CN113673618A - 一种融合注意力模型的烟虫目标检测方法 - Google Patents

一种融合注意力模型的烟虫目标检测方法 Download PDF

Info

Publication number
CN113673618A
CN113673618A CN202110990891.XA CN202110990891A CN113673618A CN 113673618 A CN113673618 A CN 113673618A CN 202110990891 A CN202110990891 A CN 202110990891A CN 113673618 A CN113673618 A CN 113673618A
Authority
CN
China
Prior art keywords
tobacco
attention
target
neural network
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110990891.XA
Other languages
English (en)
Inventor
杨光露
郭亚东
张焕龙
张�杰
李春松
刘穗君
范礼敏
李书峰
曾聪聪
陈宜滨
李林伟
尹鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tobacco Henan Industrial Co Ltd
Original Assignee
China Tobacco Henan Industrial Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Tobacco Henan Industrial Co Ltd filed Critical China Tobacco Henan Industrial Co Ltd
Priority to CN202110990891.XA priority Critical patent/CN113673618A/zh
Publication of CN113673618A publication Critical patent/CN113673618A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明提供一种融合注意力模型的烟虫目标检测方法，包括：获取烟虫图像，并制作目标检测的训练数据集；构建神经网络模型，所述神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，加入注意力模型后的残差结构对输入的特征图进行通道注意；使用所述训练数据集对所述神经网络模型的CenterNet目标检测算法进行训练，以获得训练好的网络模型；将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果。本发明能解决现有烟草车间对烟虫的目标识别存在不精准的问题，能提高烟草车间对烟虫防治的预警效率，降低烟厂管理的生产成本。

