[发明专利]一种基于区域卷积神经网络的农业害虫检测方法

权利要求书

1.一种基于区域卷积神经网络的农业害虫检测方法，其特征在于包括：

(1)搜集并整理各类的农业害虫图像样本作为训练图像集；

(2)对训练图像集利用ImageLabel图像标注工具进行标记样本标签操作；

(3)利用步骤(2)处理后的训练图像集对区域卷积神经网络进行模型训练；

(4)采集农田中的监控图像，利用步骤(3)训练后的区域卷积神经网络进行图像测试，输出最终结果；

所述区域卷积神经网络进行模型训练的步骤包括：

1)将搜索得到的农业害虫的训练图像集送入到原始特征提取网络中，得到固定维度的原始特征图；

2)在得到的原始特征图上再次进行卷积和非线性操作，卷积操作定义为：

y_i＝w_i*x+b_i (1)

其中w_i表示卷积核，x表示输入数据，b_i表示为达到更好结果而加入的偏置量，y_i表示与输入相对应的输出；

非线性操作指在输出y_i上添加激活函数的相关操作，具体公式为：

f(y_i)＝max(y_i,0) (2)

y_i为卷积操作的结果，当y_i0时，f(y_i)＝0，当y_i0时，f(y_i)＝y_i，得到和步骤1)大小相同的一系列特征图；

3)在步骤2)得到的特征图上选取候选框，并将每个候选框映射到原图中去，接着用概率预测层输出每个候选框属于背景和前景的概率；最后用窗口回归层输出每一个候选框应该平移缩放的参数同时输出平移缩放后候选框的对应坐标；概率预测层采用一个二分类softmax回归，具体公式如下：

其中，项对概率分布进行归一化，使得所有概率值和为1，P(t＝1|z)表示属于类别1的概率，e为自然底数，d是sigma求和函数的底数；

窗口回归层计算公式具体如下：

t_x＝(x-x_a)/w_a，t_y＝(y-y_a)/h_a，t_w＝log(w/w_a)，t_h＝log(h/h_a)，

其中x，y分别表示候选框中心的横、纵坐标，w，h分别表示候选框宽度及高度；x_a表示在步骤2)得到的特征图上每个位置考虑9个候选框中心的横坐标，x^*表示真实候选框中心的横坐标，y_a，y，y^*，w_a，w，w^*，h_a，h，h^*都分别表示与上述x_a，x，x^*相对应候选框的中心纵坐标、宽度、高度，t_x，t_y，t_w，t_h分别表示将窗口回归层输出的候选框的中心坐标、宽度及高度进行向量化后的结果，分别表示将窗口回归层输出的真实候选框的中心坐标、宽度及高度进行向量化后的结果；

4)在步骤3)的基础上，利用上述候选框对区域卷积神经网络进行训练，根据得到的输出与真实输出作比较，算出误差m，接着采用反向传播算法，先利用公式：

其中表示输出层第i个神经元的输入,k为神经元的个数，表示目标j预测值与真实值之间的误差，m_i表示目标i预测值与真实值之间的误差，θ′指代激活函数，L表示损失函数，算出再根据公式：

其中w_ij表示权重，表示中间层第i个节点的输入，表示输出层第j个神经元的输入，根据算出权重梯度最后通过权重梯度算出一个新的权重，从而更新各个隐层的参数，最终得到此区域卷积神经网络的检测模型。