CN114724031A - 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法 - Google Patents

结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法 Download PDF

Info

Publication number
CN114724031A
CN114724031A CN202210363301.5A CN202210363301A CN114724031A CN 114724031 A CN114724031 A CN 114724031A CN 202210363301 A CN202210363301 A CN 202210363301A CN 114724031 A CN114724031 A CN 114724031A
Authority
CN
China
Prior art keywords
insect pest
corn
detection model
loss
scale
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.)
Pending
Application number
CN202210363301.5A
Other languages
English (en)
Inventor
黄河
张玮
孙友强
张俊卿
盛佳佳
裴昊天
谢成军
张洁
李�瑞
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202210363301.5A priority Critical patent/CN114724031A/zh
Publication of CN114724031A publication Critical patent/CN114724031A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明涉及一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，包括：建立训练样本集；构造玉米虫害区域检测模型：构造基础虫害区域检测模型，采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型中的特征聚合网络，得到玉米虫害区域检测模型；训练玉米虫害区域检测模型；虫害区域检测：将待检测样本输入玉米虫害区域检测模型，生成待检测样本中虫害区域的定位信息，并对虫害区域的个数进行计数。本发明通过上下文感知模块，为小目标虫害区域引入多尺度上下文特征强化目标特征的表示能力，增强网络对于此类有关特征提取的能力，解决了现有技术由于虫害区域尺度较小而不能精准识别的问题。

