[发明专利]一种多视距下的病媒生物检测方法及系统

说明书

本发明涉及一种多视距下的病媒生物检测方法，包括：获得具有不同视距下的多目标区域的图像数据集；构建多特征激活的卷积神经网络，训练得到病媒生物图像自标定模型；得到已标定的病媒生物图像对应的目标区域，并修正划分为训练集和验证集；用改进的YOLOv5训练，得到训练过程中的最佳病媒生物检测模型；得到量化后的最佳病媒生物检测模型；用量化后的最佳病媒生物检测模型检测的病媒生物图像，识别出病媒生物的类别和准确率，实现病媒生物鉴定。本发明还公开了一种多视距下的病媒生物检测系统。本发明适用于多视距下的病媒生物鉴定，可以在无场景约束下能准确鉴定病媒生物类别，具有较高的鲁棒性能；降低鉴定过程的成本和时间，鉴定结果的准确率更高。

技术领域

本发明涉及病媒生物图像处理技术领域，尤其是一种多视距下的病媒生物检测方法及系统。

背景技术

传统的病媒生物鉴定过程分为现场捕获样本、样本运输、实验室人工鉴定等环节，此种方式鉴定周期长、成本高、准确率低。因此，急需突破传统病媒生物鉴定方式，利用移动端应用平台，实现智能化、实时、准确的病媒生物鉴定。

对于采集的病媒生物图像处理，可结合先进的深度学习，实现病媒生物目标检测和识别。目前，较盛行的目标检测器分为两类：单阶段和两阶段的目标检测器，其中，两阶段的目标检测器涉及生成区域提案和分类，这类模型能改善小目标检测性能，但生成区域提案复杂度高，忽略了考虑实际应用中的推理时间；单阶段目标检测器无需生成区域提案，直接在目标特征提取时预测目标类别和定位目标位置，运行速度更快，并且精度比两阶段目标检测器略低。

YOLOv5是一个潜在性能较好的单阶段目标检测器，但是对于小目标的病媒生物图像，在无约束场景的不同视距下，仍难以达到较佳的准确率。另外，至今为止，对于病媒生物鉴定，还没有出现一种采用多视距的病媒生物目标检测模型进行移植到病媒生物检测系统中，实现病媒生物智能化鉴定的方法。

发明内容

本发明的首要目的在于提供一种能够对不同视距下的病媒生物进行检测，尤其对小目标或无场景约束下的病媒生物图像具有较好的鲁棒性，鉴定结果的准确率更高的多视距下的病媒生物检测方法。

为实现上述目的，本发明采用了以下技术方案：一种多视距下的病媒生物检测方法，该方法包括下列顺序的步骤：

(1)采集不同种类病媒生物样本的图像，进行预处理，获得具有不同视距下的多目标区域的图像数据集；

(2)确定病媒生物所有类别的标签，标定每一类别病媒生物的图像数据集中小部分的病媒生物图像，得到标定后的图像数据集，构建多层特征激活的卷积神经网络，将标定后的图像数据集输入至多层特征激活的卷积神经网络中，融合每层激活的特征图，训练得到病媒生物图像自标定模型；用病媒生物图像自标定模型自标定不同视距下的多目标区域的图像数据集中的其余图像，得到已标定的病媒生物图像对应的目标区域，并修正该目标区域，按照8:2的比例将修正后的已标定的图像数据集划分为训练集和验证集；

(3)将YOLOv5的骨干网络模块替换成具有多层特征激活映射的密集连接网络模块，得到改进后的YOLOv5网络模型，对训练集和验证集进行训练，得到训练过程中的最佳病媒生物检测模型，并将最佳病媒生物检测模型的数据节点和权重存储成“.pt”格式文件；

(4)将最佳病媒生物检测模型的节点和权重采用反量化公式，计算矩阵卷积，导出量化后的最佳病媒生物检测模型，并将量化后的最佳病媒生物检测模型的数据节点和权重存储为“.tflite”格式文件；

(5)调用“.tflite”格式文件中量化后的最佳病媒生物检测模型的数据节点和权重，对待检测的病媒生物图像进行推理分析，输出识别得到的病媒生物类别和准确率，实现病媒生物鉴定。

所述步骤(1)具体包括以下步骤：

(1a)对于病媒生物样本的图像I中的目标区域S，用边缘特征提取，获取目标区域S中的所有坐标点(x,y)；