【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体为一种基于特征增强的目标检测方法。
技术介绍
1、随着农业技术的不断发展，作物病害检测作为保障农作物健康生长和提高农作物产量的重要环节，越来越受到重视。传统的作物病害检测方法主要依赖于农民的经验和手工检测，不仅耗时费力，而且容易受到人为因素的影响，导致检测结果不够准确。此外，手工检测的效率较低，难以满足大规模农田快速检测的需求。
2、近年来，随着计算机视觉和深度学习技术的飞速发展，基于图像处理和机器学习的自动化作物病害检测方法逐渐兴起。这些方法通过使用摄像头或多光谱相机采集作物图像，并利用卷积神经网络(cnn)等深度学习模型对图像进行处理和分析，实现对作物病害的自动检测和分类。这种自动化检测方法在一定程度上提高了检测效率和准确性，减轻了农民的负担。
3、然而，现有的基于深度学习的作物病害检测方法仍然存在一些不足之处。首先，单一的可见光图像信息在一些复杂环境下可能难以准确区分病害特征，容易受到光照变化、背景杂乱等因素的干扰，导致检测结果不够稳定。其次，现有方法在特征提取和融合方面存在局限性，难以充分利用多源图像信息，影响了模型的检测性能。此外，传统的深度学习模型在面对多样化和复杂化的作物病害时，往往需要大量的标注数据和计算资源，训练和部署成本较高。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于特征增强的目标检测方法，通过结合多光谱图像和可见光图像的特征信息，并引入注意力机制和上下文感知模块，旨在提高作物病害检测的
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于特征增强的目标检测方法，包括以下步骤：
3、使用多光谱相机采集作物的多光谱图像和可见光图像，并进行预处理；
4、使用多通道卷积神经网络，分别处理可见光图像和多光谱图像，提取其特征fvis和fnir；
5、对提取的特征进行融合，得到融合特征ffused；
6、在特征提取阶段使用空间注意力模块和通道注意力模块，通过自适应调整特征图的空间分布和通道权重，得到注意力增强特征fattention；
7、使用上下文感知模块，通过多尺度卷积核提取多尺度特征并进行拼接，形成上下文特征fcontexe；
8、将上下文特征与融合特征进行融合，得到增强特征fenhanced；
9、通过全连接层和softmax层对增强特征进行分类和定位，输出病害检测结果。
10、优选的，所述对提取的特征进行融合，得到融合特征ffused的步骤包括：
11、计算可见光图像的特征fvis和多光谱图像的特征fnir的加权和，以得到融合特征ffused，公式如下：
12、ffused＝wvis·fvis+wnir·fnir
13、其中，wvis和wnir是通过训练得到的权重参数。
14、优选的，所述空间注意力模块的步骤包括：
15、计算融合特征ffused的全局平均池化favg和全局最大池化fmax；
16、将favg和fmax在通道维度上进行拼接；
17、通过一个7×7的卷积层处理拼接后的特征，以提取局部空间相关性；
18、使用sigmoid函数σ调整处理后的特征，得到空间注意力图fsam:
19、fsam＝σ(conv7×7(concat(favg,fmax)))
20、其中，conv7×7表示具有7×7核的卷积操作，用于从拼接的池化特征中提取高级空间特征；σ表示sigmoid激活函数，用于将卷积输出映射到[0,1]范围内，生成每个位置的注意力权重；favg和fmax分别表示ffused的全局平均池化和全局最大池化输出，用于捕捉不同的上下文信息。
21、优选的，所述通道注意力模块的步骤包括：
22、对融合特征ffused进行全局平均池化和全局最大池化，生成两个通道描述符和
23、分别对和应用两个串联的全连接层w0和w1进行变换，其中第一个全连接层w0用于降维，第二个全连接层w1用于恢复维度；
24、将两个全连接层的输出结果进行加和，并应用sigmoid函数σ生成通道注意力权重fcam:
25、
26、其中，δ表示relu激活函数，用于引入非线性；w0和w1分别表示第一个和第二个全连接层的权重；和分别代表通过全局平均池化和全局最大池化得到的通道描述符，用于捕捉全局依赖信息。
27、优选的，所述上下文感知模块的步骤包括：
28、应用具有不同大小的卷积核于融合特征ffused上，分别提取不同尺度的局部特征；
29、将得到的多尺度特征图进行通道维的拼接，以整合各尺度的空间信息，形成上下文感知的特征图fcontext；
30、具体公式表达为：
31、fcontext＝concat(f3×3(ffused),f5×5(ffused),f7×7(ffused))
32、其中，f3×3，f5×5和f7×7分别表示采用3×3、5×5和7×7卷积核的卷积操作，用于捕捉不同尺度的特征；concat表示在通道维上进行拼接操作，以融合这些多尺度的特征。
33、优选的，所述将上下文特征与融合特征进行融合，得到增强特征fenhanced的步骤包括：
34、使用多层感知器网络来整合融合特征ffused和上下文特征fcontext；
35、将ffused和fcontext在特征维度上进行拼接，形成一个综合特征矩阵；
36、通过mlp网络对综合特征矩阵进行处理，以学习和提取两种特征融合后的信息，强化目标检测任务的特征表示能力；
37、具体公式表达为：
38、fenhanced＝mlp(concat(ffused,fcontext))
39、其中，concat表示在特征维度上的拼接操作，用于合并来自不同源的特征；mlp表示多层感知器，用于进一步提取和优化融合后的特征表达。
40、优选的，所述方法还包括以下步骤：
41、对输入图像进行动态数据增强，包括光照增强、几何变换、噪声注入和仿真效果，以生成多样化的训练数据集。
42、本专利技术还提供一种基于特征增强的目标检测装置，包括：
43、数据采集模块，用于使用多光谱相机采集作物的多光谱图像和可见光图像；
44、图像预处理模块，用于对多光谱图像和可见光图像进行预处理，确保图像在空间上的对齐；
45、特征提取模块，用于通过多通道卷积神经网络分别处理可见光图像和多光谱图像，提取其特征；
46、特征融合模块，用于对提取的特征进行融合，得到融合特征；
47、注意力机制模块，包括空间注意力模块和通道注意力模块，用于对融合特征进行注意力增强，得到注意力增强特征；
本文档来自技高网...
【技术保护点】
1.一种基于特征增强的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述对提取的特征进行融合，得到融合特征Ffused的步骤包括：
3.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述空间注意力模块的步骤包括：
4.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述通道注意力模块的步骤包括：
5.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述上下文感知模块的步骤包括：
6.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述将上下文特征与融合特征进行融合，得到增强特征Fenhanced的步骤包括：
7.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述方法还包括以下步骤：
8.一种基于特征增强的目标检测装置，实施如权利要求1-7任一项所述的方法，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特
10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种基于特征增强的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述对提取的特征进行融合，得到融合特征ffused的步骤包括：
3.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述空间注意力模块的步骤包括：
4.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述通道注意力模块的步骤包括：
5.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于，所述上下文感知模块的步骤包括：
6.根据权利要求1所述的基于特征增强的目标检测方法，其特征在于...
【专利技术属性】
技术研发人员：付开洋，宋纪龙，王凯，王战，刘增凯，王文英，刘烨，王明泉，
申请(专利权)人：山东浩麟智能科技有限公司，
类型：发明
国别省市：
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。