Description

结合上下文感知和多尺度混合注意力的玉米虫害区域检测 方法
技术领域
本发明涉及虫害区域检测技术领域，尤其是一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法。
背景技术
玉米是全世界种植最多的作物之一，也是世界上重要的粮食来源。据估计，到2020年，全球约有三分之一的农场种植玉米。确保其产量对世界粮食安全具有重要意义。玉米产量受各种因素影响，其中害虫的影响相当突出。通常害虫会在玉米生长过程中，首先会吃掉中叶，然后损害叶片。被啃食后，作物严重减产，遇风容易折断茎杆。虫害区域的检测，并评估其发展趋势是虫害防治的重要前提，为制定科学防治策略提高了理论依据。因此，玉米虫害区域检测对玉米产量有至关重要的作用。
现在主流的玉米虫害区域检测方法主要有下面两种：人工调查、计算机视觉与图像处理技术，这些方法有以下局限性：前者效率低、主观性强、容易出错；后者虽然在一些农业任务上取得了不错效果，但是对于玉米虫害区域检测效果不佳，原因在于：虫害区域尺寸所占图片的比例很小，并且由于自然田间中环境变化复杂，造成采集数据中的复杂背景，这些因素导致传统机器学习方法在此类任务中检测效果不好。
因此，解决能在复杂环境下准确检测小目标玉米虫害区域的技术任务成了当务之急。
发明内容
本发明的目的在于提供一种能够提高虫害区域检测性能，降低漏检率，适用于玉米不同生长周期的虫害区域检测，拥有较好的鲁棒性与泛化能力的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法。
为实现上述目的，本发明采用了以下技术方案：一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，该方法包括下列顺序的步骤：
(1)建立训练样本集：采集真实田间玉米图像并进行预处理，对图像中有效区域进行标注，建立训练样本集；
(2)构造玉米虫害区域检测模型：构造基础虫害区域检测模型YOLOv4，采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4中的特征聚合网络，得到玉米虫害区域检测模型；
(3)训练玉米虫害区域检测模型：将训练样本集中的训练样本输入玉米虫害区域检测模型，玉米虫害区域检测模型输出不同尺度的特征图，通过玉米虫害区域检测模型的头部模块对不同尺度的特征图进行解码，输出预测的虫害区域坐标与分类结果,并计算损失，更新参数；
(4)虫害区域检测：将待检测样本输入玉米虫害区域检测模型，生成待检测样本中虫害区域的定位信息，并对虫害区域的个数进行计数。
所述步骤(2)具体包括以下步骤：
(2a)构造基础虫害区域检测模型YOLOv4：构造主干网络、特征聚合网络、头部模块，组成基础虫害区域检测模型YOLOv4；
(2b)构造多尺度混合注意力模块：结合位置注意力模块与多尺度通道注意模块构造多尺度混合注意力模块；
(2c)构造上下文感知模块；
(2d)采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4的特征聚合网络，得到玉米虫害区域检测模型。
所述步骤(3)具体包括以下步骤：
(3a)将训练样本输入玉米虫害区域检测模型，经过主干网络中卷积操作输出不同尺度的特征图；
(3b)将由主干网络输出的不同尺度的特征图输入改进的特征聚合网络，由多尺度混合注意力模块对有效特征进行提取，并通过上下文感知模块增强目标特征表示，得到包含目标定位信息与分类信息的输出特征图；
(3c)将步骤(3b)得到的输出特征图经过解码后输出预测结果，即虫害区域坐标与分类结果，并计算损失；
(3d)反向传播，更新玉米虫害区域检测模型中的相关参数。
所述步骤(2b)具体包括以下步骤：
(2b1)构造位置注意力模块，计算特征图中任意两个位置的空间依赖关系，给定一个中间特征图X∈RC×H×W作为输入，其中特征图大小为H×W，通道维数为C，具体计算公式如下：
Figure BDA0003585999440000031
由此推导如下：
