[发明专利]基于Retinanet改进的农作物病虫害识别方法在审
申请号: | 202010633107.5 | 申请日: | 2020-07-02 |
公开(公告)号: | CN111797760A | 公开(公告)日: | 2020-10-20 |
发明(设计)人: | 李礁;甘波;钟乐海;邢伟寅 | 申请(专利权)人: | 绵阳职业技术学院 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 长沙湘驰达知识产权代理事务所(普通合伙) 43242 | 代理人: | 罗若愚 |
地址: | 621000 四川*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 retinanet 改进 农作物 病虫害 识别 方法 | ||
1.一种基于Retinanet改进的农作物病虫害识别方法,其特征在于:包含以下步骤:
(1)使用自己手工标注的农作物病虫数据集,采用Mosaic对数据进行增强,将数据集的图像数据按照3:1:1的比例分为训练集、验证集和测试集;
(2)对Retinanet的特征提取网络进行改进,使用DensetNet替换进行特征提取;
(3)利用训练集和测试集对改进后的Retinanet神经网络进行训练,获取改进后的Retinanet神经网络的检测模型;
(4)对测试集的检测结果进行精度和实时性评价。
2.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法,其特征在于:所述步骤(1)中所描述的训练集、验证集、测试集相互独立。
3.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法,其特征在于:所述利用训练集和验证集对Retinanet神经网络进行训练,获取基于Retinanet改进的农作物害虫识别的模型过程如下:
将训练集的图像数据调整为正方形,然后进行归一化,并将归一化的数据输入backbone,利用DensetNet进行特征提取得到3种不同感受野的特征图C3,C4,C5,分别将3种不同尺寸的特征图输入至Retinanet的FPN部分,进行上采样和特征融合后分别得到以上3个不同尺度和感受野的特征金字塔张量数据P3,P4,P5,同时将感受野最大但是特征图尺寸最小的特征图C5进行1次stride为2的卷积操作,得到特征金字塔张量数据P6,将P6进行1次stride为2的卷积操作,得到特征金字塔张量数据P7;
2个感受野小且尺寸最大的金字塔张量数据负责小目标的检测(P3,P4),2个感受野最大但是特征图尺寸最小的特征金字塔张量数据负责大目标的检测(P6,P7),1个感受野居中同时特征图尺寸居中的金字塔张量数据负责中等大小目标的检测(P5),然后分别输入SubNets(包含分类子网络和框回归子网络),通过损失函数对张量数据相对于真实值进行计算,并通过反向传播求取梯度,进行权重更新,同时利用验证集进行验证,最终得到基于Retinanet改进的农作物害虫识别模型。
4.根据权利要求3所述的一种基于Retinanet改进的农作物病虫害识别方法,其特征在于:所述Retinanet神经网络部分包含以下步骤:
1、归一化处理以后的图像,经过一个7×7的卷积后尺寸缩小一半,随后经过一个MaxPooling层,尺寸缩小一半,随后经过1个DenseBlock,在经过一个Transition layer(1个1×1的卷积+1个2×2平均池化层组成),得到我们得到感受野最小且尺寸最大的特征图C3;
2、感受野最小但是尺寸最大的特征图依次经过一个DenseBlock,在经过一个Transition layer,得到感受野次小且尺寸第二的特征图C4;
3、感受野次小且尺寸第二的特征图依次经过一个DenseBlock,在经过一个Transitionlayer,得到感受野中等且尺寸第三的特征图C5。
5.根据权利要求1所述的一种基于Retinanet改进的农作物病虫害识别方法,其特征在于:所述Retinanet神经网络部分包含以下步骤:DenseBlock为6个(1×1和3×3)的卷积和Dense connection的运算过程,Transition Layer为1个1×1的卷积和1个2×2的卷积。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于绵阳职业技术学院,未经绵阳职业技术学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010633107.5/1.html,转载请声明来源钻瓜专利网。