[发明专利]基于卷积神经网络与迁移学习的树干图像快速检测方法

权利要求书

1.一种基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征在于：包括以下步骤，

S1.采集图像数据构建训练样本；

S2.采用迁移学习和卷积神经网络对训练样本进行训练，获得树干检测模型；

S3.使用树干检测模型对测试图像进行检测，获取检测结果。

2.根据权利要求1所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是步骤S1的具体步骤包括，

S11.采集树木的图像，图像在不同光照、不同角度和不同距离情况下采集，采集包括不同树种、不同树龄的树干图像，树干图像包括包含不同遮挡物和垂直物体图像；

S12.图像数据增广，对部分图像进行镜面变换、裁剪、旋转、随机水平、垂直翻转操作，获得增广后图像数据集；

S13.图像标注，标注出树干图像中树干、垂直物体；

S14.经过增广和标注后获得的图像数据集作为训练样本。

3.根据权利要求2所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是所述垂直物体包括电线杆和路灯，采集的图像中包含树干和垂直物体的数量为1-20个。

4.根据权利要求1所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是所述步骤S2中获取树干检测模型过程包括，

在yolov3算法上修改源网络输入尺寸，设置480×480像素值作为输入值；

设置卷积块DBL_block，在yolov3算法结构中Darknet-53网络层、两个张量拼接层后分别连接卷积块DBL_block，其中卷积块DBL_block包括三组独立的不等的卷积组，分别为：

DBL_block1-Conv1×1

DBL_block2-Conv1×1-Conv3×3-Conv1×1

DBL_block3-Conv1×1-Conv3×3-Conv1×1-Conv3×3-Conv1×1

其中DBL_block n为不同的卷积组，Convn×n为卷积核；

微调源网络模型参数，

根据训练样本分类数修改cls num数量；

将yolov3算法三个检测模型的yolo detection层前一层的filters修改为24；

各检测模型的超参数设置为：每批训练样本数32，动量因子为0.9，权重衰减值为0.0005，学习率为0.0001，经过30次迭代至各检测模型损失趋于稳定；

改进后获得树干检测模型。

5.根据权利要求1所述的基于卷积神经网络与迁移学习的树干图像快速检测方法，其特征是所述步骤S2中将训练样本使用带有动量的梯度下降法训练树干检测模型，获得训练好的树干检测模型。