Q(X)＝σ(I(X)TM(X))N(X)
＝σ((WIX)TWMX)N(X)
＝σ(XTWI TWMX)N(X)
其中，(i，j)表示要计算当前位置与其他位置的依赖关系的坐标，q为输出信号，Q为位置注意力机制，(k，j)是特征图中任意一点的坐标，σ代表softmax函数，I(xi，j)＝WIxi，j，M(xk，l)＝WMxk，l，N(xk，l)＝WNxk，l，I(xi，j)，M(xk，l)，N(xk，l)分别为相应卷积层的输出；WI，WM，WN均为相应卷积层的参数；
(2b2)构造多尺度通道注意力模块，通过全局平均池化操作与1x1卷积操作在全局与局部尺度沿通道维度提取特征，具体计算公式如下：
全局尺度：
G(X′)＝BN(C2((LR(BN(C1(g(X′)))))))
局部尺度：
L(X′)＝BN(C2(LR(BN(C1(X′)))))
多尺度通道注意力：
Figure BDA0003585999440000032
其中，X′为位置注意力模块的输出，CA为多尺度通道注意力，G(X′)∈RC×1×1为全局尺度，L(X′)∈RC×H×W为局部尺度，C1与C2分别表示卷积核参数为
Figure BDA0003585999440000033
和
Figure BDA0003585999440000034
的卷积操作，BN表示Batch Normalization操作，LR表示Leaky Relu激活函数操作，g表示全局平均池化操作，
Figure BDA0003585999440000035
为广播机制的元素加法运算；
(2b3)结合位置注意力模块与多尺度通道注意力模块，构造多尺度混合注意力模块，具体计算公式如下：
Figure BDA0003585999440000041
Figure BDA0003585999440000042
其中，X″为输出优化的特征图；
Figure BDA0003585999440000043
为元素乘法运算。
所述步骤(2c)具体包括以下步骤：
(2c1)提取由主干网络输出的浅层特征图与深层特征图；
(2c2)通过上采样操作与下采样操作改变浅层与深层特征图形状与目标特征图一致；
(2c3)先通过多尺度混合注意力模块优化浅层与深层特征图，融合两者，之后通过卷积操作细化特征并与目标特征图融合，强化虫害区域特征信息。
所述步骤(3c)中损失计算由三部分组成：置信度损失、定位损失、分类损失，计算公式如下：
Loss＝Loss(CIoU)+Loss(conf)+Loss(cls)
Figure BDA0003585999440000044
Figure BDA0003585999440000045
Figure BDA0003585999440000046
Figure BDA0003585999440000047
Figure BDA0003585999440000048
其中，Loss为总损失，Loss(CIoU)、Loss(conf)、Loss(cls)分别为定位损失、置信度损失与分类损失，d代表两个边界框中心点之间的欧氏距离，c代表闭包的对角线距离，IoU代表预测边界框与真实边界框的交并比，wgt与hgt分别为真实边框的宽、高，w与h分别为预测边界框的宽、高，玉米虫害区域检测模型将输入图像划分为S×S个网格，每一个网格有B个瞄框，
Figure BDA0003585999440000051
代表第i个网格中的第j个瞄框存在一个真实对象，等于1，而
Figure BDA0003585999440000052
则相反，代表第i个网格中的第j个瞄框不存在一个真实对象，等于0，λnoobj是权重系数。
由上述技术方案可知，本发明的有益效果为：第一，本发明通过上下文感知模块，为小目标虫害区域引入多尺度上下文特征强化目标特征的表示能力，增强网络对于此类有关特征提取的能力，解决了现有技术由于虫害区域尺度较小而不能精准识别的问题；第二，使用多尺度混合注意力机制解决真实田间环境中复杂背景问题，使得网络能够学习到不同特征的重要性，专注于有效特征；第三，通过结合基础虫害区域检测模型YOLOv4与以上两个模块，提高了虫害区域检测性能，降低了漏检率，适用于玉米不同生长周期的虫害区域检测，拥有较好的鲁棒性与泛化能力，克服了现有技术对于检测复杂背景下检测玉米虫害区域的缺陷。
