[发明专利]一种环境土壤检测方法及装置

权利要求书

1.一种环境土壤检测方法，其特征在于，应用于电子设备，所述方法包括：

获取无人机拍摄到的环境土壤图像集合并提取所述环境土壤图像集合中每张环境土壤图像的土壤初始区域；

根据预先训练的神经网络模型提取所述土壤初始区域中土壤边界的关键特征点，并根据每个关键特征点对应区域的深度特征检测所述土壤初始区域中是否存在误检土壤区域；

若检测到所述土壤初始区域中存在误检土壤区域，则将该误检土壤区域中该张环境土壤图像中移除，并将该张环境土壤图像和拍摄该张环境土壤图像时的拍摄信息进行检测标记，以得到误检优化后的环境土壤图像集合；

所述方法还包括：

训练所述神经网络模型；

所述训练所述神经网络模型的方式，包括：

配置所述神经网络模型的网络结构，其中，所述网络结构包括基础卷积特征提取网络和神经卷积特征提取网络，所述基础卷积特征提取网络用于提取土壤初始区域中的关键特征点，所述神经卷积特征提取网络用于提取每个关键特征点对应区域的深度特征，所述神经卷积特征提取网络包括与所述基础卷积特征提取网络相连的ROI池化层、与所述ROI池化层相连的多个卷积层组合以及与所述ROI池化层相连的多个全连接层组合，每个卷积层组合与相应的全连接层组合存在对应关系，每个卷积层组合提取对应的关键特征点对应区域的深度特征后由所述ROI池化层进行池化操作后输入到对应的全连接层组合中；

对配置好的上述网络结构的神经网络模型的网络权重参数进行随机初始化，并基于输入的训练样本集对所述神经网络模型进行训练，计算得到对应的损失函数值，其中，所述训练样本集包括土壤边界区域图像数据集和非土壤边界区域图像数据集，所述损失函数值的计算公式为：

L(θ)＝ηL₁(θ)+λL₂(θ)＝ηΣl₁(θ)+λ∑l₂(θ),

其中，

其中，L(θ)表示每个类别的损失函数；

L₁表示关键特征点的损失函数值；

L₂表示利用关键特征点对应区域的深度特征进行误检判别的损失函数值；

Y^landmark表示每个关键特征点；

x表示输入的训练样本集，y表示输出的分类结果；

N表示输入的数据个数，S表示类别个数；

η表示关键特征点的权重，λ表示关键特征点对应区域的深度特征的权重；

i、j分别表示数据序号；

根据所述损失函数值利用预先配置的反向传播阈值策略计算对应的反向梯度值，所述反向梯度值对应的计算公式为：

其中，表示反向梯度值；

L₁表示关键特征点的损失函数值；

L₂表示利用关键特征点对应区域的深度特征进行误检判别的损失函数值；

η表示关键特征点的权重，λ表示关键特征点对应区域的深度特征的权重；

根据所述反向梯度值，利用链式导数传导法计算所述神经网络模型的网络权重参数的偏导数；

基于所述偏导数更新所述神经网络模型的网络权重参数，并基于更新所述网络权重参数后的神经网络模型重复上述训练步骤，直到训练后的网络权重参数满足训练终止条件时，输出满足训练终止条件的神经网络模型，其中，所述基础卷积特征提取网络和神经卷积特征提取网络共享所述网络权重参数。

2.根据权利要求1所述的环境土壤检测方法，其特征在于，所述提取所述环境土壤图像集合中每张环境土壤图像的土壤初始区域的步骤，包括：

将所述环境土壤图像集合中的每帧图像转换为灰度图像；

提取所述灰度图像的类Haar特征；

利用adaboost级联分类器对提取出的类Haar特征进行推理，根据所述类Haar特征从所述灰度图像中提取得到对应的土壤初始区域。