多类型相机下样本不均衡的松林变色异木识别方法技术

本发明专利技术公开了一种多类型相机下样本不均衡的松林变色异木识别方法，包括选取

【技术实现步骤摘要】
多类型相机下样本不均衡的松林变色异木识别方法


[0001]本专利技术涉及一种图像识别方法，尤其涉及一种多类型相机下样本不均衡的松林变色异木识别方法
。

技术介绍

[0002]松木线虫病会导致大量松树枯死，所以需要对松木线虫病害进行识别
。
目前采用的方法为：首先通过无人机采集松林视频影像，再对影像进行分析来识别变色异木，是监测松木线虫病害的重要手段
。
近年来深度学习等人工智能技术被用于变色异木的识别
。
[0003]然而不同厂家
、
型号的相机，采集到的无人机影像特征差异大，并且所有识别的变色异木呈现的特征差异也大；另一方面在不同条件下，采集到的影像数据也不平衡，如：相机
A
采集的变色异木占比
85%
，相机
B
采集的变色异木占比
10%
，相机
C
采集的变色异木占比
5%。
这些不同类型相机造成的影像特征差异大
、
变色异木特征差异大，以及不同相机采集的变色异木数据量不均衡等问题为基于深度学习的变色异木识别模型带来了极大的挑战
。
[0004]目前常用的识别模型为
Faster R
‑
CNN
网络模型
。
该模型包括四个部分：特征提取网络
、RPN
网络
、
兴趣区域池化层
、
分类和回归网络；图像输入网络之后，（1）先经卷积操作进行特征提取得到特征图，（2）将特征图输入
RPN
网络，生成目标区域的候选框，（3）由兴趣区域池化单元结合候选框和特征图，从特征图中抠出对应的区域特征，也被称为兴趣区域特征，并转换为某一特定尺寸的特征图，（4）最后由分类和回归网络进行类别计算和候选框微调，输出微调后得到的检测框，和检测框内的目标类别
。
训练
Faster R
‑
CNN
网络模型时，通常将分类和回归网络的分类损失和边框回归损失之和作为目标函数，以追求分类损失和边框回归损失最小化
。
[0005]由于不同相机差异大
、
影像数据不平衡，若用不同相机的影像构成单一相机的数据集训练
Faster R
‑
CNN
网络，得到的模型差异大，无法对其他相机的影像进行精确识别
。

技术实现思路

[0006]本专利技术的目的就在于提供一种解决上述问题，克服不同类型相机采集的影像的特征差异大
、
导致模型训练不准确等缺陷的，多类型相机下样本不均衡的松林变色异木识别方法
。
[0007]为了实现上述目的，本专利技术采用的技术方案是这样的：一种多类型相机下样本不均衡的松林变色异木识别方法，包括以下步骤；
S1
，构建数据集
D
，包括
S11~S14
；
S11
，选取
K
个不同类型的相机对松林进行拍摄，每个相机每次拍摄得到一松林影像，同一相机的松林影像构成一子数据集；
S12
，将变色异木作为目标，在松林影像中人工标记目标区域，统计每个子数据集中目标区域面积
、
所有目标区域面积总和
S
，并将标记了目标区域的松林影像作为训练样本；
S13
，计算每个子数据集的占比，对其中一子数据集，其占比
=S
z
÷
S
×
100%
，其中，
S
z
为该子数据集的目标区域面积；
S14
，将子数据集按占比从高到低排序，并依次标记为
D1~D
K
，数据集
D={D1,D
2 ,
…
,D
i
,
…
,D
K
}
，
D
i
是第
i
个子数据集，
i=1~K
；
S2
，选取
Faster R
‑
CNN
网络，包括特征提取网络
、RPN
网络
、
兴趣区域池化层
、
分类和回归网络；
S3
，预设迭代次数
t、
构建训练集
X
，用训练集训练
Faster R
‑
CNN
网络至收敛，得到目标识别模型；其中第
W
次训练包括步骤
S31~S38
，
W=1~t
；
S31
，构建训练集
X={X1,X
2 ,
…
, X
i
,
…
,X
K
}
，其中，
X
i
为从
D
i
中选取多张训练样本构成的集合，
X1~X
K
中训练样本的占比为
D1~D
K
的占比；
S32
，将训练集
X
输入
Faster R
‑
CNN
网络，对训练集
X
的每个训练样本，由特征提取网络提取特征图，再扁平化处理为
D
维的向量标记为深度向量；
S33
，计算训练集
X
的数据相关性损失
L
Corr
；，式中，
j=1~K
，且
i≠j
，
x
m
为
X
i
中的训练样本，
x
n
为
X
j
中的训练样本，
y
m
、y
n
分别为
x
m
、x
n
对应的深度向量，
D
为深度向量的维度，
T
为转置操作；
S34
，对每张特征图，经
RPN
网络对目标区域生成候选框
、
并由兴趣区域池化层输出兴趣区域特征；
S35
，把兴趣区域特征扁平化处理为特征向量，将
X
i
对应的所有特征向量构成特征向量集合
Q
i
，得到
X1~X
K
对应的特征向量集合
Q1~Q
K
；计算
Q2~Q
K
与
Q1的相似性，其中
Q
i
与
Q1的相似性
H
（
Q
i
...