附图说明
图1为本发明的方法流程图；
图2为本发明的多尺度混合注意力模块的结构示意图；
图3为本发明的上下文感知模块的结构示意图；
图4为本发明所获得的虫害区域检测示意图。
具体实施方式
如图1所示，一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，该方法包括下列顺序的步骤：
(1)建立训练样本集：采集真实田间玉米图像并进行预处理，对图像中有效区域进行标注，建立训练样本集；
(2)构造玉米虫害区域检测模型：构造基础虫害区域检测模型YOLOv4，采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4中的特征聚合网络，得到玉米虫害区域检测模型；
(3)训练玉米虫害区域检测模型：将训练样本集中的训练样本输入玉米虫害区域检测模型，玉米虫害区域检测模型输出不同尺度的特征图，通过玉米虫害区域检测模型的头部模块对不同尺度的特征图进行解码，输出预测的虫害区域坐标与分类结果,并计算损失，更新参数；
(4)虫害区域检测：将待检测样本输入玉米虫害区域检测模型，生成待检测样本中虫害区域的定位信息，并对虫害区域的个数进行计数。
所述步骤(2)具体包括以下步骤：
(2a)构造基础虫害区域检测模型YOLOv4：构造主干网络、特征聚合网络、头部模块，组成基础虫害区域检测模型YOLOv4；
(2b)构造多尺度混合注意力模块：结合位置注意力模块与多尺度通道注意模块构造多尺度混合注意力模块；
(2c)构造上下文感知模块；
(2d)采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4的特征聚合网络，得到玉米虫害区域检测模型。
所述步骤(3)具体包括以下步骤：
(3a)将训练样本输入玉米虫害区域检测模型，经过主干网络中卷积操作输出不同尺度的特征图；
(3b)将由主干网络输出的不同尺度的特征图输入改进的特征聚合网络，由多尺度混合注意力模块对有效特征进行提取，并通过上下文感知模块增强目标特征表示，得到包含目标定位信息与分类信息的输出特征图；
(3c)将步骤(3b)得到的输出特征图经过解码后输出预测结果，即虫害区域坐标与分类结果，并计算损失；
(3d)反向传播，更新玉米虫害区域检测模型中的相关参数。
所述步骤(2b)具体包括以下步骤：
(2b1)构造位置注意力模块，计算特征图中任意两个位置的空间依赖关系，给定一个中间特征图X∈RC×H×W作为输入，其中特征图大小为H×W，通道维数为C，具体计算公式如下：
Figure BDA0003585999440000071
由此推导如下：
Q(X)＝σ(I(X)TM(X))N(X)
＝σ((WIX)TWMX)N(X)
＝σ(XTWI TWMX)N(X)
其中，(i，j)表示要计算当前位置与其他位置的依赖关系的坐标，q为输出信号，Q为位置注意力机制，(k，j)是特征图中任意一点的坐标，σ代表softmax函数，I(xi，j)＝WIxi，j，M(xk，l)＝WMxk，l，N(xk，l)＝WNxk，l，I(xi，j)，M(xk，l)，N(xk，l)分别为相应卷积层的输出；WI，WM，WN均为相应卷积层的参数；
(2b2)构造多尺度通道注意力模块，通过全局平均池化操作与1x1卷积操作在全局与局部尺度沿通道维度提取特征，具体计算公式如下：
全局尺度：
G(X′)＝BN(C2((LR(BN(C1(g(X′)))))))
局部尺度：
L(X′)＝BN(C2(LR(BN(C1(X′)))))
多尺度通道注意力：
Figure BDA0003585999440000072
其中，X′为位置注意力模块的输出，CA为多尺度通道注意力，G(X′)∈RC×1×1为全局尺度，L(X′)∈RC×H×W为局部尺度，C1与C2分别表示卷积核参数为
Figure BDA0003585999440000073
和
