[发明专利]一种基于无尺度深度网络的农业害虫检测方法

权利要求书

1.一种基于无尺度深度网络的农业害虫检测方法，其特征在于：该方法包括以下步骤：

(1)预处理给定的害虫图像训练数据；

(2)构建害虫无尺度目标检测器；

(3)提取待测害虫图像的无尺度特征，预测害虫目标的置信度和位置；

(4)后置优化获取的害虫目标的置信度和位置；

(5)判定待测害虫图像中的害虫目标的位置及数目；

步骤(2)中所述的“构建害虫无尺度目标检测器”，具体包括以下步骤：

(21)随机初始化害虫无尺度目标检测器的深度神经网络的权重和偏置(W，B)，所述深度神经网络的权重W包括深度特征编码器的权重和目标检测子的权重，所述深度特征编码器包括N₁层正卷积模块、N₂层反卷积模块和1层无尺度特征模块，所述目标检测子为单层全连接网络，其输出层包括6个神经元；

(22)采用中心落点法获取无尺度正负样本，使用大小为n×n的滑动窗口在反卷积模块的输出特征图上进行滑动；在每个滑动位置上，将该滑动位置对应的滑动窗口的中心位置映射到原图上，做一个以映射的中心点为原点，以R为半径的圆，若有真实目标框中心点落于该圆周内，则将该滑动窗视为正样本，标记为1；否则视为负样本，标记为0；

(23)根据步骤(22)得到的正负样本集，获得无尺度深度网络学习损失函数L：

其中，k表示样本标号，N_c为批量处理的大小，N_r等于样本数，α为平衡系数，p_k表示预测害虫目标的概率值；表示对应的样本标签，正样本取1，负样本取0；

表示参数化样本真实边界框，t_k＝{t_x,t_y,t_w,t_n}表示参数化样本预测边界框；t_x＝x/W_input，t_y＝y/H_input，t_w＝log(w/W_input)，t_h＝log(h/H_input)；对应的，x、y、w、h分别为预测边界框的左上角点的横坐标、纵坐标、宽度和高度；x^*,y^*,w^*,h^*分别为真实边界框的左上角的横坐标、纵坐标、宽度和高度；W_input、H_input分别为输入害虫图像的宽度、高度；

(24)采用BP算法对害虫无尺度目标检测器的深度神经网络的权重和偏置参数进行学习，迭代N次，至目标检测器参数达到最优：

其中，l表示目标检测器网络层数l＝1,2,…,N₁+N₂+2,W^l表示第l层的权值矩阵，B^l表示第l层的偏置参数，η表示学习率；

(25)获取最优无尺度目标检测器，具体地说，包括获取最优特征编码器的参数W^l,B^l，l＝1,2,…,N₁+N₂+1和最优目标检测子的权重与偏置参数：W_c1,W_c2,W_b1,W_b2,W_b3,W_b4,b_c1,b_c1,B_b1,B_b2,B_b3,B_b4,其中，W_c1,W_c2为目标置信度回归权重，b_c1,b_c2为偏置参数，W_b1,W_b2,W_b3,W_b4为位置回归权重，B_b1,B_b2,B_b3,B_b4为偏置参数。