[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

说明书

本发明提供了一种基于轻量型卷积神经网络的农作物害虫检测方法，通过以YOLO‑L ite模型为基础网络模型，将轻量型沙漏块并嵌入至所述YOLO‑L ite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；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。通过基于轻量型卷积神经网络的农作物害虫检测模型YOLOL ite‑CSG，模型以YOLOv3为基础，并优化残差块数量和输出通道数，同时，采用k‑means++生成先验框，并替换部分残差块为轻量型沙漏块，最后引入坐标注意力机制，实现检测精度的大大提高，且参数量和计算量大幅下降，适合部署于农业环境中。

技术领域

本发明涉及目标检测技术领域，具体而言，涉及一种基于轻量型卷积 神经网络的农作物害虫检测方法。

背景技术

传统农作物害虫监测系统极度依赖人为管理，效果不佳，因此研究人 员采用机器学习技术进行农作物害虫检测。

目前，基于卷积神经网络的目标检测方法已经成为农作物害虫检测的首 选方法。然而，该类方法的参数量和计算量较高，在农业环境中的应用受 到限制。近些年来，研究人员开始关注检测方法的参数量和计算量，研究 轻量型目标检测方法。但是，参数量和计算量的减少使得轻量型目标检测 方法的检测精度大幅下降，不利于实际应用。

发明内容

有鉴于此，本发明实施例的目的在于提高检测精度，降低参数量和计 算量，更有利于后期的实际应用。

本发明的第一方面提供了一种基于轻量型卷积神经网络的农作物害虫 检测方法，所述方法包括：

S1，以YOLO-Lite模型为基础网络模型，将轻量型沙漏块并嵌入至所 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。

进一步，所述将轻量型沙漏块并嵌入至所述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。

进一步，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。

进一步，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：