本发明专利技术公开了一种基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，包括：利用Cascade RCNN网络改进后的骨干网络对待检测柑橘图像进行特征提取，改进后的骨干网络中至少一层采用可变形卷积；利用Cascade RCNN网络改进后的区域特征提取网络对骨干网络输出的特征进行高层次语义特征提取，改进后的区域特征提取网络包括一个自下而上卷积融合过程；利用Cascade RCNN网络的级联检测器对区域特征提取网络输出的高层次语义特征进行多阶段级联的目标识别检测过程，获取待检测柑橘图像的黄龙病检测结果。本发明专利技术有效提高了对柑橘黄龙病检测的准确性。龙病检测的准确性。龙病检测的准确性。
【技术实现步骤摘要】
基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法
[0001]本专利技术涉及图像处理
，具体涉及基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法。
技术介绍
[0002]柑橘黄龙病的病害特征大多都是通过它的叶片表现出来的，传统的柑橘黄龙病防治是有经验的果农们通过观察柑橘的叶片从而做出相应的病害判断，但这项工作不仅特别耗费时间，而且人工判断容易出现误判。近年来，随着计算机视觉和深度学习的飞速发展，卷积神经网络在农作物病害图像分类和检测中取得了巨大的进步，使用卷积神经网络对柑橘黄龙病进行检测是一种可行性解决方案。
[0003]现有技术中有大量算法已被广泛地应用于农业领域，包括对柑橘黄龙病的检测，但是现有技术的柑橘黄龙病检测仍然存在问题，主要有：
[0004](1)由于图像是在自然场景中拍摄的，图像背景中存在大量的健康叶片、其他病害叶片、杂草等干扰因素，导致现有算法的检测精度不高；
[0005](2)叶片之间的相互遮挡以及距离远近导致黄龙病叶片形态、尺寸变化大，极易出现小尺寸目标漏检的情况；
[0006](3)黄龙病叶片的颜色、纹理特征与柑橘其他病害十分相似，容易存在误检问题。
技术实现思路
[0007]针对上述现有技术存在的问题，本专利技术提供了一种基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法、系统、设备及计算机可读存储介质，有效提高了柑橘黄龙病检测准确性，该技术方案包括：
[0008]第一方面，提供了一种基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，包括如下步骤：
[0009]获取待检测柑橘图像；
[0010]利用Cascade RCNN网络改进后的骨干网络对所述待检测柑橘图像进行特征提取，所述改进后的骨干网络中至少一层采用可变形卷积；
[0011]利用Cascade RCNN网络改进后的区域特征提取网络对所述骨干网络输出的特征进行高层次语义特征提取，所述改进后的区域特征提取网络包括在FPN网络自上而下融合过程的右侧增加的一个自下而上卷积融合过程；
[0012]利用Cascade RCNN网络的级联检测器对区域特征提取网络输出的高层次语义特征进行多阶段级联的目标识别检测过程，获取待检测柑橘图像的黄龙病检测结果。
[0013]在一种可能的实现方式中，所述骨干网络基于ResNetXt101实现。
[0014]在一种可能的实现方式中，所述骨干网络基于DCNv2模型的构思，对骨干网络的最后3层采用可变形卷积。
[0015]在一种可能的实现方式中，所述区域特征提取网络基于FPN网络改进形成，包括：
[0016]自下而上过程的图像金字塔：基于骨干网络后4层输出的多尺度特征图形成；
[0017]自上而下融合过程：融合后的特征金字塔自上而下分别记为C4、C5、C6、C7；
[0018]自下而上卷积融合过程：C7作为起始特征图P1，自下而上卷积过程中每一层进行卷积后与左侧自上而下过程中对应层融合形成上一层特征图。
[0019]在一种可能的实现方式中，所述自下而上卷积过程中，卷积参数采用3
×
3卷积后进行2倍的下采样。
[0020]在一种可能的实现方式中，所述Cascade RCNN网络的级联检测器中，三个检测IOU值依次为0.5、0.6、0.7或者依次为0.6、0.7、0.8。
[0021]在一种可能的实现方式中，所述对待检测柑橘图像进行检测前，还包括：
[0022]基于黄龙病柑橘样本图像集对改进Cascade RCNN网络进行训练的过程，所述样本图像集中包括多个样本图像并划分为训练集和验证集；
[0023]所述基于黄龙病柑橘样本图像集对改进Cascade RCNN网络进行训练的过程，还包括：
[0024]使用剪切混合拼接和CLAHE的方法对样本图像集进行数据增广。
[0025]第二方面，提供了一种基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测系统，包括：
[0026]待检测图像获取模块，用于获取待检测柑橘图像；
[0027]特征提取模块，利用Cascade RCNN网络改进后的骨干网络对所述待检测柑橘图像进行特征提取，所述改进后的骨干网络中后面至少一层采用可变形卷积；
