[发明专利]一种基于采样阈值区间加权的松材线虫病树检测方法

权利要求书

1.一种基于采样阈值区间加权的松材线虫病树检测方法，其特征在于，包括以下步骤：

步骤1：采集训练集图片，对包含病树样本的图片进行标记作为训练集；

步骤2：构建病树特征提取网络对训练集图片的特征进行提取，生成特征图；

步骤3：构建采样筛选网络，对特征图进行样本采集，并根据采样阈值区间加权算法对样本进行筛选；

步骤4：样本采集完成后送入解耦的网络检测头中，进行病树的识别，并生成初始双检测头识别模型；

步骤5：将需要检测的病树图片投入初始双检测头模型中进行识别，对验证集中错误样本进行统计，并制作成为负样本集，与训练集混合后再次放入采样筛选网络中进行训练，通过反复迭代获取高鲁棒性的双检测头识别模型；

步骤6：将最优模型的识别模型的识别结果输出为矢量，并校正位置，得到病树中心点经纬度坐标文件；

在步骤3中，构建采样筛选网络，对特征图进行采样并根据采样阈值区间加权方法筛选样本，具体采用以下步骤：

(1)训练集图片在经过病树特征提取网络后变为特征图，样本为采样筛选网络在特征图上通过滑窗方式生成预选框，预选框可视为一个个按照固定比例预定义的框；

(2)计算预选框和标注真值的IOU交并比，IOU计算公式为：

IOU大于阈值X的视为正样本，IOU小于X视为负样本；

(3)采样阈值区间加权方法具体步骤如下：

通过对整体样本的IOU阈值区间进行划分，将IOU阈值区间按照正负样本分为两个区间，并在两个区间内划分难易样本区间，按照L的阈值区间将X以下及以上的区间各划分为K个阈值区间，并对难例样本区间进行加权，加权公式如下：

S_k为不同Batch中的候选采样数，N为采样数，K为划分的区间数，C为：若整体采样数不够N值，则从整体样本空间内进行随机采样的采样数。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中，在构建病树特征提取网络时，具体采用以下步骤：

(1)构建病树特征提取网络；

(2)将训练集图片送入病树特征提取网络中进行特征提取，得到特征图。

3.根据权利要求1所述的方法，其特征在于，在步骤(3)中，如果整体采样数量没有达到候选采样数，则进行随机采样补齐，σ为加权系数，加权系数中n_max代表整个样本空间的样本数，n_h表示当前阈值区间内样本数量，样本空间阈值的整体走向是呈U型的，整个样本空间内的样本数是恒定的，在难例样本区间内采样的数量相对于容易样本的采样数量是较为稀少的，实验将K个区间分为简单样本区间和困难样本区间，取样本空间两端的区间ψ为简单样本区间，其余为困难样本区间，在不同的样本区间内使用不同的加权系数σ，抑制简单样本提高困难样本的采样比例，经过采样网络对预选框进行筛选后，剩余的预选框被当做样本框送入网络检测头部分对样本框进行类型识别定位。

4.根据权利要求1所述的方法，其特征在于，在步骤4中，将网络检测头进行解耦的具体实现步骤如下：

(1)将网络检测头的类型识别定位支路进行解耦，分解为定位支路和类型识别支路；

在步骤(1)中，将经过采样筛选网络的特征图进行池化获得指定大小的特征图，在经过池化后的特征图后面建立两条检测支路，支路2上串联两个卷积模块，支路1上串联两个全连接层，分别让两个检测支路专注于不同的任务，其中卷积模块采用K个残差模块进行堆叠，残差模块由三个模块组成，第一个模块主要用于将特征图的通道数从初始值A增加到目标值B，第二个模块是瓶颈结构，通过在大卷积层前后堆叠1*1的小卷积层，降低训练使用的参数，第三个是Non-local模块，用于提升卷积核的感受野，Non-local模块表达公式如下：

其中x是输入信号，在目标检测中一般使用的是特征图，i和j分别代表输入某个空间位置，f函数式计算i和j的相似度，g函数计算特征图在j位置的表示，最终y通过响应因子C(x)进行标准化处理后得到，通过Non-local模块可以计算任意两个位置之间的交互，从而捕捉远程依赖，脱离相邻点的局限，相当于构建了一个特征图谱尺寸一样大的卷积核，从而可以维持更多信息；

(2)重新设置定位支路的损失函数，并得到最后病树识别结果。