[发明专利]基于深度学习和无人机航拍的松材线虫病树识别方法

说明书

本发明公开了一种基于深度学习和无人机航拍的松材线虫病树识别方法，主要利用改进的fasteRCnn算法提高识别的精度，Inside Net：Inside是指在ROI区域之内通过连接不同Scale下的Feature Map进行多尺度特征融合；所述多尺度特征融合采用的是Skip‑Pooling，从conv3‑4‑5‑context分别提取特征；Outside Net：Outside是指ROI区域之外，也就是目标周围的上下文(Contextual)信息。本发明方案利用最先进的深度学习图形识别技术，来自动识别无人机拍摄的航拍图片，结果和传统cv技术相比识别精度大大提高，能达到实际应用的要求；这样既提高了效率，又有很高的识别精度，是一种非常理想的松材线虫病检测方案。

技术领域

本发明涉及无人机技术领域，尤其涉及一种基于深度学习和无人机航拍的松材线虫病树识别方法。

背景技术

松材线虫病，又称松树萎蔫病，是由松材线虫(Bursaphelenchus xylophilus)引起的具有毁灭性的森林病害，属我国重大外来入侵种，已被我国列入对内、对外的森林植物检疫对象。该病自1982年传入我国以来，扩散蔓延迅速，目前全国已有14省(市、区)发生，面积达7.7万公顷，导致大量松树枯死，对我国的松林资源、自然景观和生态环境造成严重破坏，造成了严重的经济和生态损失。

传统的松材线虫病监测和督促治理工作需要人员到现场进行实地核查，在林地地形复杂且范围广阔的前提下，存在核查效率低、人员安全无法保障等弊端。

近年来以深度学习为代表的人工智能技术突飞猛进，在图形识别、语音识别、文本识别等多个领域取得了非常瞩目的成绩，跟原来的传统方法相比，有着非常明显的优势；

无人机普及后，出现了以无人机拍摄森林图片，然后用传统cv技术进行图像识别的检测技术。该技术解决了传统方法效率低、人员安全无法保障的缺点，但是检测精度较低，难以达到实际应用的要求。

深度学习中的faster rcnn方法由Ross B.Girshick在2016年提出，在结构上，Faster RCNN将特征抽取(feature extraction)，proposal(专业术语,指可能存在所测对象的区域)提取，bounding box regression(rect refine)，classification(分类)都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。

Faster R-CNN是2-stage(二步)方法的奠基性工作，提出的RPN(专业术语,区域候选网络)网络取代Selective Search(专业术语,一种算法,直译为选择性搜索算法)算法使得检测任务可以由神经网络端到端地完成。粗略的讲，Faster R-CNN＝RPN+Fast R-CNN，跟RCNN共享卷积计算的特性使得RPN引入的计算量很小，使得Faster R-CNN可以在单个GPU(指计算器的图形处理器)上以5fps的速度运行，而在精度方面达到SOTA(State of theArt，当前最佳)。

第一步是在一个滑动窗口上生成不同大小和长宽比例的anchor box(专业术语,直译为锚框)，取定IoU(专业术语,指目标窗口和原来标记窗口的交叠率)的阈值，按GroundTruth(真实情况)标定这些anchor box的正负。于是，传入RPN网络的样本数据被整理为anchor box(坐标)和每个anchor box是否有物体(二分类标签)。RPN网络将每个样本映射为一个概率值和四个坐标值，概率值反应这个anchor box有物体的概率，四个坐标值用于回归定义物体的位置。最后将二分类和坐标回归的损失统一起来，作为RPN网络的目标训练。

由RPN得到Region Proposal(专业术语,候选区域的意思)在根据概率值筛选后经过类似的标记过程，被传入R-CNN子网络，进行多分类和坐标回归，同样用多任务损失将二者的损失联合。