1.基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,包括如下步骤:获取待识别的松材线虫病害图像;
将所述松材线虫病害图像输入至训练好的基于平衡参数和检测精度的松材线虫病害识别模型中,得到对应的松材线虫病害识别结果;
其中,所述松材线虫病害识别模型包括依次连接的输入模块、基于FasterCSP的主干网络、基于GSCSP和RFB-s的颈部网络、基于CBAM注意力机制的头部网络和输出模块;
所述输入模块,用于输入松材线虫病害图像;
所述主干网络,用于对所述松材线虫病害图像进行特征提取,得到多个输出特征;
所述颈部网络,用于对多个输出特征进行融合和增强,得到多个融合特征;
所述头部网络,用于对多个融合特征进行特征表示的优化,得到多个优化特征;
所述输出模块,用于根据多个优化特征,输出松材线虫病害识别结果;
其中,所述FasterCSP的原理表达式如下:
FasterCSPout=Conv(Concat(FasterNetBlock(Conv(FasterCSPin)),Conv(FasterCSPin)));
式中,FasterCSPout表示任一FasterCSP模块的输出数据;Conv表示Conv卷积操作;Concat表示Concat连接操作;FasterNetBlock表示FasterNetBlock操作;FasterCSPin表示任一FasterCSP模块的输入数据;
所述FasterNetBlock操作的表达式如下:
FasterNetBlock(z1)=z1+(Conv(Conv(Pconv(z1))));
Pconv(z1)=Concat(Conv(x1),x2);
x1,x2=Split(z1,[k,C-k],Channel);
式中,z1表示进行FasterNetBlock操作的输入数据;Pconv表示Pconv部分卷积操作;Concat表示Concat连接操作;x1表示切分操作输出的通道数为k的特征图1;x2表示切分操作输出的通道数为C-k的特征图2;Split表示切分操作;k表示切分操作通道数;C表示z1的通道维度数;Channel表示通道维度;
所述GSCSP的原理表达式如下:
GSCSPout=Conv(Concat(GSBottleneck(Conv(GSCSPin)),Conv(GSCSPin)));
式中,GSCSPout表示任一GSCSP模块的输出数据;Conv表示Conv卷积操作;GSCSPin表示任一GSCSP模块的输入数据;GSBottleneck表示进行GSBottleneck操作,表达式如下:GSBottleneck(z2)=z2+GSConv(GSConv(z2));
式中,GSBottleneck(z2)表示对输入数据z2进行GSBottleneck操作的输出数据;z2表示进行GSBottleneck操作的输入数据;GSConv表示进行GSConv操作,表达式如下:GSConv(z3)=Shuffle(Concat(Conv(z3),DWConv(Conv(z3)));
式中,GSConv(z3)表示对输入数据z3进行GSConv操作的输出数据;z3表示进行GSConv操作的输入数据;Shuffle表示对通道进行洗牌操作;DWConv表示分离通道卷积操作;
所述RFB-s的原理表达式如下:
RFBout=ReLU(ConvLinear(Concat(branchi(RFBin)))×scale+shortcut(RFBin));
式中,RFBout表示RFB-s模块的输出数据;ReLU表示ReLU激活函数;scale表示调节ConvLinear(Concat(branchi(RFBin)))的影响比例;shortcut表示跳跃连接操作;ConvLinear表示卷积和全连接操作;Concat表示Concat连接操作;branchi表示对于RFBin的第i分支的操作,i的值为0,1,2;branch0表示对RFBin依次进行卷积核大小为1×1的卷积、卷积核大小为3×3的卷积和卷积核大小为3×3的卷积核且膨胀率为1的卷积;branch1表示对RFBin依次进行卷积核大小为1×1的卷积、卷积核大小为3×3的卷积和卷积核大小为3×3的卷积核且膨胀率为3的卷积;branch2表示对RFBin依次进行卷积核大小为1×1的卷积、卷积核大小为3×3的卷积和卷积核大小为3×3的卷积核且膨胀率为5的卷积;RFBin表示RFB-s模块的输入数据。
2.根据权利要求1所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述松材线虫病害识别模型的训练方法如下:获取训练集和验证集;
根据所述训练集,基于BCC损失函数对预构建的松材线虫病害识别模型进行训练,直至满足预设的迭代终止条件输出训练后的松材线虫病害识别模型;
根据所述验证集,基于预设的结合平衡参数和检测精度的评估函数对训练后的松材线虫病害识别模型进行性能评估,响应于评估函数值均满足对应的预设的评估函数阈值,则终止训练,输出训练好的松材线虫病害识别模型;反之则重复回到基于BCC损失函数对预构建的松材线虫病害识别模型进行训练的步骤,进行迭代训练;
其中,所述BCC损失函数包括边界框损失函数、置信度损失函数和分类损失函数。
3.根据权利要求2所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述获取训练集和验证集,包括如下步骤:获取松材林的巡检图像;
根据所述巡检图像,进行筛选得到训练松材线虫病害图像;
对训练松材线虫病害图像进行标注后,得到每一个松材线虫病害目标的标注框,进而得到带有标注框的数据集;
基于预设的划分比例将所述数据集分为训练集和验证集。
4.根据权利要求2所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述预设的结合平衡参数和检测精度的评估函数包括交并比为0.5时的平均精确率函数和FPS函数;
所述交并比为0.5时的平均精确率函数的表达式如下:
式中,mAP@0.5表示交并比为0.5时的平均精确率函数;C表示松材线虫病害的类别数;APi表示第i种松材线虫病害类别的模型识别的平均精确率;
所述FPS函数用于表示画面每秒帧数,表达式如下:
