[发明专利]一种基于轻量型卷积神经网络的农作物害虫检测方法

权利要求书

1.一种基于轻量型卷积神经网络的农作物害虫检测方法，其特征在于，所述方法包括：

S1，以YOLO－Lite模型为基础网络模型，将轻量型沙漏块嵌入至所述YOLO－Lite模型，将坐标注意力块分别嵌入经典残差块和轻量型沙漏块中，以生成YOLOLite－CSG模型；其中，所述轻量型沙漏块包括分组卷积层和通道混洗层；

S2，获取待检测农作物图像，基于YOLOLite－CSG模型对所述农作物图像执行害虫检测；

其中，根据K－means++算法执行聚类产生YOLOLite－CSG模型的k个初始聚类中心，而后根据所述k个初始聚类中心，再执行标准的k－means聚类过程生成先验框；

所述将轻量型沙漏块嵌入至所述YOLO－Lite模型，包括：在沙漏块的起始和结尾添加深度卷积；且所述沙漏块只在第一个深度卷积和第二个逐点卷积后添加激活层；

所述分组卷积层，用于执行分组1×1卷积；

所述通道混洗层用于执行混洗操作，包括：

S101，将输入的特征图的维度从C×H×W变换到G×C′×H×W；其中，C、H和W表示输入特征图的通道数、高度和宽度，G表示分组数，C’表示每组通道数；

S102，转置分组数维度和每组通道数维度，输出的特征图维度为C′×G×H×W；

S103，沿每组通道数维度展开特征图，输出的特征图维度为C×H×W；

所述将坐标注意力块分别嵌入经典残差块和轻量型沙漏块中，包括：

将所述坐标注意力块嵌入经典残差块中位于升维的1×1卷积之后；

将所述坐标注意力块嵌入轻量型沙漏块位于第一个深度卷积之后；

所述步骤S1还包括：获取YOLOv3模型，将所述YOLOv3模型的主干网络残差块的数量调整为[2，3，6，3，2]，且所有层的通道数减半，以生成YOLO－Lite模型。

2.根据权利要求1所述的基于轻量型卷积神经网络的农作物害虫检测方法，其特征在于，坐标注意力块包括执行：

对于输入特征图通过两个池化操作在每个通道中分别沿水平方向和垂直方向编码空间位置信息，捕获空间位置间的长距离依赖：

其中，f_in(c，h，i)表示输入特征图f_in中指定通道c、指定高度h和宽度i位置的值，f_in(c，j，w)表示输入特征图f_in中指定通道c、高度j和指定宽度w位置的值；m(c，h)表示指定通道c、指定高度h的池化输出，n(c，w)表示指定通道c、指定宽度w的池化输出；

在逐通道完成以上空间位置信息编码后，生成特征图和特征图并对通道维度和空间维度的依赖关系进行建模。