[发明专利]基于局部密集区域密度特征检测的微小害虫图像识别方法

权利要求书

1.一种基于局部密集区域密度特征检测的微小害虫图像识别方法，其特征在于，包括以下步骤：

11)训练图像的获取：获取带有人工标记的害虫图像数据集；

12)害虫密集区域检测网络的构建：构建害虫密集区域检测网络，其中害虫密集区域检测网络包括整体特征提取网络与密集区域建议网络；

所述害虫密集区域检测网络的构建包括以下步骤：

121)设定整体特征提取网络：整体特征提取网络包括骨干网络和特征融合网络；骨干网络由叠加的多层卷积神经网络层、池化层与激活函数层构成，用于提取图片中的基础特征，输出多层特征图；特征融合网络通过侧向连接骨干网络输出的多层特征图，将各层特征图进行融合，输出兼顾不同层次语义特征的整体特征图；其中，骨干网络为ResNet50网络，特征融合网络为FPN特征金字塔网络；

122)设定密集区域建议网络：设定密集区域建议网络的输入为整体特征提取网络输出的整体特征图，输出为整体特征图上以每个锚点为中心的选取区域的密度得分；

密集区域建议网络首先使用一个拥有512个通道的卷积核大小为3×3的卷积层，之后使用线性整流函数ReLu作为卷积层激活函数，再使用一个卷积核大小为1×1的卷积层，由区域形状数量S与区域放大比例数量R的乘积决定该卷积层的通道数S×R；

13)害虫密集区域检测网络的训练：利用害虫图像数据集对害虫密集区域检测网络进行训练；

14)害虫密集区域标准化：对由害虫密集区域检测网络输出的害虫局部区域进行标准化操作；害虫密集区域的标准化操作包括害虫密集区域合并操作与害虫密集区域切分操作，输入为害虫密集区域检测网络输出的害虫局部区域，输出为按照密度得分分组且尺寸相似的标准化的图像局部区域；

15)局部区域害虫目标检测网络组的构建与训练：对局部区域害虫目标检测网络组进行构建与训练；输入为经过害虫密集区域标准化获得的按照密度得分分组的图像局部区域，输出为按照密度得分分组的图像局部区域中的害虫识别定位结果；

16)全局害虫目标检测网络的构建与训练；

所述全局害虫目标检测网络的构建与训练包括以下步骤：

161)构建全局害虫目标检测网络包括整体特征提取网络和害虫目标识别定位网络；

162)设定整体特征提取网路用于提取整张输入图片中的特征图，输入为微小害虫图片，输出为基于整张害虫图片得到的整体特征图；

163)设定害虫目标识别定位网络用于自动学习整体特征图并进行害虫目标检测，输入为整体特征图，输出为害虫识别结果与定位结果；

164)对全局害虫目标检测网络进行训练；

17)害虫检测结果融合：将全局害虫目标检测网络与局部区域害虫目标检测网络组输出的害虫识别定位结果进行融合，获得全局害虫识别定位结果；

18)待检测害虫图像的获取：获取待检测的微小害虫图像；

19)害虫图像检测结果的获得。

2.根据权利要求1所述的基于局部密集区域密度特征检测的微小害虫图像识别方法，其特征在于，所述害虫密集区域检测网络的训练包括以下步骤：

21)将带有人工标注的害虫图像数据集输入整体特征提取网络，通过骨干网络提取图像基础特征图，之后基础特征图通过特征融合网络，输出多层语义互相融合之后的整体特征图；

22)将整体特征图输入密集区域建议网络，

设定一个在特征图上滑动的锚点A，滑动单次步长设定为k，以该锚点为中心，共有S种形状的区域选择框，每种选择框拥有R种放大比例，当锚点滑动至第i个位置，当前第s种形状在第r个放大比例下的选取框包含的人工标记的目标数量为当前区域选取框面积为使用如下公式表示当前选取框中的目标密度得分：

其中O为偏差补偿系数，以保证目标密度得分为正数，在应用中取O＝10，且设定目标密度得分的最大值d_max＝4，最小值d_min＝1；

设定当前选取框的目标密度得分为真实密度得分，设定网络根据整体特征图通过卷积层输出的得分为当前选取框的目标密度预测得分；使用如下公式表示当前图像产生的用于密集区域检测网络反向传播训练的损失函数：

其中I为图像中锚点位置个数，为每个选取框的损失函数，由光滑L1范数SmoothL1计算而得：

最终经过训练得害虫密集区域检测网络将对每一张图像输出一系列候选区域与其对应的预测密度得分具有高密度得分的候选区域即为密集区域。