[发明专利]一种基于深度学习的无人机影像树木检测方法

权利要求书

1.一种基于深度学习的无人机影像树木检测方法，其特征在于，该方法包括：

S1.对输入的无人机影像进行第一次尺寸修整及进行深度和宽度两个层次的双层次信息融合，输出第一特征图；

S2.对第一特征图进行下采样及第二次双层次信息融合，输出第二特征图；

S3.对第二特征图继续下采样，并进行第三次双层次信息融合，输出第三特征图；

S4.对第三特征图使用MSPP模块进行多尺度信息捕捉，输出第四特征图；

S5.对第四特征图和第二特征图分别进行尺寸修整以将两个特征图修整为同一尺寸并进行叠加处理，随后再次进行双层次信息融合处理输出第五特征图；

S6.对第五特征图和第一特征图分别进行尺寸修整以将两个特征图修整为同一尺寸并进行叠加处理，随后再次进行双层次信息融合处理输出第六特征图；

S7.对第六特征图继续进行尺寸修整使其与第五特征图具有相同尺寸，随后将其与第五特征图进行叠加处理，并再次进行双层次信息融合处理后输出第七特征图；

S8.对第七特征图继续进行尺寸修整使其与第四特征图具有相同尺寸，随后将其与第四特征图进行叠加处理，并再次进行双层次信息融合处理后输出第八特征图；

S9.对第六特征图、第七特征图、第八特征图分别使用AM Block模块进行处理以使网络在各尺度下均聚焦于重点区域；

S10.分别使用检测头一、检测头二、检测头三基于分别经过AM Block模块处理的三个特征图进行小目标、中等目标和大目标的检测，合并三个检测头的检测结果输出模型的最终检测结果。

2.根据权利要求1所述的基于深度学习的无人机影像树木检测方法，其特征在于，步骤S1中，被输入的无人机影像为经过裁剪的具有特定尺寸的输入特征图；

步骤S1依次包括两个Basic Conv1模块，一个FE-1Block模块，一个MP2模块，一个FE-1Block模块，由Basic Conv1模块和MP2模块对输入影像进行第一次尺寸修整，由两个FE-1Block模块进行深度和宽度两个层次的双层次信息融合。

3.根据权利要求2所述的基于深度学习的无人机影像树木检测方法，其特征在于，所述的FE-1Block模块包括一个Basic Conv2模块，Basic Conv2模块的输出具有两个支路，支路一连续经过两个Conv Block模块处理后，继续对其做一个Basic Conv2模块操作，随后与支路二进行相加操作，自此完成深度层次的信息融合，宽度层次的信息融合由所述的ConvBlock模块实现，最后将融合后的特征图经过一个Basic Conv3模块操作后输出。

4.根据权利要求3所述的基于深度学习的无人机影像树木检测方法，其特征在于，所述的Conv Block模块具有两个支路，支路一经过一个Basic Conv3模块操作后将得到的特征图按通道数均分为四份得到x1、x2、x3和x4，对x1不做任何操作得到y1，对x2经过BasicConv2模块处理得y2，对y2与x3做相加之后再经过Basic Conv2模块操作得y3，对y3与x4做相加之后再经过Basic Conv2模块得y4；

将特征图y1、y2、y3和y4在通道维度上叠加，从而完成宽度层次上的信息融合；

之后，对融合后的特征进行一个Basic Conv2模块处理，再与支路二进行跳跃连接，将该两部分的特征图进行相加操作，之后经过一个Basic Conv3模块后输出。

5.根据权利要求4所述的基于深度学习的无人机影像树木检测方法，其特征在于，所述的Basic Conv1模块、Basic Conv2模块、Basic Conv3模块均依次包括2D卷积层、BN层和激活函数层，且三者的2D卷积层具有相同或不同的大小、步长。