Description

一种融合注意力模型的烟虫目标检测方法
技术领域
本发明涉及烟虫检测的技术领域，尤其涉及一种融合注意力模型的烟虫目标检测方法。
背景技术
在烟草生产加工环节，生产车间需要常年保持恒温恒湿的环境，物料的进入、人员的进出、各种车辆的进出等，均不可避免的会产生烟草害虫，并长期在车间隐匿和繁殖，严重地影响到卷烟品质。为有效降低烟虫对卷烟品质的影响，对于烟虫的防治和治理工作十分必要和需要。为此对烟虫识别采用的方法有多种多样，其中采用图像处理技术对粘虫板上的烟虫进行处理和预警，但其缺点是当粘虫板上有较多烟虫或者存在烟末时则无法实现烟虫的精准检测识别。目标检测是计算机视觉领域中的重要研究课题之一，它的任务就是定位出图像中目标的位置并识别目标的类别。这项技术广泛应用于人脸检测、缺陷检测、自动驾驶、智能监控等，并拥有非常广阔的发展前景。目前主流的目标检测算法都是基于深度学习，比如RCNN，FasterRCNN，YOLO等。在实际的目标检测场景中也存在很多不利因素，例如光照变化、目标形状的变化等，尤其是当被检测目标过小时，神经网络对于小目标难以提取有效特征信息，严重影响了目标检测算法的精确度。因此，如何提供一种目标检测方法对烟虫进行精准识别，具有重要的研究意义。
发明内容
本发明提供一种融合注意力模型的烟虫目标检测方法，解决现有烟草车间对烟虫的目标识别存在不精准的问题，能提高烟草车间对烟虫防治的预警效率，降低烟厂管理的生产成本。
为实现以上目的，本发明提供以下技术方案：
一种融合注意力模型的烟虫目标检测方法，包括：
获取烟虫图像，并制作目标检测的训练数据集；
构建神经网络模型，所述神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，加入注意力模型后的残差结构对输入的特征图进行通道注意；
使用所述训练数据集对所述神经网络模型的CenterNet目标检测算法进行训练，以获得训练好的网络模型；
将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果。
优选的，所述制作目标检测的训练数据集包括：
使用不同的图像采集设备采集样本图像，再对所述样本图像进行数据增强处理，包括裁剪、平移、亮度和高斯噪声；
对所述样本图像进行数据集标注，并生成对应的XML文件。
优选的，所述对所述样本图像进行数据集标注，包括：
打开图片目录，选择标注文件保存地址，创建边界框，锁定目标范围和选择目标类型，最后将数据集整理为VOC格式。
优选的，所述制作目标检测的训练数据集还包括：
对所述样本图像进行图像质量评估，并根据所述样本图像的质量评估值对烟虫图像进行分类，以形成不同的训练数据集。
优选的，所述神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，包括：
对CenterNet网络进行改进，将ResNet50深度残差神经网络作为主干特征提取网络，所述ResNet-50深度残差神经网络包括：输入层，最大池化层和Conv Block和IdentityBlock。
优选的，所述加入注意力模型后的残差结构对输入的特征图进行通道注意，包括：
将注意力模型插入到ResNet50网络中残差结构的主干末尾部分；
注意力模型首先对输入的特征图进行全局平均池化，然后通过自适应大小的一维卷积生成通道特征注意力；
使用非线性Sigmoid函数生成通道权重，最后将生成的每个通道权重与输入特征图对应元素相乘，获得通道注意后的特征图。
优选的，所述将注意力模型插入到ResNet50网络中残差结构的主干末尾部分，包括：
通过在ResNet50网络中的Conv Block和Identity Block的主干末尾部分加入注意力模型，以对输入注意力模型的特征图进行通道注意。
优选的，所述将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果，包括：
利用主干特征提取网络ResNet50对输入的图像提取特征，对提取的特征利用反卷积进行上采样得到更高分辨率特征图，然后分别进行热力图预测、中心点预测和宽高预测，最后输出检测结果。
优选的，所述对输入的特征图进行通道注意，包括：
Figure BDA0003232375900000031
其中，MC(F)为通道注意力，F表示输入特征图，Avgpool(F)表示全局平均池化，
Figure BDA0003232375900000032
表示大小为k的一维卷积，σ表示Sigmoid函数。
本发明提供一种融合注意力模型的烟虫目标检测方法，通过构建神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，加入注意力模型后的残差结构对输入的特征图进行通道注意，并将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果。能解决现有烟草车间对烟虫的目标识别存在不精准的问题，能提高烟草车间对烟虫防治的预警效率，降低烟厂管理的生产成本。
附图说明
为了更清楚地说明本发明的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。
图1是本发明提供的一种融合注意力模型的烟虫目标检测方法的示意图。
图2是本发明提供的CenterNet主干特征提取网络部分融合注意力模型后的结构示意图。
图3是本发明提供的注意力模型对输入特征图的处理流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对烟草车间的烟虫识别不精准的问题，本发明提供一种融合注意力模型的烟虫目标检测方法，通过构建神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，加入注意力模型后的残差结构对输入的特征图进行通道注意，并将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果。解决现有烟草车间对烟虫的目标识别存在不精准的问题，能提高烟草车间对烟虫防治的预警效率，降低烟厂管理的生产成本。
如图1所示，一种融合注意力模型的烟虫目标检测方法，包括：
S1：获取烟虫图像，并制作目标检测的训练数据集。
S2：构建神经网络模型，所述神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，加入注意力模型后的残差结构对输入的特征图进行通道注意。
S3：使用所述训练数据集对所述神经网络模型的CenterNet目标检测算法进行训练，以获得训练好的网络模型。
S4：将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果。
具体地，视觉注意力机制是人类视觉所特有的大脑信号处理机制，人类视觉通过快速扫描全局图像，获得需要重点关注的感兴趣区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。为解决目标特征信息利用不充分的问题，使神经网络把更多的注意力放在对目标表达更有效的特征信息上，可将注意力模型引入ResNet50网络内，如图2所示，使特征提取网络对烟虫图像中的目标特征提取更为精准，进而能更精准识别烟虫，以对烟虫进行防治，能降低烟厂管理的生产成本。
进一步，所述制作目标检测的训练数据集，包括：
使用不同的图像采集设备采集样本图像，再对所述样本图像进行数据增强处理，包括裁剪、平移、亮度和高斯噪声。对所述样本图像进行数据集标注，并生成对应的XML文件。
更进一步，所述对所述样本图像进行数据集标注，包括：打开图片目录，选择标注文件保存地址，创建边界框，锁定目标范围和选择目标类型，最后将数据集整理为VOC格式。
进一步，所述制作目标检测的训练数据集，还包括：
对所述样本图像进行图像质量评估，并根据所述样本图像的质量评估值对烟虫图像进行分类，以形成不同的训练数据集。
在实际应用中，通过对样本图像的图像质量评估，可获得高质量样本图像，同时，也对相似样本与不相似样本进行分类，进而对后期的对图像特征提取模型进行模型训练，利用图像的质量评估值对模型训练过程进行约束，使得训练好的图像特征提取模型不仅能够学习到图像特征提取的能力，还能够降低图像质量差的随机变换图像对特征提取结果的影响，提高了模型图像特征学习的效果。
进一步，所述神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，包括：
对CenterNet网络进行改进，将ResNet50深度残差神经网络作为主干特征提取网络，所述ResNet-50深度残差神经网络包括：输入层，最大池化层和Conv Block和IdentityBlock。
如图2和图3所示，所述加入注意力模型后的残差结构对输入的特征图进行通道注意，包括：
将注意力模型插入到ResNet50网络中残差结构的主干末尾部分。
注意力模型首先对输入的特征图进行全局平均池化，然后通过自适应大小的一维卷积生成通道特征注意力。
使用非线性Sigmoid函数生成通道权重，最后将生成的每个通道权重与输入特征图对应元素相乘，获得通道注意后的特征图。
进一步，所述将注意力模型插入到ResNet50网络中残差结构的主干末尾部分，包括：
通过在ResNet50网络中的Conv Block和Identity Block的主干末尾部分加入注意力模型，以对输入注意力模型的特征图进行通道注意。
具体地，如图2所示，在ResNet50网络中增加注意力模型，使ResNet50网络中，对图像特征提取中增加了通道注意力，能更为有效对特征提取的精准度。
如图2所示，所述将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果，包括：
利用主干特征提取网络ResNet50对输入的图像提取特征，对提取的特征利用反卷积进行上采样得到更高分辨率特征图，然后分别进行热力图预测、中心点预测和宽高预测，最后输出检测结果。
所述对输入的特征图进行通道注意，包括：
Figure BDA0003232375900000061
其中，MC(F)为通道注意力，F表示输入特征图，Avgpool(F)表示全局平均池化，
Figure BDA0003232375900000062
表示大小为k的一维卷积，σ表示Sigmoid函数。
可见，本发明提供一种融合注意力模型的烟虫目标检测方法，通过构建神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，加入注意力模型后的残差结构对输入的特征图进行通道注意，并将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果。能解决现有烟草车间对烟虫的目标识别存在不精准的问题，能提高烟草车间对烟虫防治的预警效率，降低烟厂管理的生产成本。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (9)

