[发明专利]一种基于小尺度松材线虫病树的检测方法

权利要求书

1.一种基于小尺度松材线虫病树的检测方法，具体包括以下步骤：

步骤1：获取图像，并对松材线虫病树进行标记，制作成数据集；

步骤2：将数据集输入底层特征批处理融合和多重特征复用网络模型中，进行特征提取，获得识别模型，识别松材线虫病树；

步骤3：将松材线虫病树的识别结果矢量化，得到松材线虫病树的经纬度坐标信息；

步骤4：将松材线虫病树的经纬度坐标信息上传到松材线虫病树监理平台，通过监理平台查看病树的地理分布情况，人工砍伐。

2.根据权利要求1所述的方法，其特征在于，在步骤2中，将数据集输入底层特征批处理融合和多重特征复用网络模型中，进行特征提取，得到识别模型，具体采用以下步骤：

2-1：对无人机影像样本集进行挑选、预处理；

2-2：根据病树图片的不同尺度将数据集分类，分开进行迁移训练网络模型；

2-3：将数据集输入底层特征批处理融合和多重特征复用网络模型中，进行多特征信息提取，获得松材线虫病树识别模型，识别松材线虫病树。

3.根据权利要求2所述的方法，其特征在于，在步骤2-2中，根据病树图片的不同尺度将数据集分类，分开进行迁移训练网络模型，具体包括以下子步骤：

2-2-1：在尺度值为A的数据集样本中，病树的尺度相对较小，有利于模型对小尺度病树的特征提取，先将尺度值为A的数据集输入到网络模型中，训练得到松材线虫病树识别模型；

2-2-2：接着将尺度值为B的数据集样本输入到网络模型中，将尺度值为A训练所得到的网络模型作为尺度值为B数据集样本训练的预训练模型进行迁移训练，得到最终松材线虫病树识别模型。

4.根据权利要求2所述的方法，其特征在于，在步骤2-3中，构建底层特征批处理融合和多重特征复用网络模型，具体包括以下子步骤：

2-3-1：将待检测图像输入特征提取主干网络中，通过自下而上的方式由浅至深层提取特征，具体如下：

将输入图通过卷积进行下采样操作，得到特征图L1；

将特征图L1通过卷积进行最大池化下采样操作，再依次通过多个卷积残差块操作得到特征图L2；将特征图L2通过多个卷积残差块操作得到特征图L3；将特征图L3通过多个卷积残差块操作得到特征图L4；将特征图L4通过多个卷积残差块操作得到特征图L5；

2-3-2：将底层特征批处理融合和深层特征复用以增强模型对不同尺度的松材线虫病树的特征提取能力，再对松材线虫病树进行识别。

5.根据权利要求4所述的方法，其特征在于，在步骤2-3-2中，具体步骤如下：

将底层特征图L1、特征图L2、特征图L3通过卷积操作，使得它们的通道数相同，然后进行特征融合，得到特征图F2；

使用卷积对特征图F2进行卷积操作，消除融合后的特征混合叠加效应，得到最终的预测特征图Ps1，用于检测小尺度病树；

将深层特征图L4、特征图L5通过卷积操作，使得特征图L4、特征图L5的通道数与特征图L3的通道数相同；然后进行特征融合，得到特征图F3；

使用卷积对特征图F3进行卷积操作，消除融合后的特征混合叠加效应，得到最终的预测特征图Ps2，用于检测预测特征图Ps1未检测到的小尺度病树；

将特征图L4与进行了下采样操作的特征图F2和进行了上采样操作的特征图L5进行融合，得到特征图F4；

使用卷积对特征图F4进行卷积操作，消除融合后的特征混合叠加效应，得到预测特征图Pm，用于检测中等尺度病树；

将特征图L5与进行了下采样操作的特征图F2进行融合，得到特征图F5,对特征图F5进行卷积操作得到预测特征图Pl，用于检测大尺度病树。

6.根据权利要求1所述的方法，其特征在于，步骤4具体包括以下子步骤：

4-1：把识别出的病树的经纬度坐标信息导入松材线虫病树监理平台；

4-2：在松材线虫病树监理平台上可以查看病树的地理分布情况，根据监理平台的病树导航信息，找到病树，对发病松树进行勘察及人工砍伐。