【技术实现步骤摘要】
本专利技术涉及一种园林虫害识别，特别是涉及一种基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法。
技术介绍
1、目前，针对室外环境下园林虫害检测的主要方法主要基于传统机器学习算法或卷积神经网络。然而，这些方法存在一些值得注意的问题：
2、传统机器学习算法在园林虫害检测中通常需要进行手动特征工程的步骤，即人工选择和提取对特定任务有意义的特征。然而，在处理大规模高维数据时，这一过程变得复杂且耗时，尤其不适用于大规模数据集。
3、在室外环境中进行园林害虫图像分类时，面临着光照变换、园林害虫颜色与环境高度相似、园林害虫姿态多样等因素的挑战，这些因素对分类准确率产生不可忽视的影响。
4、园林害虫通常具有相对较小的体积，因此园林害虫图像所包含的判别性特征相对较少，从而导致检测准确率的不高。这一问题可能使得园林害虫的有效区分变得更加困难，进而影响整体检测性能。
技术实现思路
1、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空间变换网络和改进特征融合的园林虫害室外图像分类识别方法。
2、为了实现本专利技术的上述目的，本专利技术提供了本专利技术旨在解决现有室外园林虫害分类技术存在的技术问题，提出了一种创新性的室外园林虫害分类方法，该方法基于空间变换网络和改进特征融合技术。包括以下步骤：
3、1.数据预处理：为了提高模型对室外园林虫害的分类性能，首先获取了室外园林害虫图像数据集，并对其进行多层次的预处理
4、2.模型训练：将经过预处理的室外园林害虫图像数据集输入到模型中进行训练。模型通过学习数据集中的特征和空间变换信息，提高了对室外园林害虫的检测和分类能力。训练过程采用了深度学习技术，通过反向传播算法优化模型参数，以使其更好地适应室外园林虫害分类任务。
5、3.将采集到的室外园林虫害图像输入到训练好的检测模型中，以获取准确的分类结果。模型的输出包括室外园林害虫的类别信息，为农业领域提供了有力的工具，帮助更好地管理园林虫害问题。
6、进一步地，所述的检测模型选择resnet18作为主干网络，利用其深度结构有效地提取室外园林害虫图像的抽象特征。resnet18的层次结构使得模型能够更好地捕捉图像中的语义信息，有助于提高分类性能。为了增强对园林害虫空间姿态变换的识别能力，引入了stn分支。该分支通过学习图像的几何变换信息，使模型更具适应性，能够更好地应对园林害虫在不同空间姿态下的表现。采用改进的特征融合方式，有效整合了resnet18主干网络的多层特征与stn分支的输出。这种融合方式使模型更全面地理解图像的特征，提高了分类准确性。在最后阶段引入通道注意力机制，从通道维度关注园林害虫的特征信息，进一步提升了分类性能。该机制使模型能够更加集中地注意到对分类任务具有重要性的特征通道。
7、具体地，本专利技术采用了一种迁移学习策略，通过将园林害虫图像输入到在imagenet上预训练好的resnet18模型中，以更充分地利用通用图像特征，并实现对训练时间和计算资源的高效利用，从而赋予模型更强的泛化能力。resnet18模型由一个7*7的卷积核和四个阶段(stage)组成，每个阶段包含一次下采样操作，而每个阶段则由两个basicblock组成，每个basicblock包含两个卷积层，用于实施下采样和维度增强。
8、在特征提取阶段，分别提取了四个阶段的特征表示，分别命名为c1、c2、c3、c4，以及经过stn增强的特征表示s。为了实现特征融合，我们对c1、c2、c3、c4和s进行了统一维度的处理，随后通过自上而下的逐步上采样操作统一了它们的特征图大小。在每个特征融合阶段，我们利用可学习权重进行加权融合，以更好地整合来自不同阶段的抽象特征。
9、最终，将融合后的特征表示f输入到通道注意力模块(channel attentionmodule，cam)。该模块被设计用于强化模型对通道敏感度的感知，通过引入可学习的权重，使得模型能够更关注对分类任务具有关键性的通道信息。最终，经过通道注意力模块的特征表示输入到分类器，以获取园林害虫图像的类别信息。这一整合的深度学习架构在利用resnet18进行迁移学习的基础上，通过巧妙的特征融合和通道注意力机制的引入，实现了对园林虫害图像的高效而准确的分类。