Figure BDA0003585999440000074
的卷积操作，BN表示Batch Normalization操作，LR表示Leaky Relu激活函数操作，g表示全局平均池化操作，
Figure BDA0003585999440000075
为广播机制的元素加法运算；
(2b3)结合位置注意力模块与多尺度通道注意力模块，构造多尺度混合注意力模块，具体计算公式如下：
Figure BDA0003585999440000076
Figure BDA0003585999440000077
其中，X″为输出优化的特征图；
Figure BDA0003585999440000081
为元素乘法运算。
所述步骤(2c)具体包括以下步骤：
(2c1)提取由主干网络输出的浅层特征图与深层特征图；
(2c2)通过上采样操作与下采样操作改变浅层与深层特征图形状与目标特征图一致；
(2c3)先通过多尺度混合注意力模块优化浅层与深层特征图，融合两者，之后通过卷积操作细化特征并与目标特征图融合，强化虫害区域特征信息。
所述步骤(3c)中损失计算由三部分组成：置信度损失、定位损失、分类损失，计算公式如下：
Loss＝Loss(CIoU)+Loss(conf)+Loss(cls)
Figure BDA0003585999440000082
Figure BDA0003585999440000083
Figure BDA0003585999440000084
Figure BDA0003585999440000085
Figure BDA0003585999440000086
其中，Loss为总损失，Loss(CIoU)、Loss(conf)、Loss(cls)分别为定位损失、置信度损失与分类损失，d代表两个边界框中心点之间的欧氏距离，c代表闭包的对角线距离，IoU代表预测边界框与真实边界框的交并比，wgt与hgt分别为真实边框的宽、高，w与h分别为预测边界框的宽、高，玉米虫害区域检测模型将输入图像划分为S×S个网格，每一个网格有B个瞄框，
Figure BDA0003585999440000087
代表第i个网格中的第j个瞄框存在一个真实对象，等于1，而
Figure BDA0003585999440000088
则相反，代表第i个网格中的第j个瞄框不存在一个真实对象，等于0，λnoobj是权重系数。
如图2所示，多尺度混合注意力模块由位置注意力模块和多尺度通道注意力模块组合而来。位置注意力模块主要由卷积操作与矩阵操作组成，首先通过卷积操作压缩输入特征图，结合矩阵操作得到空间依赖关系矩阵，然后与压缩的输入特征图做矩阵乘法，获得选择权重，最后与输入特征图相加。多尺度通道注意力模块主要有卷积操作组成，分为两个分支，全局分支与局部分支。首先全局分支通过全局平均池化操作，获得一维通道特征向量，然后局部分支则是使用卷积核为1x1的卷积操作。两个分支的计算结果通过具有广播机制的加法运算相结合，最后与输入的特征图结合输出优化的特征图。
如图3所示，上下文感知模块的输入为虫害区域检测模型的主干网络输出的不同尺度的特征图，首先由浅层特征图与深层特征图分别通过上采样与下采样操作将其尺寸缩放至与目标特征图大小相同，并且为了防止不同尺度特征图中的信息会压倒目标特征图的信息，使用多尺度混合注意力模块进行优化。然后融合不同尺度特征图，并使用卷积操作对其包含的信息进行细化。最后融合的多尺度特征图与目标特征图融合，补充目标特征图中的虫害区域信息。
从图4中可以看到，本发明能够对准确的定位与识别玉米虫害区域，并且对于在图像中所占尺寸较小，背景复杂的虫害区域同样有着精准的定位。还能看到，本发明能够对检测到的虫害区域进行准确计数，可以以此来确定不同区域的受损程度，评估其未来的发展趋势。
综上所述，本发明通过上下文感知模块，为小目标虫害区域引入多尺度上下文特征强化目标特征的表示能力，增强网络对于此类有关特征提取的能力，解决了现有技术由于虫害区域尺度较小而不能精准识别的问题；本发明使用多尺度混合注意力机制解决真实田间环境中复杂背景问题，使得网络能够学习到不同特征的重要性，专注于有效特征。

