欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022102674323
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于无人机图像的大田小麦赤霉病检测方法,其特征在于:该方法包括下列顺序的步骤:(1)使用无人机拍摄小麦图像,得到大田小麦图像数据U,将大田小麦图像数据U以2:1的比例划分成训练集UTrain和测试集UTest,使用数码相机在小麦上方30cm至50cm处进行拍摄,获取地面小麦图像数据G;

(2)对获取的训练集UTrain中的小麦图像进行裁剪;

(3)使用对偶回归网络对裁剪后的小麦图像进行超分辨率重建;

(4)对经超分辨率重建后的小麦图像进行数据增强:将经超分辨率重建后的小麦图像的RGB三个通道的像素值进行3次方后再归一化到0~255范围内,得到增强后的小麦图像数据U′;

(5)构建小麦赤霉病检测网络:通过YOLOv5、特征增强模块和自适应特征融合模块构建小麦赤霉病检测网络;

(6)使用迁移学习方法利用地面小麦图像数据G对小麦赤霉病检测网络进行预训练,再使用训练集UTrain对小麦赤霉病检测网络进行参数微调:使用标注工具对地面小麦图像数据G和训练集UTrain中的赤霉病病斑进行标注,使用地面小麦图像数据G训练小麦赤霉病检测网络得到预训练权重P,使用训练集UTrain训练加载了权重P的小麦赤霉病检测网络,对权重P使用随机梯度下降算法进行优化,得到权重W;

(7)加载权重W,将测试集UTest中的小麦图像进行裁剪后经过超分辨率重建和数据增强处理,将处理后的图像送到训练好的小麦赤霉病检测网络中进行测试,得到测试结果后进行拼接得到大田小麦赤霉病检测结果。

2.根据权利要求1所述的基于无人机图像的大田小麦赤霉病检测方法,其特征在于:所述步骤(3)具体包括以下步骤:(3.1)将分辨率为4H*4W的图像IHR进行下采样和卷积操作,得到分辨率为2H*2W的特征IF;

(3.2)将IF下采样得到分辨率大小为H*W的图像ILR1;

(3.3)使用RCAB残差通道注意力模块对IF提取特征,得到分辨率为2H*2W的图像ILR2;

(3.4)对图像ILR2进行特征提取和上采样操作,得到分辨率为4H*4W的超分辨率图像ISR;

(3.5)将超分辨率图像ISR进行卷积和下采样得到分辨率为2H*2W的图像I′LR2和H*W的图像I′LR1;

(3.6)计算损失:使用L1损失函数计算ISR和IHR、ILR2和I′LR2以及ILR1和I′LR1之间的误差后对这三个误差求和得到损失LS,L1损失函数的公式如下:其中,N表示一个图像上像素点的个数,xi′和xi分别表示需要计算误差的两张图像上相对位置的像素值;

(3.7)根据损失LS的值进行梯度反向传播优化对偶回归网络。

3.根据权利要求1所述的基于无人机图像的大田小麦赤霉病检测方法,其特征在于:所述步骤(4)具体包括以下步骤:(4.1)将经过步骤(3)得到的小麦图像分割成R、G、B三个通道;

(4.2)将R、G、B三个通道分别输入到一个非线性递增函数,得到R′、G′、B′,非线性递增函数如下所示:3

Pixel(xi,yi)r,g,b=Pixel(xi,yi)r,g,b其中,Pixel(xi,yi)r,g,b代表图像的R、G、B三个通道的像素值;

(4.3)对R′、G′、B′进行归一化操作,将像素归一化到0~255之间得到R″、G″、B″,归一化公式如下:(4.4)将R″、G″、B″三个通道拼接后得到增强后的小麦图像数据U′。

4.根据权利要求1所述的基于无人机图像的大田小麦赤霉病检测方法,其特征在于:所述步骤(5)具体是指:在YOLOv5的基础上构建小麦赤霉病检测网络,小麦赤霉病检测网络由主干部分、颈部以及检测头三部分组成,其中主干部分用于进行特征提取,颈部用于对多尺度信息特征融合,检测头用于对最后得到的特征进行分析得到检测结果;所述特征增强模块由两个分支组成,第一条分支利用空间注意力机制获取特征的局部信息,这个过程由下式表示:Y1=(1+sigmoid(Conv3×3([AvgPool(X),MaxPool(X)]concat)))*X其中X为输入的特征,Y1为得到的输出特征,sigmoid为sigmoid激活函数,Conv3×3是卷积核大小为3×3的卷积操作,AvgPool和MaxPool分别代表平均池化操作和最大池化操作,[]concat表示拼接操作;

第二条分支使用不同膨胀率的空洞卷积级联的形式对特征进行提取,获取图像的全局信息,这个过程由下式表示:Y2=Convd=1(X)+Convd=2(Convd=1(X))+Convd=3(Convd=2(Convd=1(X)))其中X为输入的特征,Y2为得到的输出特征,Convd=1、Convd=2、Convd=3分别代表膨胀率为

1、2、3的空洞卷积操作;

获取图像的全局信息和局部信息后将两者相加,通过建立全局信息和局部信息之间的交互来学习子区域之间的相关性并突出对象的区域;

对特征进行多尺度融合使特征含有几何信息表征和语义信息表征,使用自适应特征融合模块代替YOLOv5使用的路径聚合网络对多尺度信息进行融合。

5.根据权利要求1所述的基于无人机图像的大田小麦赤霉病检测方法,其特征在于:所述步骤(6)具体包括以下步骤:(6.1)数据标注:使用标注工具Labelimg对地面小麦图像数据G和训练集UTrain中的赤霉病病斑进行标注,得到病斑的真实位置信息;

(6.2)预训练:使用地面小麦图像数据G预训练小麦赤霉病检测网络得到预训练模型权重P;

(6.3)设置训练的超参数:初始学习率为0.01,每个训练批次设置为8,训练的总迭代轮数设置为500epochs;

(6.4)小麦赤霉病检测网络加载训练好的权重P;

(6.5)使用无训练集UTrain训练加载了权重P的小麦赤霉病检测网络:将训练集UTrain输入至小麦赤霉病检测网络进行特征提取,然后经过特征增强和多尺度特征自适应融合,最后经过小麦赤霉病检测网络的检测头得到三个不同的预测数据,包括:预测框坐标、类别、置信度;

(6.6)计算损失:类别损失和置信度损失采用交叉熵损失函数,位置损失采用GIOU loss,分别计算位置和真实位置的差别Lloc、类别和真实类别的差别Lcls以及置信度和真实置信度之间的差别Lcof,将Lloc、Lcls和Lcof求和得到损失LD;

(6.7)梯度反向传播优化小麦赤霉病检测网络:根据损失LD的数值求得梯度,并采用随机梯度下降算法对梯度反向传播,进行权重的更新,最终得到权重W。