[发明专利]一种复杂场景下高精度烟草甲虫检测方法

说明书

本发明公开一种复杂场景下高精度烟草甲虫检测方法，包括构建拟合复杂环境和多分布场景的烟草甲虫数据集；搭建结合多尺度可变形卷积和双重注意力的DCA模块；搭建基于DCA模块的特征金字塔网络，以及由特征提取网络Resnet50、特征金字塔网络DCA‑FPN和目标检测框架FasterR‑CNN构成的复杂场景烟草甲虫小目标检测网络；在自建数据集上对提出的网络模型进行训练和测试。本发明使用多尺度可变形卷积能够拟合多场景下烟草甲虫空间几何形变特征，获取烟草甲虫的多种形状和姿态等有效特征，针对性地减少了复杂环境的背景内容或前景区域的无效信息的影响。还利用双重注意力DCA模块进行冗余特征的消除，实现局部跨通道和空间的信息交互，提高烟草甲虫检测在复杂场境下的分类性能。

技术领域

本发明涉及计算机视觉的图像处理技术领域，尤其涉及一种复杂场景下高精度烟草甲虫检测方法。

背景技术

卷烟生产车间空间面积大，环境常年恒温恒湿，设备内有积存的烟末烟丝，这为烟草甲虫提供了良好的生存环境。烟草甲虫会严重影响卷烟质量，虫情监控是烟草甲防治最重要的环节。传统的烟草甲虫检测方法主要依靠人工计数，其人力成本高、效率低、实时性差。因此，基于计算机视觉技术实现烟草甲图像自动采集和目标检测具有重要意义。

小目标由于特征缺失很容易造成漏检。因此，特征金字塔网络(Feature PyramidNetworks,FPN)构建了多尺度金字塔结构，通过引入具有侧向连接的自上而下的途径，将低分辨率、大感受野特征与高分辨率、小感受野特征相结合，检测不同尺度的目标。CARAFE利用一种全新的上采样方式融入特征金字塔中，以此获得更大的感受野，ASPP将具有不同空洞率的空洞卷积下采样来扩大感受野，并行地应用到输入特征图上，以多个尺度捕捉图像的上下文信息。PANet提出了自顶向下的二次融合对自底向上的FPN路径进行增强，减短了信息传播路径，同时更好地利用了低层特征的精确定位信息。NAS-FPN使用神经架构搜索自动学习到更好的目标检测网络架构。

然而，以上方法在增加感受野的同时未考虑信息的有效融合，而且大部分网络是在获得高低层次融合信息后继续增加路径，在增加网络复杂度的代价下提升了网络的性能，但在本质上并没有扩大网络高层的感受野，高层特征图语义信息仍显不足；另外经过多次下采样的高层特征一般会忽略较多的细节信息，导致对于小目标的检测效果不佳，难以实现高精度烟草甲虫检测。

发明内容

本发明提供了一种复杂场景下高精度烟草甲虫检测方法，以解决上述技术问题。

本发明采用的技术方案是：一种复杂场景下高精度烟草甲虫检测方法，包括如下步骤：

步骤1、构建一个拟合复杂环境和多分布场景的烟草甲虫数据集；

步骤2、搭建一个结合多尺度可变形卷积和双重注意力的DCA模块；

步骤3、搭建基于DCA模块的特征金字塔网络，即DCA-FPN，以及由特征提取网络Resnet50、特征金字塔网络DCA-FPN和目标检测框架Faster R-CNN构成的复杂场景烟草甲虫小目标检测网络；

步骤4、在自建数据集上对提出的网络模型进行训练和测试。

进一步的，所述步骤1包括：

使用图像采集终端，实地采集若干烟草甲虫的图像并且进行人工标注，建立烟草甲虫数据集。

进一步的，将采集到的烟草甲虫的图像根据图像背景情况分为无烟丝、少烟丝和多烟丝，根据烟草甲虫聚集情况分为无聚集和有聚集，根据光线情况分为光线正常和光线过暗。

进一步的，所述步骤2中的DCA模块是由两个并行的不同尺度的可变形卷积和双重注意力组成的。

进一步的，搭建所述DCA模块包括：