[0028]特征双向融合模块，利用Cascade RCNN网络改进后的区域特征提取网络对所述骨干网络输出的特征进行高层次语义特征提取，所述改进后的区域特征提取网络包括在FPN网络自上而下融合过程的右侧增加的一个自下而上卷积融合过程；
[0029]黄龙病检测模块，利用Cascade RCNN网络的级联检测器对区域特征提取网络输出的高层次语义特征进行多阶段级联的目标识别检测过程，获取待检测柑橘图像的黄龙病检测结果。
[0030]第三方面，提供了一种柑橘黄龙病检测设备，所述设备包括：
[0031]处理器；
[0032]用于存储处理器可执行指令的存储器；
[0033]其中，所述处理器通过运行所述可执行指令以实现如上述第一方面所述的方法。
[0034]第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如上述第一方面所述方法的步骤。
[0035]本专利技术的一种基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，具备如下有益效果：针对叶片之间的相互遮挡以及距离远近导致黄龙病叶片形态、尺寸变化大，极易出现小尺寸目标漏检的情况以及黄龙病叶片的颜色、纹理特征与柑橘其他病害十分相似，容易存在误检的问题，本申请中，通过对骨干网络中至少一层采用可变形卷积，同时对区域特征提取网络新增一个基于卷积的自下而上融合过程，通过在骨干网络中添加可变形卷积，适应柑橘黄龙病叶片的几何形变，根据黄龙病叶片的形状自适应的改变局部采样点，增强网络对目标几何形变的建模能力，有效提取目标特征并提高柑橘黄龙病的检测效果，同时，在区域特征提取网络中基于FPN网络进行高层次语义特征提取，在FPN网络的基础上，
增加一个基于自下而上卷积融合过程，利用双向融合过程，不仅能够丰富每层特征图的位置信息，还能够保留每层特征图的语义信息，增强了模型的多尺度信息融合能力，有利于小尺寸和遮挡目标的检测。
附图说明
[0036]图1是本申请实施例中基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法流程图；
[0037]图2是本申请实施例中改进Cascade RCNN网络的结构图；
[0038]图3本申请实施例中基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测系统结构图。
具体实施方式
[0039]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，所描述的实施例不应视为对本专利技术的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，其特征在于，包括如下步骤：获取待检测柑橘图像；利用Cascade RCNN网络改进后的骨干网络对所述待检测柑橘图像进行特征提取，所述改进后的骨干网络中至少一层采用可变形卷积；利用Cascade RCNN网络改进后的区域特征提取网络对所述骨干网络输出的特征进行高层次语义特征提取，所述改进后的区域特征提取网络包括在FPN网络自上而下融合过程的右侧增加的一个自下而上卷积融合过程；利用Cascade RCNN网络的级联检测器对区域特征提取网络输出的高层次语义特征进行多阶段级联的目标识别检测过程，获取待检测柑橘图像的黄龙病检测结果。2.根据权利要求1所述的基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，其特征在于，所述骨干网络基于ResNetXt101实现。3.根据权利要求1或2任一所述的基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，其特征在于，所述骨干网络基于DCNv2模型的构思，对骨干网络的最后3层采用可变形卷积。4.根据权利要求3所述的基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，其特征在于，所述区域特征提取网络基于FPN网络改进形成，包括：自下而上过程的图像金字塔：基于骨干网络后4层输出的多尺度特征图形成；自上而下融合过程：融合后的特征金字塔自上而下分别记为C4、C5、C6、C7；自下而上卷积融合过程：C7作为起始特征图P1，自下而上卷积过程中每一层进行卷积后与左侧自上而下过程中对应层融合形成上一层特征图。5.根据权利要求4所述的基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法，其特征在于，所述自下而上卷积过程中，卷积参数采用3
×
3卷积后进行2倍的下采样。6.根据权利要求1所述的基于改进Cascade RCNN网络的自然背景柑橘黄...
【专利技术属性】
技术研发人员：曾伟辉，陈亚飞，胡根生，鲍文霞，梁栋，黄林生，赵晋陵，陈鹏，张文凤，李海东，郭丹丹，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。