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：
...

【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：