基于注意力机制的复杂背景下害虫检测方法Pest-Detr技术

本发明专利技术提出一种基于注意力机制的复杂背景下害虫检测方法Pest‑Detr。采用可变形注意力机制网络作为模型的主干网络来捕捉图像中的显著信息，即将DAS插入到ResNet‑50中的block之间利用门控通道注意力来传播信息以提高CNN的性能，同时增加的FLOPs最小。并通过改进跨尺度特征融合模块，将带有全局信息的高级特征层与带有更多细节信息的低级特征层融合加强特征传播，且在每个融合块CF中加入可变形注意力机制增强关键特征权重，丰富害虫特征多尺度表征能力。优化边界框损失回归，利用回归框修饰分类损失函数，替换分类损失函数解决类别不平衡问题，提高分类准确性的同时提升模型收敛速度。通过尾部数据重采样和两种数据增强方法扩充数据集解决多分类任务的长尾分布问题。通过实验证明本算法具有更高的检测精度和分类准确度，具有一定的应用价值。

【技术实现步骤摘要】

本专利技术研究为智慧农业图像检测领域。针对真实场景中害虫易被遮挡、尺度多变，分布密集，给现存基于计算机视觉的害虫检测方法带来了挑战。又因为害虫种类繁多且分布不平衡，为提高害虫分类准确率。本专利技术提出一种基于注意力机制的复杂背景下害虫检测方法。本专利技术可以识别出102种危害作物的害虫，有助于有效和可持续地管理植物病害，减少经济损失；还可以检测出害虫密集程度以帮助农业专业人员，如农民、推广人员和研究人员预测植物疾病的发生和严重程度。这使他们能够在疾病蔓延之前采取预防措施。

技术介绍

1、害虫防治在农业生产中起着至关重要的作用，对农业发展、粮食生产和农民收入具有重要影响。随着计算机科学的发展，智能技术在农业应用中得到了越来越多的关注。通过智能算法进行科学有效的管理，不仅可以成为取代传统的人工检测，提高效率的技术途径，还可以避免害虫的大面积传播，从而提高作物产品的质量。图像检测方法在害虫检测任务中具有效率高、成本低、操作简单等优点，为农业从业者提供必要的信息，以采取措施防治害虫的传播。然而，传统的检测方法适用于少量的样本或小范围的检测，并且检测精度稳定性不高。本文档来自技高网...

【技术保护点】

1.DAS-ResNet特征提取网络。DAS注意力机制结合了层特征的上下文信息和可变形卷积的能力，从而使模型能够更加专注并增加对显著特征的注意力，且不需要额外的内存开销。输入的特征经过DAS，DAS首先使用深度可分离卷积层提高效率，再利用可变形卷积来定位相关图像区域，最后与输入特征点乘后输出。本专利技术将DAS插入到ResNet-50中的block之间利用门控通道注意力来传播信息以提高CNN的性能，同时增加的FLOPs最小。

2.CF特征融合模块算法。此模块可增强多尺度特征信息融合，获取全局语义信息和低层细节特征信息。步骤为将对应不同卷积核的两路通道进行连接（concat），...

【技术特征摘要】

1.das-resnet特征提取网络。das注意力机制结合了层特征的上下文信息和可变形卷积的能力，从而使模型能够更加专注并增加对显著特征的注意力，且不需要额外的内存开销。输入的特征经过das，das首先使用深度可分离卷积层提高效率，再利用可变形卷积来定位相关图像区域，最后与输入特征点乘后输出。本发明将das插入到resnet-50中的block之间利用门控通道注意力来传播信息以提高cnn的性能，同时增加的flops最小。

2.cf特征融合模块算法。此模块可增强多尺度特征信息融合，获取全局语义信息和低层细节特征信息。步骤为将对应不同卷积核的两路通道进行连接（concat），通过双分支结构，上下分支分别经过一个cbs(conv(1x1)+silu+bn)降低通道数并使两分支通道处相同，上分支引入das和三个bottlenecks【x】堆叠，形成主要梯度流分支，保证轻量化的同时获得更加丰富的梯度信息，减少梯度消失，保留更多低层次位置信息并突出显著性特征，从而提升小目标检测精度。下分支与上分支element-wise add后经过压平（flat...

【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：