[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

说明书

本发明涉及一种基于重学习的无人机遥感影像罂粟检测方法，包括数据集构建，对罂粟影像数据集的标注和预处理；模型重学习，利用目标检测模型通过重学习困难样本提升模型的泛化能力，所述重学习是通过已训练的权重对验证集进行检测，获取误检和漏检样本并放入训练集中形成新的数据集样本，通过模型微调进行重新迭代学习；最后通过对比验证集和测试集的检测精度来判断模型的泛化性能，所得性能最好的模型权重用于无人机遥感影像的罂粟识别和检测任务。本发明提供的重学习训练方法不仅可以有效提升无人机遥感影像罂粟检测能力，而且也适用于其他目标检测任务中，具有通用性。

技术领域

本发明属于无人机遥感影像目标检测技术领域，具体涉及一种基于重学习的无人机遥感影像罂粟检测方法。

背景技术

对于大规模罂粟种植区，通过卫星遥感图像对罂粟种植的检测具有良好的识别结果，但受限于卫星遥感数据空间分辨率，对于一些地区零星罂粟非法种植情况，如：庭院、菜地以及角落等隐蔽区域，卫星遥感很难准确地捕捉到罂粟光谱信息。相比于卫星影像，无人机的灵活性高、机动性强，获取的影像具有更高的空间分辨率，能够快速、准确地实现对隐蔽区域的罂粟检测。当前对于罂粟的检测主要是利用传统人工排查，通过无人机拍摄目标图像，然后人工对收集的图像进行手动筛选和分析。在传统的罂粟检测中，通常人工检测需要20～60秒才能从一张无人机遥感影像中找出所有的罂粟目标，不仅耗费大量的时间和精力，而且效率十分低下。并且由于在某些地区非法零星种植的罂粟容易与虞美人、萝卜等植物产生混淆，导致现有的无人机误检率居高不下。近年来，由于非法种植罂粟的频率增加，执法部门需要对每个地区进行数据采样，需要投入大量的人力物力，而且人工检测效率低，长时间的寻找目标容易导致目标的漏检。

目标检测是计算机视觉中最具有挑战性的任务之一，它在卫星遥感目标检测、智能化交通与监控系统以及医学导航手术等领域具有广泛的应用。随着深度学习的不断发展，基于卷积神经网络的目标检测模型性能也在不断提升。因此基于深度学习的非法罂粟检测成为了目前研究的重点，但无人机遥感影像和自然场景下的影像存在一定的差异，无人机影像的成像范围较广，影像尺寸较大，即使是相同目标也存在较大的形状差异。另外，地形、拍摄高度和角度的影响，往往导致对现有模型很难准确地检出罂粟位置，误检率和漏检率较高。因此迫切需要一种高效的目标检测方法来解决某地区非法零星种植罂粟问题。

发明内容

本发明针对当前目标检测模型对无人机遥感影像检测精度低，模型泛化能力不强的问题，提供一种基于重学习的无人机遥感影像罂粟检测方法，解决了人工罂粟检测和筛选中工作量大、效率低、误检率高等问题，有效地提升了模型的泛化能力。

本发明提供的技术方案是一种基于重学习的无人机遥感影像罂粟检测方法，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。

而且，所述步骤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。