Claims (6)

1.一种结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：该方法包括下列顺序的步骤：
(1)建立训练样本集：采集真实田间玉米图像并进行预处理，对图像中有效区域进行标注，建立训练样本集；
(2)构造玉米虫害区域检测模型：构造基础虫害区域检测模型YOLOv4，采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4中的特征聚合网络，得到玉米虫害区域检测模型；
(3)训练玉米虫害区域检测模型：将训练样本集中的训练样本输入玉米虫害区域检测模型，玉米虫害区域检测模型输出不同尺度的特征图，通过玉米虫害区域检测模型的头部模块对不同尺度的特征图进行解码，输出预测的虫害区域坐标与分类结果,并计算损失，更新参数；
(4)虫害区域检测：将待检测样本输入玉米虫害区域检测模型，生成待检测样本中虫害区域的定位信息，并对虫害区域的个数进行计数。
2.根据权利要求1所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(2)具体包括以下步骤：
(2a)构造基础虫害区域检测模型YOLOv4：构造主干网络、特征聚合网络、头部模块，组成基础虫害区域检测模型YOLOv4；
(2b)构造多尺度混合注意力模块：结合位置注意力模块与多尺度通道注意模块构造多尺度混合注意力模块；
(2c)构造上下文感知模块；
(2d)采用多尺度混合注意力模块、上下文感知模块改进基础虫害区域检测模型YOLOv4的特征聚合网络，得到玉米虫害区域检测模型。
3.根据权利要求1所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(3)具体包括以下步骤：
(3a)将训练样本输入玉米虫害区域检测模型，经过主干网络中卷积操作输出不同尺度的特征图；
(3b)将由主干网络输出的不同尺度的特征图输入改进的特征聚合网络，由多尺度混合注意力模块对有效特征进行提取，并通过上下文感知模块增强目标特征表示，得到包含目标定位信息与分类信息的输出特征图；
(3c)将步骤(3b)得到的输出特征图经过解码后输出预测结果，即虫害区域坐标与分类结果，并计算损失；
(3d)反向传播，更新玉米虫害区域检测模型中的相关参数。
4.根据权利要求2所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(2b)具体包括以下步骤：
(2b1)构造位置注意力模块，计算特征图中任意两个位置的空间依赖关系，给定一个中间特征图X∈RC×H×W作为输入，其中特征图大小为H×W，通道维数为C，具体计算公式如下：
qi,j＝σ(I(xi,j)TM(xk,l))N(xk,l)
由此推导如下：
Figure FDA0003585999430000021
其中，(i,j)表示要计算当前位置与其他位置的依赖关系的坐标，q为输出信号,Q为位置注意力机制，(k,j)是特征图中任意一点的坐标,σ代表softmax函数，I(xi,j)＝WIxi,j,M(xk,l)＝WMxk,l，N(xk,l)＝WNxk,l，I(xi,j),M(xk,l)，N(xk,l)分别为相应卷积层的输出；WI,WM,WN均为相应卷积层的参数；
(2b2)构造多尺度通道注意力模块，通过全局平均池化操作与1x1卷积操作在全局与局部尺度沿通道维度提取特征，具体计算公式如下：
全局尺度：
G(X′)＝BN(C2((LR(BN(C1(g(X′)))))))
局部尺度：
L(X′)＝BN(C2(LR(BN(C1(X′)))))
多尺度通道注意力：
CA(X′)＝σ(G(X′)⊕L(X′))
其中，X′为位置注意力模块的输出,CA为多尺度通道注意力，G(X′)∈RC×1×1为全局尺度，L(X′)∈RC×H×W为局部尺度，C1与C2分别表示卷积核参数为
Figure FDA0003585999430000031
和
Figure FDA0003585999430000032
的卷积操作，BN表示Batch Normalization操作，LR表示Leaky Relu激活函数操作，g表示全局平均池化操作，⊕为广播机制的元素加法运算；
(2b3)结合位置注意力模块与多尺度通道注意力模块，构造多尺度混合注意力模块，具体计算公式如下：
X′＝X⊕Q(X)
Figure FDA0003585999430000033
其中，X″为输出优化的特征图；
Figure FDA0003585999430000034
为元素乘法运算。
5.根据权利要求2所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(2c)具体包括以下步骤：
(2c1)提取由主干网络输出的浅层特征图与深层特征图；
(2c2)通过上采样操作与下采样操作改变浅层与深层特征图形状与目标特征图一致；
(2c3)先通过多尺度混合注意力模块优化浅层与深层特征图，融合两者，之后通过卷积操作细化特征并与目标特征图融合，强化虫害区域特征信息。
6.根据权利要求3所述的结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法，其特征在于：所述步骤(3c)中损失计算由三部分组成：置信度损失、定位损失、分类损失，计算公式如下：
Loss＝Loss(CIoU)+Loss(conf)+Loss(cls)
Figure FDA0003585999430000035
Figure FDA0003585999430000036
Figure FDA0003585999430000037
Figure FDA0003585999430000041
Figure FDA0003585999430000042
其中，Loss为总损失，Loss(CIoU)、Loss(conf)、Loss(cls)分别为定位损失、置信度损失与分类损失，d代表两个边界框中心点之间的欧氏距离，c代表闭包的对角线距离，IoU代表预测边界框与真实边界框的交并比，wgt与hgt分别为真实边框的宽、高，w与h分别为预测边界框的宽、高，玉米虫害区域检测模型将输入图像划分为S×S个网格，每一个网格有B个瞄框，
Figure FDA0003585999430000043
代表第i个网格中的第j个瞄框存在一个真实对象，等于1，而
Figure FDA0003585999430000044
则相反，代表第i个网格中的第j个瞄框不存在一个真实对象，等于0，λnoobj是权重系数。
CN202210363301.5A 2022-04-08 2022-04-08 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法 Pending CN114724031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210363301.5A CN114724031A (zh) 2022-04-08 2022-04-08 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210363301.5A CN114724031A (zh) 2022-04-08 2022-04-08 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法

