[发明专利]一种基于RetinaNet模型的麦蜘蛛图像检测方法

说明书

本发明涉及一种基于RetinaNet模型的麦蜘蛛图像检测方法，与现有技术相比解决了针对麦蜘蛛图像检测效率低、鲁棒性差的缺陷。本发明包括以下步骤：麦蜘蛛图像样本的获取和预处理；麦蜘蛛图像样本的扩充；麦蜘蛛图像检测模型的构建；麦蜘蛛图像检测模型的训练；待检测图像的获取；麦蜘蛛图像检测结果的获得。本发明将多头自注意力模块与残差网络融合，组成了一个新颖的并行骨干网络架构，利用高分辨率的特征图提取小目标的特征，基于交互特征图之间的上下文信息，通过重新设计更符合小目标的锚框，实现了更高效、更准确的麦蜘蛛虫害图像检测。

技术领域

本发明涉及植保图像处理技术领域，具体来说是一种基于RetinaNet模型的麦蜘蛛图像检测方法。

背景技术

近些年，随着深度学习的发展，涌现出许多目标检测领域的研究。例如：早期的二阶段检测(Faster RCNN，Mask RCNN，Cascade RCNN等)和近年来发展迅速的单阶段检测(SSD, RetinaNet，YOLO)等方法。这些方法由于可以直接接收图片作为输入，将预测结果作为输出，成为近年来研究的热点。

然而，这些目标检测算法在检测较大目标时的表现较好，在目标较小时，难以保持优秀稳定的结果。这有两个主要的缺陷：1、为了追求检测的效率，减少了对于较小的目标检测的关注，使得小目标检测效果很差；2、手动设计的特征提取，并没有很好的鲁棒性，无法适用于麦蜘蛛，检测的精度较低。

因此，如何研发出一种针对于麦蜘蛛的图像检测方法已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中针对麦蜘蛛图像检测效率低、鲁棒性差的缺陷，提供一种基于RetinaNet模型的麦蜘蛛图像检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于RetinaNet模型的麦蜘蛛图像检测方法，包括以下步骤：

麦蜘蛛图像样本的获取和预处理：采集真实背景下麦田里麦蜘蛛的图片作为麦蜘蛛图片样本，并使用LabelImg对采集图片进行分类和坐标标注，作为预处理后的麦蜘蛛图像样本；

麦蜘蛛图像样本的扩充：使用随机平移、旋转、色彩转换和添加噪声操作对麦蜘蛛图像样本进行扩充；并随机选取图片，复制麦蜘蛛到图片中随机位置，生成新的图片和标注文件；最后将高分辨率图片样本进一步分割，一张图片分割成若干低分辨率的图片组成新的麦蜘蛛图像训练集；

麦蜘蛛图像检测模型的构建：基于RetinaNet模型构建麦蜘蛛图像检测模型；

麦蜘蛛图像检测模型的训练：将麦蜘蛛图像训练集输入麦蜘蛛图像检测模型进行训练；

待检测图像的获取：获取待检测的麦蜘蛛图像并进行预处理；

麦蜘蛛图像检测结果的获得：将预处理后的待检测麦蜘蛛图像输入训练后的麦蜘蛛图像检测模型，得到麦蜘蛛图像检测结果。

所述麦蜘蛛图像检测模型的构建包括以下步骤：

构建麦蜘蛛图像检测模型，麦蜘蛛图像检测模型包括RetinaNet模型的骨干网络、特征金字塔以及标签分配模块；

对RetinaNet模型的骨干网络重新进行设计，输入数据集图片，输出不同尺寸的骨干网络特征图；

对RetinaNet模型的特征金字塔进行重新设计，接收骨干网络输出的骨干网络特征图作为输入，融合上下文信息以及多尺度信息，输出金字塔特征图；

构建标签分配模块：将特征金字塔输出的所有金字塔特征图上的点生成的锚框按缩放比例映射到原图，计算所有锚框与真实标签的交并比，动态选取Topk个锚框作为正样本，每一个真实标签对应的交并比阈值以及k进行不断优化。