[发明专利]一种基于重学习的无人机遥感影像罂粟检测方法

权利要求书

1.一种基于重学习的无人机遥感影像罂粟检测方法，其特征在于，包括以下步骤：

步骤1，构建无人机遥感影像罂粟目标检测数据集；

步骤2，选用目标检测网络模型，并对其进行训练；

步骤3，使用当前训练完的模型对测试集数据进行预测，并计算测试集的平均准确率；

步骤4，使用当前训练完的模型对验证集数据进行预测，将错检和漏检的影像挑出来放入训练集样本中，形成新的训练数据集；

步骤5，使用步骤4得到的新训练集数据对目标检测网络进行训练；

步骤6，利用测试集数据评估步骤5训练完的网络模型是否达到最佳泛化状态，若达到最佳泛化状态则停止训练，否则执行步骤4-5。

2.如权利要求1所述的一种基于重学习的无人机遥感影像罂粟检测方法，其特征在于：步骤1中将采集的罂粟影像裁剪为N₁×N₁大小，并用开源软件标注出图像中的罂粟，包括幼苗期、花蕾期和花果期的罂粟；训练时，随机划分为训练集、验证集和测试集，训练集和验证集用于重学习，在每次训练中根据检测的结果重新划分训练集和验证集数据样本，测试集用于模型的验证，在重学习的过程中测试集作为评估每次训练模型参数的样本，因此测试集是固定的。

3.如权利要求1所述的一种基于重学习的无人机遥感影像罂粟检测方法，其特征在于：步骤2中目标检测网络由骨干网络Backbone、颈部网络Neck、预测网络Prediction三个部分组成，Backbone作为整个网络的特征提取模块，提取输入图像的特征信息，Neck是对主干网络提取的特征进行融合使得网络学习到的特征更具有多样性，Prediction是根据之前提取到的特征，从这些特征中预测目标的位置和类别；每次训练时，一共训练个N₂个周期，训练时每次加载N₃张图像到目标检测网络模型中进行批量训练，初始学习率k设置为N₄，重学习次数设为n，每重新划分一次数据集，初始学习率降低到上次的1/5，当初始学习率为N₅后就保持不变，即：

式中，k为初始学习率。

4.如权利要求1所述的一种基于重学习的无人机遥感影像罂粟检测方法，其特征在于：步骤3中平均准确率mAP的计算方式如下：

式中，P表示精确率，R表示召回率，TP表示正阳性样本，FP表示负阳性样本，FN表示负阴性样本，P(r)为精确率和召回率的平滑曲线，i表示第i个类别，C表示总类别数。

5.如权利要求1所述的一种基于重学习的无人机遥感影像罂粟检测方法，其特征在于：步骤5中得到了新的训练数据集后，利用上一次训练的模型权重作为新一轮模型训练的初始权重，重新开始训练。

6.如权利要求1所述的一种基于重学习的无人机遥感影像罂粟检测方法，其特征在于：步骤6中使用当前训练完的目标检测网络模型对测试集数据进行预测，并计算测试集数据的平均准确率mAP，若计算得到的mAP与上一次计算的mAP值相等，则表明目标检测网络达到了最佳泛化状态。