[发明专利]一种基于深度学习的土壤杂质检测方法

权利要求书

1.一种基于深度学习的土壤杂质检测方法，其特征在于，包括以下步骤：

(1)数据集制作：由于在相关数据集库没有已有的数据进行实验，对实际的土地进行拍照，获取一定数量的图片；

(2)数据增强：在取得图片的基础上，对已经获得的图像进行旋转90°、180°和270°，操作后的图像数量增加至原来的4倍，使得训练后的目标检测网络模型鲁棒性得到提升，由于农机在操作时，季节、时间具有不确定性，所以对同一土地，要采集不同环境下的图像，例如光照不同、季节不同等；

(3)数据集：目标检测数据集的制作相对于其他数据集来说制作复杂，选用Labllmg工具进行对目标的标注，将图像与标注目标后的图像命名一致，数据集包括训练集、验证集和测试集，训练集是用于模型拟合的数据样本；验证集是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估；测试集是用来评估模型最终的泛化能力，但不能作为调参、选择特征等算法相关的选择的依据；

(4)数据预处理：数据预处理这一操作在深度学习中是非常重要以及必要的过程，对训练集和验证集进行预处理操作；

(5)设计深度卷积网络结构：选用SSD网络，模型的输入图片大小是300×300，损失函数定义为位置误差与置信度误差：

其中N是先验框的正样本数量，这里为一个指示参数，当时表示第i个先验框与第j个groundtruth匹配，并且ground truth的类别为p，C为类别置信度预测值，l为先验框的所对应边界框的位置预测值，而g是ground truth的位置参数，对于位置误差，其采用Smooth L1 loss，定义如下：

对于置信度误差，其采用softmax loss：

权重系数α通过交叉验证设置为1；

(6)训练过程：在训练过程中，首先要确定训练图片中的ground truth与哪个先验框来进行匹配，与之匹配的先验框所对应的边界框将负责预测它；

(7)验证过程：将网络训练完成后，把未标注的图片输入网络，得到标注好图片目标的图片，然后根据损失函数对网络超参进行调整，使网络性能得到提升；

(8)测试过程：在不改变超参的情况下，对网络进行测试，得到图像的位置信息，以及分类信息。

2.如权利要求1所述的一种基于深度学习的土壤杂质检测方法，其特征在于，所述步骤(4)中：训练集和验证集预处理操作包括以下步骤

a.训练集预处理：I.将图片从RGB编码转换到[0，1]；II.进行随机切片，转换边界框的值并筛选(以切片作为基准，转换边界框的值，并去除与切片重合值小于一定阈值的边界框)；III.对获取的图片进行resize(因为边界框都是相对值，处于[0，1]，所以这一步并不需要处理)；IV.进行随机水平镜像，并转换边界框的值；V.将像素数据从[0，1]重新转换到RGB编码，并减去图像中RGB的平均数；

b.验证集预处理：I.对RGB编码图片减去RGB平均值；II.在边界框中添加一个[0，0，1,1]的记录，后续通过该记录获取输出图片；III.对图片进行resize，并修改边界框的值。