【技术保护点】

【技术特征摘要】
1.
一种多类型相机下样本不均衡的松林变色异木识别方法，其特征在于：包括以下步骤；
S1
，构建数据集
D
，包括
S11~S14
；
S11
，选取
K
个不同类型的相机对松林进行拍摄，每个相机每次拍摄得到一松林影像，同一相机的松林影像构成一子数据集；
S12
，将变色异木作为目标，在松林影像中人工标记目标区域，统计每个子数据集中目标区域面积
、
所有目标区域面积总和
S
，并将标记了目标区域的松林影像作为训练样本；
S13
，计算每个子数据集的占比，对其中一子数据集，其占比
=S
z
÷
S
×
100%
，其中，
S
z
为该子数据集的目标区域面积；
S14
，将子数据集按占比从高到低排序，并依次标记为
D1~D
K
，数据集
D={D1,D
2 ,
…
,D
i
,
…
,D
K
}
，
D
i
是第
i
个子数据集，
i=1~K
；
S2
，选取
Faster R
‑
CNN
网络，包括特征提取网络
、RPN
网络
、
兴趣区域池化层
、
分类和回归网络；
S3
，预设迭代次数
t、
构建训练集
X
，用训练集训练
Faster R
‑
CNN
网络至收敛，得到目标识别模型；其中第
W
次训练包括步骤
S31~S38
，
W=1~t
；
S31
，构建训练集
X={X1,X
2 ,
…
, X
i
,
…
,X
K
}
，其中，
X
i
为从
D
i
中选取多张训练样本构成的集合，
X1~X
K
中训练样本的占比为
D1~D
K
的占比；
S32
，将训练集
X
输入
Faster R
‑
CNN
网络，对训练集
X
的每个训练样本，由特征提取网络提取特征图，再扁平化处理为
D
维的向量标记为深度向量；
S33
，计算训练集
X
的数据相关性损失
L
Corr
；，式中，
j=1~K
，且
i≠j
，
x
m
为
X
i
中的训练样本，
x
n
为
X
j
中的训练样本，
y
m
、y
n
分别为
x
m
、x
n
对应的深度向量，
D
为深度向量的维度，
T
为转置操作；
S34
，对每张特征图，经
RPN
网络对目标区域生成候选框
、
并由兴趣区域池化层输出兴趣区域特征；
S35
，把兴趣区域特征扁平化处理为特征向量，将
X
i
对应的所有特征向量构成特征向量集合
Q
i
，得到
X1~X
K
对应的特征向量集合
Q1~Q
K
；计算
Q2~Q
K
与
Q1的相似性，其中
Q...

【专利技术属性】
技术研发人员：习雍，叶绍泽，黄晓霞，田遥，李翔，
申请(专利权)人：江西啄木蜂科技有限公司，
类型：发明
国别省市：