1.一种融合注意力模型的烟虫目标检测方法，其特征在于，包括：
获取烟虫图像，并制作目标检测的训练数据集；
构建神经网络模型，所述神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，加入注意力模型后的残差结构对输入的特征图进行通道注意；
使用所述训练数据集对所述神经网络模型的CenterNet目标检测算法进行训练，以获得训练好的网络模型；
将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果。
2.根据权利要求1所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述制作目标检测的训练数据集包括：
使用不同的图像采集设备采集样本图像，再对所述样本图像进行数据增强处理，包括裁剪、平移、亮度和高斯噪声；
对所述样本图像进行数据集标注，并生成对应的XML文件。
3.根据权利要求2所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述对所述样本图像进行数据集标注，包括：
打开图片目录，选择标注文件保存地址，创建边界框，锁定目标范围和选择目标类型，最后将数据集整理为VOC格式。
4.根据权利要求3所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述制作目标检测的训练数据集还包括：
对所述样本图像进行图像质量评估，并根据所述样本图像的质量评估值对烟虫图像进行分类，以形成不同的训练数据集。
5.根据权利要求4所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述神经网络模型以ResNet50为CenterNet目标检测算法的主干特征提取网络，包括：
对CenterNet网络进行改进，将ResNet50深度残差神经网络作为主干特征提取网络，所述ResNet-50深度残差神经网络包括：输入层，最大池化层和Conv Block和IdentityBlock。
6.根据权利要求5所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述加入注意力模型后的残差结构对输入的特征图进行通道注意，包括：
将注意力模型插入到ResNet50网络中残差结构的主干末尾部分；
注意力模型首先对输入的特征图进行全局平均池化，然后通过自适应的一维卷积生成通道特征注意力；
使用非线性Sigmoid函数生成通道权重，最后将生成的每个通道权重与输入特征图对应元素相乘，获得通道注意后的特征图。
7.根据权利要求6所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述将注意力模型插入到ResNet50网络中残差结构的主干末尾部分，包括：
通过在ResNet50网络中的Conv Block和Identity Block的主干末尾部分加入注意力模型，以对输入注意力模型的特征图进行通道注意。
8.根据权利要求7所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述将待检测烟虫图像输入训练好的所述神经网络模型，以获得烟虫检测结果，包括：
利用主干特征提取网络ResNet50对输入的图像提取特征，对提取的特征利用反卷积进行上采样得到更高分辨率特征图，然后分别进行热力图预测、中心点预测和宽高预测，最后输出检测结果。
9.根据权利要求8所述的融合注意力模型的烟虫目标检测方法，其特征在于，所述对输入的特征图进行通道注意，包括：
Figure FDA0003232375890000021
其中，MC(F)为通道注意力，F表示输入特征图，Avgpool(F)表示全局平均池化，
Figure FDA0003232375890000022
表示大小为k的一维卷积，σ表示Sigmoid函数。
CN202110990891.XA 2021-08-26 2021-08-26 一种融合注意力模型的烟虫目标检测方法 Withdrawn CN113673618A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110990891.XA CN113673618A (zh) 2021-08-26 2021-08-26 一种融合注意力模型的烟虫目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110990891.XA CN113673618A (zh) 2021-08-26 2021-08-26 一种融合注意力模型的烟虫目标检测方法