10、所述stn首先将输入特征图经过两个卷积层和最大池化层，以改变其维度和提取关键特征。接着，通过两个全连接层，stn网络能够预测空间变换所需的参数。这些参数用于定义仿射变换，以调整输入特征图的空间位置。
11、由于仿射变换参数计算得到的转换像素点坐标可能包含小数部分，通过仿射函数对这些参数进行处理，得到经过空间变换后的对应像素位置。然后，为了得到最终的经过有益空间变换后的特征图，采用了双线性插值算法。这一过程保证了在进行空间变换时，特征图的信息得以有效而准确地传递。
12、stn在不同的分类任务下能够自适应地对输入特征图进行有益的空间变换。这种灵活性使得模型能够更好地适应不同室外园林害虫图像的空间形态变化，从而提高了模型的泛化性能。stn的引入使得网络更具适应性，能够更好地捕捉园林虫害在不同空间姿态下的表现，为解决具有空间形态差异的园林虫害图像分类问题提供了强大的工具。
13、所述改进特征融合对原有的特征金字塔网络(fpn)进行了改进，以更好地适应园林虫害分类任务的需求。将各阶段的特征表示c1、c2、c3、c4通过一个1*1的卷积层进行处理，使它们统一到相同的维度。随后，采用自上而下的逐步上采样操作，确保各阶段的特征图具有相同的大小。改进特征融合的关键在于引入可学习权重，以更好地整合不同阶段的特征表示。在每个融合阶段，引入了可学习权重，这些权重由任务自动确定不同阶段特征的重要性。与原有的fpn不同的是，通过引入可学习权重，使模型能够自适应地确定每个阶段特征的贡献，而不是采用固定权重。需要强调的是，在本专利技术的改进中，只需输出最底层的特征表示，因为通过引入可学习权重，能够自动确定各阶段特征的权重，从而确定最终的特征表示。最后，将这一特征表示与经过stn增强的特征表示s通过同样经过可学习参数加权融合的方式进行整合。这一步骤进一步强调了模型对空间变换特征的适应性，提高了园林虫害图像分类的准确性和鲁棒性
14、所述cam为一种轻量化、简单而高效的操作，其具体步骤如下：输入特征f分别经过一个最大池化层和一个平均池化层，得到两个通道描述，分别表示为c*1*1的形式。将得到的两个通道描述分别输入到一个两层的共享神经网络中。其中，第一层的神经元个数为c/r，采用relu作为激活函数，而第二层的神经元个数为c。这个两本文档来自技高网...
【技术保护点】
1.一种基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，在步骤S1中对获取的园林害虫图像执行以下之一或者任一组合操作：
3.根据权利要求1所述的基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，在步骤S2中在网络模型中包括引入可学习权重，可学习权重的计算方法为：
4.根据权利要求1所述的基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，在步骤S2中在网络模型中包括权重系数Mc计算，权重系数Mc的计算方法为：
5.根据权利要求1所述的基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，在步骤S2中在网络模型中包括准确率计算，准确率的计算方法为：
6.根据权利要求1所述的基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，在步骤S2中在网络模型中包括损失值计算，损失值的计算方法为：
【技术特征摘要】
1.一种基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，在步骤s1中对获取的园林害虫图像执行以下之一或者任一组合操作：
3.根据权利要求1所述的基于空间变换网络和改进特征融合的园林虫害室外图像分类识别方法，其特征在于，在步骤s2中在网络模型中包括引入可学习权重，可学习权重的计算方法为：
4.根据权利要求1所述的基...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。