式中,T表示模型对输入的所有图像完成识别的平均时间。
5.根据权利要求4所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述交并比的表达式如下:式中,IoU表示交并比;预测框面积表示松材线虫病害目标的模型预测框的面积;真实框面积表示松材线虫病害目标的标注框的面积;
所述第i种松材线虫病害类别的模型识别的平均精确率APi的表达式如下:式中,Precisioni表示第i种松材线虫病害类别的精确率;Recalli表示第i种松材线虫病害类别的召回率;Precisioni(Recalli)表示以精确率为y轴,召回率为x轴绘制的曲线图;dRecalli表示召回率Recalli的偏导;
所述精确率Precision和召回率Recall的表达式如下:
式中,TP表示实际为松材线虫病害目标且被模型识别为松材线虫病害目标的数量;FP表示实际为非松材线虫病害目标且被模型识别为松材线虫病害目标的数量;FN表示实际为松材线虫病害目标且没有被模型识别为松材线虫病害目标的数量。
6.根据权利要求2所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述BCC损失函数的表达式如下:Loss=Lossbbox+Lossconf+Losscls;
式中,Lossbbox代表边界框损失函数;Lossconf代表置信度损失函数;Losscls代表分类损失函数;
所述边界框损失函数Lossbbox公式如下:
Lossbbox=1-SIOU;
式中,SIOU代表SIOU相似度量;A代表松材线虫病害目标的模型预测框的面积;B代表松材线虫病害目标的标注框的面积;ρ(bA,ba)代表松材线虫病害目标的模型预测框中心点bA和松材线虫病害目标的标注框的中心点bB之间的欧式距离;wA表示松材线虫病害目标的模型预测框的宽度;hA表示松材线虫病害目标的模型预测框的高度;wB表示松材线虫病害目标的标注框的宽度;hB表示松材线虫病害目标的标注框的高度;
所述置信度损失函数Lossconf公式如下:
式中,y代表松材线虫病害目标的标注框,表示是否有松材线虫病害目标;代表松材线虫病害目标的模型预测标注框中含有目标的概率;
所述的分类损失函数Losscls公式如下:
式中,C代表松材线虫病害类别的总数;pc代表标注的松材线虫病害目标的类别的概率分布;代表模型预测的松材线虫病害目标的类别的概率分布。
7.根据权利要求1所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述主干网络包括依次连接的第一CBLr模块、第二CBLr模块、第一FasterCSP模块、第一MaxPool模块、第二FasterCSP模块、第二MaxPool模块、第三FasterCSP模块、第三MaxPool模块和第四FasterCSP模块;
其中,所述第一CBLr模块用于输入松材线虫病害图像;第二FasterCSP模块用于输出第一输出特征;第三FasterCSP模块用于输出第二输出特征;第四FasterCSP模块用于输出第三输出特征。
8.根据权利要求7所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述颈部网络包括依次连接的RFB-s模块、第三GSConv模块、第一Upsampled模块、第一Concat模块、第一GSCSP模块、第四GSConv模块、第二Upsampled模块、第二Concat模块、第二GSCSP模块、第五GSConv模块、第三Concat模块、第三GSCSP模块、第六GSConv模块、第四Concat模块和第四GSCSP模块,且第一GSCSP模块连接第三Concat模块,RFB-s模块连接第四Concat模块;
其中,所述RFB-s模块用于输入第一输出特征;所述第一Concat模块还连接有第一GSConv模块,所述第一GSConv模块用于输入第二输出特征;所述第二Concat模块还连接有第二GSConv模块,所述第二GSConv模块用于输入第三输出特征;所述第二GSCSP模块用于输出第一融合特征;所述第三GSCSP模块用于输出第二融合特征;所述第四GSCSP模块用于输出第三融合特征。
9.根据权利要求8所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述头部网络包括:第一CBAM模块,用于基于CBAM注意力机制对输入的第一融合特征进行特征表示的优化,输出初始的第一优化特征;
第七GSConv模块,用于对所述初始的第一优化特征进行全局稀疏卷积操作,输出最终的第一优化特征;
第二CBAM模块,基于CBAM注意力机制对输入的第二融合特征进行特征表示的优化,输出初始的第二优化特征;
第八GSConv模块,用于对所述初始的第二优化特征进行全局稀疏卷积操作,输出最终的第二优化特征;
第三CBAM模块,基于CBAM注意力机制对输入的第三融合特征进行特征表示的优化,输出初始的第三优化特征;
第九GSConv模块,用于对所述初始的第三优化特征进行全局稀疏卷积操作,输出最终的第三优化特征;
所述CBAM注意力机制结合CAM通道注意力机制和SAM空间注意力机制,表达式如下:CBAMout=CBAMin+MC(CBAMin)+Ms(CBAMin+MC(CBAMin));
式中,CBAMout表示任一CBAM模块的输出数据;CBAMin表示任一CBAM模块的输入数据;MC表示CAM通道注意力机制;Ms表示SAM空间注意力机制。
10.根据权利要求9所述的基于平衡参数和检测精度的早期松材线虫病害识别方法,其特征是,所述CAM通道注意力机制的表达式如下:MC(CBAMin)=σ(MLP(AvgPool(CBAMin))+MLP(MaxPool(CBAMin)));
式中,MC(CBAMin)表示经由CAM通道注意力机制处理后的输出数据;σ表示Sigmoid激活函数;MLP表示全连接操作;AvgPool表示平均池化操作;MaxPool表示最大池化操作;
Ms(CBAMin)=σ(f7×7([AvgPool(CBAMin);MaxPool(CBAMin)]))式中,Ms(CBAMin)表示经由SAM空间注意力机制处理后的输出数据;f7×7表示卷积核大小为7×7的卷积操作。