态景观工程小目标害虫检测方法技术

本发明专利技术提出了一种基于卷积神经网络的生态景观工程小目标害虫检测方法，包括以下步骤：S1，采集生态景观工程小目标害虫数据；S2，将小目标害虫数据输入害虫检测模型；所述害虫检测模型包括：Conv模块、C3GS模块和SPPF模块；Conv模块由标准卷积层、归一化层和SiLU激活函数构成；C3GS模块由3个Conv模块和1个GS bottleneck构成；SPPF模块包括由标准卷积层、最大池化，用于对特征图进行多尺度的特征提取。S3，得到害虫检测结果。本发明专利技术能够找到模型精度和模型参数量的平衡，满足生态景观工程小目标害虫又快又高效的检测需求。目标害虫又快又高效的检测需求。目标害虫又快又高效的检测需求。

【技术实现步骤摘要】
一种基于卷积神经网络的生态景观工程小目标害虫检测方法


[0001]本专利技术涉及园林、林业、农业和生态工程害虫监测
，特别是涉及一种基于卷积神经网络的生态景观工程小目标害虫检测方法。

技术介绍

[0002]对于大规模多类别小目标害虫数据集的研究，现目前主要从多分辨率特征融合和结合上下文信息的注意力机制两个方面解决了深层神经网络在提取特征时造成的细节特征丢失以及小目标特征表示能力弱的问题，但是在精度提高的同时网络模型更加复杂，不利于应用部署。随着近几年智慧园林产业的迅速发展，在实际应用场景中对害虫检测技术提出了更高的要求，为此，急需一种从精度和模型参数量大小入手，平衡两者之间的关系，以满足生态景观工程小目标害虫的实际检测需求的卷积神经网络。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于卷积神经网络的生态景观工程小目标害虫检测方法。
[0004]为了实现本专利技术的上述目的，本专利技术提供了一种基于卷积神经网络的生态景观工程小目标害虫检测方法，包括以下步骤：
[0005]S1，采集生态景观工程小目标害虫数据；
[0006]S2，将小目标害虫数据输入害虫检测模型；
[0007]所述害虫检测模型包括：Conv模块、C3GS模块和SPPF模块；
[0008]Conv模块由标准卷积层、归一化层和SiLU激活函数构成；
[0009]C3GS模块由3个Conv模块和1个GS bottleneck构成；
[0010]SPPF模块包括由标准卷积层、最大池化，用于对特征图进行多尺度的特征提取。
[0011]本专利技术的害虫检测模型是基于YOLOv5网络的改进，在Neck部分增加了C3GS结构以及CONV结构，使得顶部Neck部分的特征图与Backbone部分第2层特征图能够进行融合，从而生成160
×
160
×
225的特征图，这样做的目的是为了能够在该输出特征图在检测时提供更多的像素来检测4
×
4以上的目标。
[0012]S3，得到害虫检测结果。
[0013]进一步地，所述C3GS模块中Conv模块和GS bottleneck的连接关系为：
[0014]上一层的输出分别输入第一Conv模块和第二Conv模块，第一Conv模块的输出与GS bottleneck模块的输入相连，GS bottleneck模块的输出与第二Conv模块的输出进行Concat操作，然后将结果输入第三Conv模块；
[0015]所述GS bottleneck模块包括2个GSConv模块和1个Conv模块，第一GSConv模块的输出与第二GSConv模块的输入相连，第二GSConv模块的输出与第四Conv模块的输出进行元素之间相加操作。
[0016]进一步地，所述GSConv由深度卷积和逐点卷积组成，深度卷积对输入特征图的每
个通道使用一个卷积核进行卷积运算，然后将结果进行输出。
[0017]进一步地，所述害虫检测模型包括目标检测层和小目标检测层，所述目标检测层包括三种大小的锚框，每一种分为三个尺寸，九种锚框的大小分别为[10，13]、[16，30]、[33，23]、[30，61]、[62，45]、[59，119]、[116，90]、[156，198]、[373，326]；所述小目标检测层包括大小分别为[5，6]、[8，14]、[15，11]的锚框。
[0018]增加的小目标检测层，使得害虫检测模型的YOLOv5网络生成更小的锚框来关注小目标的检测；其次使用C3GS模块替换模型中的部分C3模块，减少了模型的参数量。
[0019]进一步地，所述害虫检测模型为已经预训练的害虫检测模型，预训练时的训练样本是先通过4
‑
Mosaic进行数据增强，将害虫数据的一张图片与其它三张图片随机剪切拼接在一起进行训练，这样不仅可以扩充现有的数据集，增加小目标的数量，而且能够丰富图片的背景。再进行MixUP数据增强将4
‑
