[发明专利]基于深度学习目标检测算法的蓝莓灰霉病检测方法及系统

权利要求书

1.一种基于深度学习目标检测算法的蓝莓灰霉病检测方法，其特征在于，包括：

获取蓝莓图片；所述蓝莓图片中包括蓝莓的花朵和/或果实；

采用ResNet-50深度学习网络对所述蓝莓图像进行初步特征提取，得到多尺度的初步特征图像；

利用卷积层和池化层对所述多尺度的初步特征图像进一步进行特征提取，得到每个尺度的初步特征图像对应的新特征图像；

利用候选区域生成网络计算全部候选框；所述全部候选框包括多个前景候选框和多个背景候选框；

利用RoIAlign层将所述全部候选框与每个尺度对应的新特征图像上的特征进行匹配，得到每个尺度对应的匹配候选框的特征图；

将所有尺度对应的匹配候选框的特征图融合，得到融合特征图；

将所述融合特征图输入图像分类层，输出蓝莓灰霉病检测结果；所述蓝莓灰霉病检测结果中包括每个检测类别的概率和检测框；所述检测类别包括：健康的蓝莓花朵、健康的蓝莓果实、感染灰霉病的蓝莓花朵和感染灰霉病的蓝莓果实。

2.根据权利要求1所述的基于深度学习目标检测算法的蓝莓灰霉病检测方法，其特征在于，所述采用ResNet-50深度学习网络对所述蓝莓图像进行初步特征提取，得到多尺度的初步特征图像，具体包括：

将所述蓝莓图像输入所述ResNet-50深度学习网络；所述ResNet-50深度学习网络包括2个第一残差学习模块、3个第二残差学习模块、5个第三残差学习模块和2个第四残差学习模块；所述第一残差学习模块、所述第二残差学习模块、所述第三残差学习模块和所述第四残差学习模块中的卷积滤波器参数不同；

所述蓝莓图像经过所述2个第一残差学习模块后，生成第一尺度的初步特征图像；

所述第一尺度的初步特征图像经过所述3个第二残差学习模块后，生成第二尺度的初步特征图像；

所述第二尺度的初步特征图像经过所述5个第三残差学习模块后，生成第三尺度的初步特征图像；

所述第三尺度的初步特征图像经过所述2个第四残差学习模块后，生成第四尺度的初步特征图像。

3.根据权利要求1所述的基于深度学习目标检测算法的蓝莓灰霉病检测方法，其特征在于，所述利用卷积层和池化层对所述多尺度的初步特征图像进一步进行特征提取，得到每个尺度的初步特征图像对应的新特征图像，具体包括：

将第四尺度的初步特征图像C4通过第四卷积层生成第四尺度新的特征图像P4；所述多尺度的初步特征图像包括第一尺度的初步特征图像C1、第二尺度的初步特征图像C2、第三尺度的初步特征图像C3和第四尺度的初步特征图像C4；

将第四尺度新的特征图像P4通过池化层生成第五特征图像P5；

将第三尺度的初步特征图像C3通过第三卷积层生成新的特征图像C3-2；将第四尺度新的特征图像P4通过2倍的上采样生成与新的特征图像C3-2相同尺寸的特征图像，并与新的特征图像C3-2叠加生成第三尺度新的特征图像P3；

将第二尺度的初步特征图像C2通过第二卷积层生成新的特征图像C2-2；将第三尺度新的特征图P3通过2倍的上采样生成与新的特征图像C2-2相同尺寸的特征图像，并与新的特征图像C2-2叠加生成第二尺度新的特征图像P2；

将第一尺度的初步特征图像C1通过第一卷积层生成新的特征图像C1-2；将第二尺度新的特征图像P2通过2倍的上采样生成与新的特征图像C1-2相同尺寸的特征图像，并与新的特征图像C1-2叠加生成第一尺度新的特征图像P1；所述第一卷积层、所述第二卷积层、所述第三卷积层和所述第四卷积层的参数相同；

将所述第四尺度新的特征图像P4、所述第三尺度新的特征图像P3、所述第二尺度新的特征图像P2和所述第一尺度新的特征图像P1分别通过相同的卷积层，生成对应尺度的新特征图像；所述新特征图像包括第四尺度对应的新特征图像P4-1、所述第三尺度对应的新特征图像P3-1、所述第二尺度对应的新特征图像P2-1和所述第一尺度对应的新特征图像P1-1。