【技术实现步骤摘要】
本专利技术属于目标检测领域，具体涉及一种基于通道和空间协同注意的小目标害虫检测方法和系统。
技术介绍
1、由于害虫种类繁多、农田种植面积大，人工识别定位害虫存在费时、费力、主观性强、易出错等问题，因此，开展准确高效的害虫检测的技术研究势在必行。
2、现阶段基于深度学习的害虫检测技术可分为两大类：基于两阶段害虫检测方法和基于单阶段害虫检测方法。两阶段检测方法框架主要由卷积神经网络和区域建议网络组成，例如r-cnn、faster r-cnn、mask r-cnn等，检测精度较高但存在检测速度慢、参数量大、存储计算成本高等问题。而单阶段检测方法在提取到的卷积特征后直接进行分类和回归，例如yolo系列、ssd、retinanet等，没有区域建议网络，因此大大提升了算法检测速度，但检测精度较低。后续研究者们为了兼顾检测速度的同时提高单阶段检测准确率做了不少的工作，包括采用轻量级网络模型、引入尺度特征融合、优化损失函数等等。然而现有大多数害虫检测算法主要应用在测报灯等简单受控环境条件下，尚未探索真实田间环境下农作物害虫检测的能力，特别是复杂背景下小目标的农作物害虫检测问题有着其独特的复杂性。因此探究真实田间环境下的小目标害虫检测是一项具有挑战性的工作。
3、综上所述，现有的研究对简单受控环境下的害虫检测已经取得一些进展，但针对真实田间环境小目标的害虫检测还面临以下几个问题：
4、(1)在田间拍摄的害虫图像中，害虫目标所占的尺寸很小，通常只有几十个像素甚至几个像素大小，占比不及整幅图像的1％。而深度学习检测
5、(2)田间小目标害虫往往呈现聚集特性。比如蚜虫、粉虱等，大量害虫聚集在作物的局部位置，具有高密度、重叠率高的特点，常规的害虫检测方法难以取得较高的检测精度，漏检率大。
技术实现思路
1、本专利技术的目的在于提供一种基于通道和空间协同注意的小目标害虫检测方法和系统，以提升小目标害虫检测精度。
2、本专利技术采用如下技术方案来实现的：
3、基于通道和空间协同注意的小目标害虫检测方法，包括：
4、获取目标数据集，并将所述目标数据集按8:1:1的比例划分为训练集、验证集和测试集；
5、将yolov8模型作为基础模型，对所述yolov8模型进行改进，构建小目标害虫检测模型，并简称为csca-yolo模型；
6、分别利用训练集和验证集对所述csca-yolo模型进行训练和调参，直至csca-yolo模型的损失函数收敛，得到训练好的csca-yolo模型；
7、将测试集图像输入到训练好的csca-yolo模型中进行目标检测，输出害虫目标的检测结果。
8、本专利技术进一步的改进在于，对所述yolov8模型进行改进，包括：
9、将所述yolov8模型的neck和prediction网络中新增了p2层输出作为小目标检测层；
10、所述小目标检测层在neck颈部的特征增强阶段，与p3-p5层输出的特征图进行多尺度特征融合，得到增强后160×160×64尺寸的特征图输至prediction检测头。
11、本专利技术进一步的改进在于，对所述yolov8模型进行改进，包括：
12、在neck网络中，在c2f模块后加入通道和空间协同的注意力模块，以下简称为csca模块；
13、所述csca模块由三个并行分支组成，其中第一个分支负责捕获空间维度w上的特征相互依赖关系，第二个分支负责捕获空间维度h上的特征相互依赖关系，第三个分支用于捕获通道c间特征相互依赖关系；
14、所述第一个分支、第二个分支和第三个分支均包括依次连接的挤压变换模块、激励变换模块和特征聚合模块；
15、所述挤压变换模块由两个并行的分支组成，第一个分支是全局平均池，第二个分支是全局标准差池，然后将两个分支输出的特征图进行加权求和输至激励变换模块；
16、所述激励变换模块由核大小为(1,k)的卷积核组成，对于第一分支和第二个分支，核大小为7，对于第三个分支，核大小由通道数自适应确定，表示为核大小其中，c是通道数，γ和τ是两个超参数，分别设置为1.5和1，是指小于等于ε的最近的奇数；
17、所述特征聚合模块是将三个分支独立生成的增强特征图进行特征加权融合，表示为其中f″是聚合后的特征，f″w,f″h,f″c分别是第一个分支、第二个分支和第三个分支的输出，λ1,λ2,λ3是为浮点参数，范围在(0,1)之间，即三个分支的求和权重；
18、输入所述csca模块的特征图分别经过第一个分支、第二个分支和第三个分支进行特征增强；
19、将第一个分支、第二个分支和第三个分支分别输出的特征图进行特征聚合处理，得到融合特征图，并将所述融合特征图传输至下一模块。