Publications (1)

Publication Number Publication Date
CN113673618A true CN113673618A (zh) 2021-11-19

Family

ID=78546835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110990891.XA Withdrawn CN113673618A (zh) 2021-08-26 2021-08-26 一种融合注意力模型的烟虫目标检测方法

Country Status (1)

Country Link
CN (1) CN113673618A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267002A (zh) * 2022-03-02 2022-04-01 深圳市华付信息技术有限公司 卷烟厂制丝车间工况监测方法、装置、设备及存储介质
CN117690165A (zh) * 2024-02-02 2024-03-12 四川泓宝润业工程技术有限公司 一种钻杆与液压钳间人员穿行检测方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267002A (zh) * 2022-03-02 2022-04-01 深圳市华付信息技术有限公司 卷烟厂制丝车间工况监测方法、装置、设备及存储介质
CN114267002B (zh) * 2022-03-02 2022-05-24 深圳市华付信息技术有限公司 卷烟厂制丝车间工况监测方法、装置、设备及存储介质
CN117690165A (zh) * 2024-02-02 2024-03-12 四川泓宝润业工程技术有限公司 一种钻杆与液压钳间人员穿行检测方法及装置

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN108830285B (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN109977780A (zh) 一种基于深度学习算法的硅藻的检测与识别方法
CN105160310A (zh) 基于3d卷积神经网络的人体行为识别方法
Korschens et al. Elpephants: A fine-grained dataset for elephant re-identification
CN113673618A (zh) 一种融合注意力模型的烟虫目标检测方法
CN111339832A (zh) 人脸合成图像的检测方法及装置
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN113011357A (zh) 基于时空融合的深度伪造人脸视频定位方法
CN110852358A (zh) 一种基于深度学习的车辆类型判别方法
CN112365497A (zh) 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统
CN113111947B (zh) 图像处理方法、装置和计算机可读存储介质
CN113052295B (zh) 一种神经网络的训练方法、物体检测方法、装置及设备
CN112232371A (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN109523514A (zh) 对逆合成孔径雷达isar的批量成像质量评估方法
CN113378642B (zh) 一种对农村违法占地建筑物进行检测的方法
CN108154199B (zh) 一种基于深度学习的高精度快速单类目标检测方法
CN112785610B (zh) 一种融合低层特征的车道线语义分割方法
CN109726637A (zh) 用弹性多边形表示停车位区域的停车位检测系统及方法
CN116994049A (zh) 全自动针织横机及其方法
CN112364687A (zh) 一种基于改进的Faster R-CNN加油站静电标志识别方法及系统
CN109376619B (zh) 一种细胞检测方法
CN116433634A (zh) 一种基于域自适应的工业图像异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20211119

WW01 Invention patent application withdrawn after publication