[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

说明书

一种基于采样阈值区间加权的松材线虫病树检测方法，它包括步骤1:进行图像采集，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进行卷积，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，进行类型识别与定位，并生成训练模型；步骤5:获取验证集图片，并将处理后的图片投入训练模型中进行识别等步骤。本发明的目的是为了能准确、可靠的对松材线虫病树进行定位，而提供了一种鲁棒的、基于影像处理技术的对松材线虫病树进行检测的方法。

技术领域

本发明涉及遥感影像中目标检测的技术领域，尤其涉及一种对松材线虫病树的检测方法。

背景技术

松材线虫病是一种由松材线虫引起的具有毁灭性的森林病虫害，松树一旦感染该病，最快40天左右即可死亡，如不进行人工干预，3-5年内便可摧毁成片的松树林。该病自1982年传入我国，已蔓延至全国18个省588个县级行政区域，发生面积达974万亩，造成的松树死亡数量累计达到数十亿株，造成直接经济损失和生态服务价值损失上千亿元。

传统的松材线虫病识别的工作通常采用人工定位的方法进行，然而人工定位的方法既耗费时间也耗费物力，并且有些地方难以进行人工踏勘。

在现有技术中文献编号为1000-1298(2020)07-0228-09的论文公开了一种基于Faster R-CNN深度学习网络对松材线虫病树进行检测的方法，论文主要创新点在于通过根据病树冠幅修改RPN网络中建议框尺寸，达到更好的网络训练精度。但该现有技术对正负样本的平衡没有进行调整，仅仅通过修改建议框的尺寸无法平衡网络训练中正负样本的比例，而且也没有考虑到样本的难易程度对网络训练带来的影响。

本发明通过构建采样检测网络，解决网络训练中存在的样本不平衡问题，通过对样本阈值区间进行加权，提高网络的困难采样率，降低大量简单样本的采样率，提升样本采集质量，从而获取更为鲁棒的网络模型。

发明内容

本发明的目的是为了能准确、可靠的对松材线虫病树进行定位，而提供了一种鲁棒的、基于影像处理技术的对松材线虫病树进行检测的方法。

一种基于采样阈值区间加权松材线虫病树进行检测的方法，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。

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，病树特征提取网络主要由下采样模块组成，下采样模块采用残差模块进行堆叠生成。

2)将训练集图片送入病树特征提取网络中进行下采样，得到特征图；

步骤3中，构建采样筛选网络对对特征图进行样本采集，采用以下步骤：