[发明专利]一种基于深度学习的层级叶片病害检测方法和系统

权利要求书

1.一种基于深度学习的层级叶片病害检测方法，其特征在于，包括：

输入待检测图像，通过骨干网络提取不同层级的病害特征，通过特征金字塔网络对不同层级的病害特征进行特征融合和特征提取，获得金字塔特征图；

将金字塔特征图输入至前置区域提议网络，获得所有类别的病害提议框和叶片提议框；所述前置区域提议网络由5个大小为3×3的特征提取卷积层组成；

在每一个叶片提议框中，通过位置锚框生成器生成预制锚框，通过后置区域提议网络回归预制锚框的中心坐标和大小，获得位置的回归参数和病害类别，生成病害提议框；所述后置区域提议网络包括ROIAlign模块、注意力模块和特征卷积层；ROlAlign模块从叶片提议框中，获得病叶特征；注意力模块调整病叶特征中的权重，获得调整后的病叶特征；特征卷积层基于调整后的病叶特征获得病害提议框；

将所有的提议框通过感兴趣区域检测头提取特征后，获得病害和病叶的分类及位置。

2.根据权利要求1所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，金字塔特征图在前置区域提议网络中生成预制锚框，通过4个大小为1×1的卷积对阈值锚框的中心位置和宽高进行回归，得到提议框；通过1个大小为1×1的卷积判别提议框中是否有病害或叶片存在。

3.根据权利要求1所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，从前置区域网络中提取出低层次特征，获得低层特征聚合模块；所述低层特征聚合模块的公式为：

其中，deconv表示反卷积层，maxpool表示最大池化层，L₁和L₀均为特征图。

4.根据权利要求3所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，ROlAlign模块基于叶片提议框和低层特征聚合模块获得病叶特征。

5.根据权利要求1所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，后置区域提议网络获得位置的回归参数和病害类别，调整预制锚框的偏移量，网格生成公式为：

其中P^w,h为前置区域提议网络生成的N个叶片提议框的宽度和高度，ROI^w,h为ROIAlign模块在水平方向和竖直方向的宽度和高度，S^i,j代表水平方向和竖直方向的网格点步长。

6.根据权利要求1所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，所述感兴趣区域检测头从病害提议框中，提取出位置特征，将位置特征对齐后，将对齐的位置特征送入至全连接层，进行病害提议框的再回归，获得病害的最终类别和最终的包围框。

7.根据权利要求1所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，所述前置区域提议网络和后置区域提议网络均通过损失函数进行反向传播训练，获得训练后的前置区域提议网络和后置区域提议网络。

8.根据权利要求7所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，所述损失函数为：

τ代表区域提议网络的层级，τ等于2；为阶段回归损失，为分类损失；为预置锚框的个数，等于批次中的图片张数。

9.根据权利要求1所述的一种基于深度学习的层级叶片病害检测方法，其特征在于，感兴趣区域检测头提取特征后，获得得分最高的前100个病叶包围框和病害包围框，通过非极大值抑制获得分数最高的包围框，获得病害的分类及位置。

10.一种基于深度学习的层级叶片病害检测系统，其特征在于，包括：

特征提取单元，用于输入待检测图像，通过骨干网络提取不同层级的病害特征，通过特征金字塔网络对不同层级的病害特征进行特征融合和特征提取，获得金字塔特征图；

病叶生成单元，用于将金字塔特征图输入至前置区域提议网络，获得所有类别的病害提议框和叶片提议框；所述前置区域提议网络由5个大小为3×3的特征提取卷积层组成；

病害生成单元，用于在每一个叶片提议框中，通过位置锚框生成器生成预制锚框，通过后置区域提议网络回归预制锚框的中心坐标和大小，获得位置的回归参数和病害类别，生成病害提议框；所述后置区域提议网络包括ROIAlign模块、注意力模块和特征卷积层；ROlAlign模块从叶片提议框中，获得病叶特征；注意力模块调整病叶特征中的权重，获得调整后的病叶特征；特征卷积层基于调整后的病叶特征获得病害提议框；

分类检测单元，用于将所有的病害提议框通过感兴趣区域检测头提取特征后，获得病害和病叶的分类及位置。