一种害虫分类与检测方法技术

本发明专利技术提出一种害虫分类与检测方法，涉及图像分析与处理的技术领域，首先获取害虫样本图像数据集，然后构建害虫图像特征提取模型，利用数据集对害虫图像特征提取模型进行训练，得到训练好的害虫图像特征提取模型，将待处理的害虫图像输入训练好的害虫图像特征提取模型，得到害虫图像特征图，再分别通过分类分支和检测分支对图像特征图进行害虫的分类与检测，解决了密集目标检测遗漏问题，有效兼顾了害虫分类与检测方法的优性能和高精度，适用于不同分类与检测场景

【技术实现步骤摘要】
一种害虫分类与检测方法


[0001]本专利技术涉及图像分析与处理的
，更具体地，涉及一种害虫分类与检测方法
。

技术介绍

[0002]计算机视觉是人工智能的一个重要分支，它有多个应用领域，如图像分类
、
目标检测
、
语义分割
、
实例分割
、
视频分类
、
人体关键点检测
、
场景文本识别和目标跟踪等
。
图像分类是其中最为基础的任务，主要解决图像内有什么的问题
。
而目标检测以图像分类为基础，不仅需要对图像中的每个目标进行分类，还需要精准定位每个目标
。
传统计算机视觉通过人工选择和设计特征，再利用机器学习方法如
SVM
等进行目标或像素点的分类，具有强主观性
、
高误判率等缺点
。
而深度学习技术，使计算机能自主学习和提取深度抽象的图像特征，既不需要人工选取特征，同时又能适应于不同复杂背景和光照条件的情况，具有更高的普适性
、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种害虫图像特征提取方法，其特征在于，包括：
S1.
获取害虫样本图像数据集，将数据集划分为训练集
、
验证集和测试集；
S2.
构建害虫图像特征提取模型，利用训练集对害虫图像特征提取模型进行训练，然后利用验证集对害虫图像特征提取模型进行评估，利用测试集测试害虫图像特征提取模型的有效性，得到训练好的害虫图像特征提取模型；
S3.
将待处理的害虫图像输入训练好的害虫图像特征提取模型，得到害虫图像特征图
。2.
根据权利要求1所述的害虫分类与检测方法，其特征在于，所述害虫图像特征提取模型包括依次连接的四个阶段
Stage 1
～
Stage 4
，每个阶段均包括依次连接的位置编码网络
、
多头相关性聚合器和前馈神经网络；在每个阶段中，提取害虫图像特征的过程如下：
SA.
若在
Stage 1
中，将数据集图像
X
in
输入
Stage 1
，通过二维卷积实现图像块内编码，得到特征图
X
in1
；若在
Stage2
～
Stage 4
中，将上个阶段输出的特征图
Z
k
‑1输入
Stagek
，通过二维卷积实现图像块内编码，得到特征图
X
ink
；其中，
k
＝
2,3,4SB.
通过位置编码网络对
X
ink
进行位置编码，得到特征图
X
k
：
SC.
利用多头相关性聚合器对
X
k
的语义信息进行编码，聚合局部或全局的语义信息，得到特征图
Y
k
：
SD.
利用前馈神经网络对特征图
Y
k
进行进一步特征聚合，得到特征图
Z
k
。3.
根据权利要求2所述的害虫图像特征提取方法，其特征在于，
Stage 1
中的多头相关性聚合器为多头局部注意力模块
MHLA
；利用
MHLA
对
X1的语义信息进行编码，得到特征图
Y1：
Y1＝
MHLA(X
norm1
)+X1X
norm1
＝
BN(X1))
其中，对于将其展开为序列
L
＝
H
×
W
，
C
为特征通道数；表示第一阶段多头相关性聚合器的第
n
个头，
U1为
MHLA
用于聚合多头特征的可学习参数矩阵；
V
n1
表示线性变换；为可学习的注意力得分矩阵；的计算公式如下：其中，
x
i
,x
j
是特征图中的任意两点，
(i
‑
j)
表示两点的相对位置关系，是关于两点相对位置关系的待学习权重，用于计算区域内的注意力得分并聚合内的特征
。4.
根据权利要求3所述的害虫图像特征提取方法，其特征在于，
Stage 2
中的多头相关性聚合器为多头坐标局部注意力模块
MHCLA
；利用
MHCLA
对
X2的语义信息进行编码，得到特征图
Y2：
Y2＝
MHCLA(X
norm2
)+X2X
norm2
＝
BN(X2))
其中，
CA
表示坐标注意力操作，表示第二阶段多头相关性聚合器的第
n
个头，
U2为
MHCLA
用于聚合多头特征的可学习参数矩阵；
V
n2
表示线性变换；为可学习的注意力得分矩阵；的计算公式如下：其中，
x
i
,x
j
是特征图中的任意两点，
(i
‑
j)
表示两点的相对位置关系，是关于两点相对位置关系的待学习权重，用于计算区域内的注意力得分并聚合内的特征
。5.
根据权利要求4所述的害虫图像特征提取方法，其特征在于，
Stage 3
中的多头相关性聚合器为多头坐标窗口注意力模块
MHCWA
；利用
MHCWA
对
X3的语义信息进行编码，得到特征图
Y3：
Y3＝
MHCWA(X
norm3
)+X3X
norm3
＝
LN(X3))
其中，
LN
表示层归一化，为
MHCWA
的可学习的注意力得分矩阵，的计算公式如下：其中，
Q
n3
和
K
n3
为两个待学习的参数矩阵，用于对输入进行线性变换；
d3＝
C3/N3，用于归一化；
n
＝
1,2,
…
,N3，表示
MHCWA
的多头相关性聚合器的注意力头序号
。6.
根据权利要求5所述的害虫图像特征提取方法，其特征在于，
Stage 4
中的多头相关性聚合器为多头全局注意力模块
MHGA
；利用
MHGA
对
X4的语义信息进行编码，得到特征图
Y4：
Y4＝
MHGA(X
norm4
)+X4X
norm4
＝
LN(X4))
其中，为
MHGA
的可学习的注意力得分矩阵，的计算公式如下：其中，
Q
n4
和
K
n4
为两个待学习的参数矩阵，用于对输入进行线性变换；
d4＝
C4/N4，用于归一化；
n
＝
1,2,
…
,N4，表示
MHGA
的多头相关性聚合器的注意力头序号
。7.
一种害虫分类方法，其特征在于，基于权利要求6所述的害虫图像特征提取方法，步骤
S3
得到害虫图像特征图后，对害虫进行分类，具体方法如下：所述害虫图像特征提取模型的输出端还连接有一条分类分支，所述分类分支通过线性层将特征图
Z4转换为维度等于类别个数的
logits
向量，再使用
Softmax
函数对
logits
向量进行归一化，得到各个类别的预测概率
p
＝
[p0,p1,
…
,p
M
‑1]
...

【专利技术属性】
技术研发人员：谭军，梁诗琪，
申请(专利权)人：中山大学，
类型：发明
国别省市：