[发明专利]一种基于稀疏候选框的叶蝉科农业害虫检测方法

权利要求书

1.一种基于稀疏候选框的叶蝉科农业害虫检测方法，包括以下步骤：

步骤1，制作叶蝉科虫图像数据集，划分为训练集、验证集、测试集；

步骤2，通过四个尺度特征提取，分别获取含有高层语义信息与低层细节信息的特征图，并进行融合；

步骤3，利用神经网络联合生成感兴趣区域，并提取感兴趣区域中的特征，得到感兴趣区域特征图；

步骤4，生成建议特征，和步骤3生成的感兴趣区域及感兴趣区域特征图进行一一对应，并交互产生最终的目标特征图；

步骤5，对神经网络模型进行训练和验证，并对神经网络模型所有阶段的参数进行更新；

步骤6，进行位置和分类的预测。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：

从IP102数据集中读取原始的叶蝉科虫图像的文件名并提取相应图像；

读取与叶蝉科图像同名的标注文件，并提取相应标注文件；

将提取的图像及标注文件制作成VOC格式数据集，划分为训练集、验证集、测试集。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：

步骤2-1，将叶蝉科虫图像输入到卷积神经网络，经过神经网络四个尺度对应的四个阶段的卷积操作，得到每一阶段的特征图；

步骤2-2，采用步骤2-1中四个阶段的特征图将相邻两个阶段的特征图依次进行特征融合，得到含有高层语义信息与低层细节信息的整张图像的高分辨率的特征图。

4.根据权利要求3所述的方法，其特征在于，步骤3包括：

步骤3-1，采用可学习的目标候选框征，从神经网络模型在步骤2-2得到的特征图中提取数量稀疏的感兴趣区域，感兴趣区域是指图像中可能出现目标物体的位置，保留感兴趣区域的浮点数，将感兴趣区域平均划分为N个小区域，并保留浮点数；

步骤3-2，将N个小区域中的每一个小区域都平分为两等份，每份取其中心点位置，采用双线性插值法进行计算分别得到两等份的中心点位置的像素；

步骤3-3，取两等份的中心点位置的像素中最大值作为小区域的像素值，从而得到N个小区域的N个像素值，组成M*M大小的特征图，作为感兴趣区域特征图。

5.根据权利要求4所述的方法，其特征在于，步骤4包括：

步骤4-1，将自注意力机制应用于建议特征产生后续卷积核的参数；

步骤4-2，对建议特征对应的感兴趣区域特征进行两个连续的1*1卷积，过滤掉叶蝉科虫图像感兴趣区域里和叶蝉科虫本身无关的背景区域特征，生成新的目标特征图，卷积核的参数由步骤4-1提供。

6.根据权利要求5所述的方法，其特征在于，步骤5包括：

采用机器学习中的监督学习方法在训练集、验证集上分别进行训练和验证，在训练时，采用聚焦损失函数FocalLoss和平滑后的最小绝对值偏差范式损失函数SmoothL1、DIOU阈值评估各个位置预测框分类和回归结果，具体是采用聚焦损失函数FocalLoss对神经网络模型检测目标的类别能力进行提升，采用最小绝对值偏差范式损失函数SmoothL1、DIOU阈值对神经网络模型生成目标框的能力进行提升，利用各部分损失函数的值对模型进行反向传播更新，在更新过程中不固定神经网络模型的一个阶段，对所有部分参数均进行更新；

总损失函数表达式如下：

其中为预测分类与真实类别标签的聚焦损失，为归一化中心坐标和真实边界框的SmoothL1损失，为预测边界框宽高和真是边界框的交并比损失，λ_cls、λ_L1、是各分量的系数；

公式如下：

其中y为真实目标，为预测结果，i表示目标的编号，m是目标的总数，y⁽ⁱ⁾为第i个真实目标，为第i个预测结果；

公式如下：

其中，IoU是交并比；b，b^gt分别表示预测框的中心点和真实框的中心点，ρ表示预测框的中心点和真实框的中心点之间的欧式距离；c表示能够同时包含预测框和真实框的最小闭包区域的对角线距离。