Publications (1)

Publication Number Publication Date
CN114724031A true CN114724031A (zh) 2022-07-08

Family

ID=82241169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210363301.5A Pending CN114724031A (zh) 2022-04-08 2022-04-08 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法

Country Status (1)

Country Link
CN (1) CN114724031A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376094A (zh) * 2022-10-27 2022-11-22 山东聚祥机械股份有限公司 基于尺度感知神经网络的无人清扫车路面识别方法及系统
CN115953408A (zh) * 2023-03-15 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于YOLOv7的避雷器表面缺陷检测方法
CN116385814A (zh) * 2023-03-07 2023-07-04 广州市妇女儿童医疗中心 一种检测目标的超声筛查方法、系统、装置及介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376094A (zh) * 2022-10-27 2022-11-22 山东聚祥机械股份有限公司 基于尺度感知神经网络的无人清扫车路面识别方法及系统
CN115376094B (zh) * 2022-10-27 2023-02-03 山东聚祥机械股份有限公司 基于尺度感知神经网络的无人清扫车路面识别方法及系统
CN116385814A (zh) * 2023-03-07 2023-07-04 广州市妇女儿童医疗中心 一种检测目标的超声筛查方法、系统、装置及介质
CN116385814B (zh) * 2023-03-07 2023-12-05 广州市妇女儿童医疗中心 一种检测目标的超声筛查方法、系统、装置及介质
CN115953408A (zh) * 2023-03-15 2023-04-11 国网江西省电力有限公司电力科学研究院 一种基于YOLOv7的避雷器表面缺陷检测方法

Similar Documents

Publication Publication Date Title
CN114724031A (zh) 结合上下文感知和多尺度混合注意力的玉米虫害区域检测方法
Zhu et al. Quantification of light interception within image-based 3-D reconstruction of sole and intercropped canopies over the entire growth season
CN115272828B (zh) 一种基于注意力机制的密集目标检测模型训练方法
CN114239756B (zh) 一种虫害检测方法及系统
CN113780097B (zh) 基于知识图谱和深度学习的耕地提取方法
CN114841961A (zh) 基于图像增强和改进YOLOv5的小麦赤霉病检测方法
CN115661544A (zh) 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法
CN115631462A (zh) 基于am-yolox的草莓病虫害检测方法及系统
Wang et al. TBC-YOLOv7: a refined YOLOv7-based algorithm for tea bud grading detection
CN113936019A (zh) 一种基于卷积神经网络技术的大田作物产量估算方法
Potena et al. Suckers emission detection and volume estimation for the precision farming of hazelnut orchards
CN111832480B (zh) 一种基于光谱特征的油菜种植区遥感识别方法
Niu et al. YOLO-plum: A high precision and real-time improved algorithm for plum recognition
CN116739739A (zh) 一种贷款额度评估方法、装置、电子设备及存储介质
CN115346212A (zh) 一种基于改进YOLOv5的苹果花朵生长状态检测方法
CN115294562A (zh) 一种植保机器人作业环境智能感知方法
Tong et al. An image-based system for locating pruning points in apple trees using instance segmentation and RGB-D images
CN114463642A (zh) 一种基于深度学习的耕地地块提取方法
Wei et al. Accurate crop row recognition of maize at the seedling stage using lightweight network
CN114648500B (zh) 一种基于无人机和深度学习的农作物杂草检测方法及装置
CN116052141B (zh) 作物生育期的识别方法、装置、设备及介质
CN117173122B (zh) 一种基于轻量级ViT的图像叶密度测定方法及装置
Xia Kiwifruit Detection and Tracking from A Deep Learning Perspective Using Digital Videos
CN115205853B (zh) 一种基于图像的柑橘果实检测与识别方法及系统
Kuang Prediction of corn yield in New York state by harnessing satellite remote sensing and deep learning

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