[发明专利]一种面向信息素诱捕器的红脂大小蠹检测器优化方法

摘要

本发明公开了一种面向信息素诱捕器的红脂大小蠹检测器优化方法，优化基础为RetinaNet检测器，采用该方法优化后得到一轻量级红脂大小蠹检测器，该方法用于对嵌入信息素诱捕器收集杯中的摄像头采集的蠹虫图像进行检测，以检测出其中的小蠹科害虫的种类和个数，包括(1)数据增强，(2)损失函数，(3)特征提取器优化，(4)特征金字塔优化，(5)预测模块优化。本发明提供的面向信息素诱捕器的红脂大小蠹检测器优化方法针对蠹虫样本的特点和检测器部署的需要对RetinaNet检测器进行了优化，克服了RetinaNet检测器在红脂大小蠹实时检测上的不足，在保证检测精度的前提下，能够在嵌入式设备上运行，为大规模低成本的红脂大小蠹监测系统的实现提供基础。

主权项

1.一种面向信息素诱捕器的红脂大小蠹检测器优化方法，优化基础为RetinaNet检测器，采用该方法优化后得到一轻量级红脂大小蠹检测器，该方法用于对嵌入信息素诱捕器收集杯中的摄像头采集的蠹虫图像进行检测，以检测出其中的小蠹科害虫的种类和个数，其特征在于，该方法包括以下步骤：(1)数据增强：对蠹虫图像进行以下操作：平移、缩放、翻转及亮度变化；(2)损失函数：轻量级红脂大小蠹检测器采用一聚焦损失函数，聚焦损失函数FL(pt)的定义如下式：FL(pt)＝‑(1‑pt)γlog(pt)，其中，y∈{±1}，y代表样本类别，p∈[0,1]是检测器对待检测样本属于正样本(即y＝1)的估计概率，γ为可调因子并且γ≥0；(3)特征提取器优化：使用深度可分离卷积构建一MobileNet网络作为特征提取器，特征提取器包括一个输入层、一个卷积层、十三个深度可分离卷积层，输入层位于卷积层之前，十三个深度可分离卷积层位于卷积层之后，其中，从输入层输出的特征图大小为600×600×3，卷积层中卷积滤波器的大小为3×3，卷积滤波器的数目为32，卷积步长为2，卷积层输出的特征图大小为300×300×32，第1～5个深度可分离卷积层中，深度卷积滤波器的大小均为3×3，深度卷积滤波器的数目均为1，深度卷积步长分别为2、1、2、1、2，点卷积滤波器的大小均为1×1，点卷积滤波器的数目分别为64、128、128、256、256，点卷积的步长均为1，第5个深度可分离卷积层输出的特征图大小为75×75×256，第6～11个深度可分离卷积层中，深度卷积滤波器的大小均为3×3，深度卷积滤波器的数目均为1，深度卷积的步长分别为2、1、1、1、1、1，点卷积滤波器的大小均为1×1，点卷积滤波器的数目均为512，点卷积步长均为1，第11个深度可分离卷积层输出的特征图大小为38×38×512，第12、13个深度可分离卷积层中，深度卷积滤波器的大小均为3×3，深度卷积滤波器的数目均为1，深度卷积的步长分别为2、1，点卷积滤波器的大小均为1×1，点卷积滤波器的数目均为1024，点卷积的步长均为1，第11个深度可分离卷积层输出的特征图大小为19×19×1024，(4)特征金字塔优化：S11：分别对第5、11和13个深度可分离卷积层的输出进行卷积计算，其中，进行卷积计算时的卷积滤波器大小为1×1，卷积滤波器的数目为256，卷积步长为1，得到大小分别为75×75×256、38×38×256、19×19×256的特征图，S12：对步骤S11得到的大小为19×19×256的特征图，利用双线性插值算法进行上采样，得到大小为38×38×256的特征图，将该大小为38×38×256的特征图与步骤S11中得到的大小为38×38×256的特征图进行通道间求和，再对求和结果进行卷积计算，其中，卷积计算使用的卷积滤波器的大小为3×3，卷积滤波器的数目为256，卷积的步长为1，卷积计算得到特征金字塔层P4，其大小为38×38×256，S13：对步骤S12中得到的特征金字塔层P4，利用双线性插值算法进行上采样，得到大小为75×75×256的特征图，将该大小为75×75×256的特征图与步骤S11中得到的大小为75×75×256的特征图进行通道间求和，再对求和结果进行卷积计算，其中，卷积计算使用的卷积滤波器的大小为3×3，卷积滤波器的