20、本专利技术进一步的改进在于，将所述待检测数据集的图像输入所述csca-yolo模型进行目标检测之前，所述方法还包括：
21、将待检测数据集中.xml格式的标签文件转换为.txt格式的标签文件。
22、本专利技术进一步的改进在于，所述csca-yolo模型的损失函数的表达式如下所示：
23、loss＝β1lcls+β2lobj+β3lloc
24、其中，lcls表示分类损失，lobj表示置信度损失，lloc表示定位损失，β1,β2,β3分别是各部分损失对应的平衡系数。
25、基于通道和空间协同注意的小目标害虫检测系统，包括：
26、获取模块，用于获取目标数据集，并将所述目标数据集按8:1:1的比例划分为训练集、验证集和测试集；
27、构建模块，用于将yolov8模型作为基础模型，对所述yolov8模型进行改进，构建小目标害虫检测模型，并简称为csca-yolo模型；
28、训练模块，用于分别利用训练集和验证集对所述csca-yolo模型进行训练和调参，直至csca-yolo模型的损失函数收敛，得到训练好的csca-yolo模型；
29、检测模块，用于将测试集图像输入到训练好的csca-yolo模型中进行目标检测，输出害虫目标的检测结果。
30、本专利技术进一步的改进在于，构建模块中，对所述yolov8模型进行改进，包括：
31、将所述yolov8模型的neck和prediction网络中新增了p2层输出作为小目标检测层；
32、所述小目标检测层在neck颈部的特征增强阶段，与p3-p5层输出的特征图进行多尺度特征融合，得到增强后160×160×64尺寸的特征图输至prediction检测头。
33、本专利技术进一步的改进在于，构建模块中，对所述yolov8模型进行改进，包括：
34、在neck网络中，在c2f模块后加入通道和空间协同的注意力模块，以下简本文档来自技高网...
【技术保护点】
1.基于通道和空间协同注意的小目标害虫检测方法，其特征在于，包括：
2.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述YOLOv8模型进行改进，包括：
3.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述YOLOv8模型进行改进，包括：
4.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，将所述待检测数据集的图像输入所述CSCA-YOLO模型进行目标检测之前，所述方法还包括：
5.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，所述CSCA-YOLO模型的损失函数的表达式如下所示：
6.基于通道和空间协同注意的小目标害虫检测系统，其特征在于，包括：
7.根据权利要求6所述的基于通道和空间协同注意的小目标害虫检测系统，其特征在于，构建模块中，对所述YOLOv8模型进行改进，包括：
8.根据权利要求6所述的基于通道和空间协同注意的小目标害虫检测系统，其特征在于，构建模块中，对所
9.根据权利要求6所述的基于通道和空间协同注意的小目标害虫检测系统，其特征在于，训练模块中，所述CSCA-YOLO模型的损失函数的表达式如下所示：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时实现权利要求1-6中任一项所述的基于通道和空间协同注意的小目标害虫检测方法。
...【技术特征摘要】
1.基于通道和空间协同注意的小目标害虫检测方法，其特征在于，包括：
2.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述yolov8模型进行改进，包括：
3.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，对所述yolov8模型进行改进，包括：
4.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，将所述待检测数据集的图像输入所述csca-yolo模型进行目标检测之前，所述方法还包括：
5.根据权利要求1所述的基于通道和空间协同注意的小目标害虫检测方法，其特征在于，所述csca-yolo模型的损失函数的表达式如下所示：
6.基于通道和空间协同...
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。