Mosaic数据增强之后的图片与害虫数据的原图进行线性插值，生成训练样本。
[0020]进一步地，所述害虫检测模型还包括损失函数L：
[0021]L＝λ1L
loc
+λ2L
obj
+λ3L
cls
#(4.7)
[0022]其中L
1oc
为边界框回归损失；
[0023]L
obj
为目标置信度损失；
[0024]L
cls
为类别损失；
[0025]λ1、λ2、λ3是平衡系数。
[0026]进一步地，L
obj
和L
cls
采用二元交叉熵损失函数，公式如下：
[0027][0028]其中，n表示目标数量；
[0029]在L
obj
和L
cls
中，p(y
i
)分别表示预测框内存在目标的概率和属于y
i
标签值的概率；
[0030]y
i
表示二元标签值，为0或1；
[0031]边界框回归损失L
loc
使用CIoU损失函数，公式如下：
[0032][0033]其中，b表示预测框的中心点坐标；
[0034]b
gt
表示真实框的中心点坐标；
[0035]c表示两框所构成的最小包围框的对角线长度；
[0036]ρ表示预测框与真实框中心点的欧氏距离；
[0037]IoU
new
是在原有IoU基础上结合了NWD的结果；
[0038]v用来衡量预测框和真实框之间的纵横比一致性，定义如下：
[0039][0040]其中，w、h和w
gt
、hg
t
分别表示预测框和真实框的宽和高；
[0041]α是用于平衡比例的参数，公式如下：
[0042][0043]CIoU损失函数在DIoU的基础上还考虑了预测框和真实框的重叠面积、中心点距离和长宽比，这样预测框在不同尺度上都能够更好的符合真实框，能够很好的度量训练中的边框回归过程且收敛速度较快。
[0044]综上所述，由于采用了上述技术方案，本专利技术能够找到模型精度和模型参数量的平衡，满足生态景观工程小目标害虫又快又高效的检测需求。
[0045]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0046]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0047]图1是本专利技术改进的YOLOv5结构示意图。
[0048]图2是本专利技术C3GS模块示意图。
[0049]图3是本专利技术SPPF本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的生态景观工程小目标害虫检测方法，其特征在于，包括以下步骤：S1，采集生态景观工程小目标害虫数据；S2，将小目标害虫数据输入害虫检测模型；所述害虫检测模型包括：Conv模块、C3GS模块和SPPF模块；Conv模块由标准卷积层、归一化层和SiLU激活函数构成；C3GS模块由3个Conv模块和1个GS bottleneck构成；SPPF模块包括由标准卷积层、最大池化，用于对特征图进行多尺度的特征提取；S3，得到害虫检测结果。2.根据权利要求1所述的一种基于卷积神经网络的生态景观工程小目标害虫检测方法，其特征在于，所述C3GS模块中Conv模块和GS bottleneck的连接关系为：上一层的输出分别输入第一Conv模块和第二Conv模块，第一Conv模块的输出与GS bottleneck模块的输入相连，GS bottleneck模块的输出与第二Conv模块的输出进行Concat操作，然后将结果输入第三Conv模块；所述GS bottleneck模块包括2个GSConv模块和1个Conv模块，第一GSConv模块的输出与第二GSConv模块的输入相连，第二GSConv模块的输出与第四Conv模块的输出进行元素之间相加操作。3.根据权利要求2所述的一种基于卷积神经网络的生态景观工程小目标害虫检测方法，其特征在于，所述GSConv由深度卷积和逐点卷积组成，深度卷积对输入特征图的每个通道使用一个卷积核进行卷积运算，然后将结果进行输出。4.根据权利要求1所述的一种基于卷积神经网络的生态景观工程小目标害虫检测方法，其特征在于，所述害虫检测模型包括目标检测层和小目标检测层，所述目标检测层包括三种大小的锚框，每一种分为三个尺寸，九种锚框的大小分别为[10,13]、[16,30]、[33,23]、[30,61]、[62,45]、[59,119]、[116,90]、[156,198]、[373,326]；所述小目标检测层包括大小分别为[5,6]、[8,14]、[15,11]的锚框。5.根据权利要求1所述的一种基于卷积神经网络的生态景观工程小目标害虫检测方法，其特征...

【专利技术属性】
技术研发人员：翟福森，金燕，张继，王业义，张涛，刘明龙，李刚，吴尧，
申请(专利权)人：中铁建重庆投资集团有限公司，
类型：发明
国别省市：