数目为256，卷积的步长为1，卷积计算得到特征金字塔层P3，其大小为75×75×256；(5)预测模块优化：①分类子网优化S21：将分类子网中的四层卷积替换为四个残差结构，第n个残差结构依次包括一卷积层Un和一短连接Vn，n＝1、2、3或4，残差结构用于进行以下计算：y＝x+F(x)，其中，x和y分别是残差结构的输入和输出，卷积层Un对其输入x进行卷积计算并输出残差映射F(x)，卷积计算的滤波器大小为3×3，卷积步长为1，滤波器数目为256，卷积层U1的输入为特征金字塔层P3或P4，短连接Vn用于计算残差结构的输入x与卷积层Un输出的F(x)之和以得到残差结构的输出y，第n个残差结构的输出为第n+1个残差结构的输入，当第1个残差结构的输入为特征金字塔层P3时，第4个残差结构输出的特征图大小为75×75×256，当第1个残差结构的输入为特征金字塔层P4时，第4个残差结构输出的特征图大小为38×38×256，S22：对第4个残差结构的输出进行卷积计算得到分类特征，卷积计算的滤波器大小为3×3，卷积步长为1，滤波器数目为9×2，其中，滤波器数目中的“9”表示第4个残差结构输出的特征图的每个像素点对应的默认框个数，滤波器数目中的“2”表示分类子网的分类类别的数目，分类类别为“红脂大小蠹”和“其他”两类，当残差结构的卷积层U1的输入为特征金字塔层P3时，卷积计算输出的特征图大小为75×75×18，当残差结构的卷积层U1的输入为特征金字塔层P4时，卷积计算输出的特征图大小38×38×18，S23：对步骤S22输出的分类特征进行计算，得到每个默认框在每个分类类别上的分类信心，步骤S22输出的特征图大小中的“18”代表9个默认框在2个类上的特征，将特征值输入sigmoid函数，由sigmoid函数输出默认框属于相应类别的概率，即默认框在各类的分类信心，其中，sigmoid函数的计算公式如下：其中，x′为特征值，②回归子网设计S31：对特征金字塔层P3、P4分别进行四层卷积计算，每层卷积计算的卷积滤波器的大小为3×3，卷积滤波器数目为256，卷积步长为1，经过四层卷积计算，得到的特征图大小分别为75×75×256、38×38×256，S32：对步骤S31的输出进行一层卷积计算得到默认框位置偏移量，卷积计算的卷积滤波器的大小为3×3，卷积步长为1，卷积滤波器数目为9×4，其中，卷积滤波器数目中的“9”表示该层特征图的每个像素点对应的默认框个数，卷积滤波器数目中的“4”表示默认框左上角和右下角4个坐标值的位置偏移量，③K‑means默认框优化利用K‑means聚类算法对训练样本的标注框面积的算术平方根进行聚类得到聚类结果，再计算聚类结果的平方值，得到6组不同大小的默认框面积，为了更好地匹配不同形状的样本，对每组面积的默认框，初始化三种宽高比{1:2,1:1,2:1}，即每组默认框下包含三种宽高比不同的默认框，④检测框定位将6组共18种默认框以对应的特征金字塔层的初始大小按预设步长在600×600×3大小的输入图上进行定位，得到默认框在输入图上的左上角和右下角的坐标(x1,y1,x2,y2)，其中，特征金字塔层P3的步长为8像素，特征金字塔层P4的步长为16像素，通过回归子网，得到每个默认框对应的位置偏移量(Δx1,Δy1,Δx2,Δy2)，将每个默认框对应的位置偏移量(Δx1,Δy1,Δx2,Δy2)和(x1,y1,x2,y2)求和，得到检测框的位置，⑤检测结果获取合并分类子网优化和检测框定位的结果，得到每个检测框的分类信心和位置信息，特征金字塔层P3得到检测框75×75×9个，特征金字塔层P4得到检测框38×38×9个，对全部检测框进行非极大值抑制，去除和分类信心高的检测框的重合度过高的检测结果，最终保留下的检测框是红脂大小蠹检测器最终的检测结果，非极大值抑制的过程如下：(a)将所有检测框按分类信心由高到低排列，(b)去除检测框序列中和信心最高的检测框的IoU>0.5的检测框，(c)去除和当前检测框序列中和信心第二高的检测框的IoU>0.5的检测框，(d)依次类推，直到遍历到当前检测框序列信心最低的检测框，(e)取最终得到的检测框序列的前M个，如果不足M，则取全部序列。