一种基于注意力机制和中心圆采样的松材线虫病树检测方法技术

一种基于注意力机制和中心圆采样的松材线虫病树检测方法，它包括以下步骤：步骤1：获得松材线虫病树图片并制作成数据集；步骤2：将松材线虫病树数据集输入到全局多尺度通道自适应网络中进行训练，获得训练后的松材线虫病树识别模型；步骤3：将需要识别的松林影像输入到松材线虫病树识别模型中，获得病树的识别结果以及经纬度坐标；步骤4：根据病树坐标找到病树，将患病早期的病树进行药物治疗，患病中晚期的病树进行砍伐焚烧处理。本发明专利技术的目的是为了解决现有针对松材线虫病树检测的方法存在的忽视了正负样本采样时正样本采样范围与松材线虫病树目标的圆形形态不匹配导致采样质量不高的技术问题。量不高的技术问题。量不高的技术问题。

【技术实现步骤摘要】
一种基于注意力机制和中心圆采样的松材线虫病树检测方法


[0001]本专利技术属于目标检测
，具体涉及一种基于注意力机制和中心圆采样的松材线虫病树检测方法。

技术介绍

[0002]松材线虫病是松树的一种对森林极具破坏性的传染病，它具有发病速度迅速、病情潜伏时间长、发病部位较隐蔽难以发现、治理不方便等特点。一旦病情蔓延会造成大量的松树死亡，如果不及早发现和治理，将会对于森林生态系统造成极强的破坏性，给国家带来巨大的经济损失。为了防止松材线虫病对森林资源的破坏，必须及时清理染上疾病的松树。由于患病的松树会出现针叶黄褐、红褐色等颜色变换特征，因此，对患有松材线虫病的变色松树的监测是控制疫情扩散的重要手段。
[0003]目前，各县市对患病变色松树的监测主要依靠人工实地巡检和无人机巡检两种方式。人工实地巡检方式需要林业人员深入林区排查松材线虫病树，存在巡检时间过长、人力成本过高、效率低、以及深山密林中的病树难以巡查到等问题；为此，李卫正等学者开始利用无人机遥感影像对松材线虫病树进行巡检，能够对深山密林中的病树进行监测，极大提高了巡检效率和扩大了巡检范围，但是无人机巡检方式本质上还是人工对拍摄的影像进行目视识别，存在识别效率低、主观性强、工作量大等问题；近年来，使用深度学习技术对无人机拍摄的各种遥感影像进行检测已经广泛应用于森林监测领域，一些学者开始利用深度学习技术对无人机遥感影像下的松材线虫病树进行检测。
[0004]例如汪晨等学者在YOLOV3算法的基础上，采用K
‑
means聚类算法重新设置anchor大小对松材线虫病树进行检测；黄丽明等学者利用深度可分离卷积对YOLOV4进行改进，采用改进的YOLOV4算法对患有松材线虫病的异常变色木进行识别。目前，现有的目标检测研究方法在松材线虫病树的检测上具有一定的检测效果，但是他们的研究方法忽视了正负样本采样时正样本采样范围与松材线虫病树目标的圆形形态不匹配的问题，以及算法中原始的FPN模块对松材线虫病树特征提取能力不足的问题。

技术实现思路

[0005]本专利技术的目的是为了解决现有针对松材线虫病树检测的方法存在的忽视了正负样本采样时正样本采样范围与松材线虫病树目标的圆形形态不匹配导致采样质量不高的技术问题，以及现有技术未考虑无人机复杂背景对病树目标区域特征提取干扰的问题所导致模型对松材线虫病树特征提取能力不足的技术问题。
[0006]为了解决上述技术问题，采用以下技术方案：
[0007]一种基于注意力机制和中心圆采样的松材线虫病树检测方法，它包括以下步骤：
[0008]步骤1：获得松材线虫病树图片并制作成数据集；
[0009]步骤2：将松材线虫病树数据集输入到全局多尺度通道自适应网络中进行训练，获得训练后的松材线虫病树识别模型；
[0010]步骤3：将需要识别的松林影像输入到松材线虫病树识别模型中，获得病树的识别结果以及经纬度坐标；
[0011]步骤4：根据病树坐标找到病树，将患病早期的病树进行药物治疗，患病中晚期的病树进行砍伐焚烧处理。
[0012]在步骤2中，构建全局多尺度通道自适应网络，具体包括如下步骤：
[0013]2‑
1：构建特征提取主干网络，获得特征图；
[0014]2‑
2：构建全局多尺度通道注意力模块GMCA，将从主干网络中提取到的特征图输入进该模块，进一步提取提征图，并将得到的特征图输入到特征融合模块FPN中进行特征融合增强操作，得到最终特征图；
[0015]2‑
3：采用中心圆正负样本筛选方法，对最终特征图进行正负样本采样；
[0016]2‑
4：将正负样本输入到分类和回归子网络中，获得样本的识别结果。
[0017]全局多尺度通道自适应网络如下：
[0018]对输入图经过主干网络进行下采样操作，得到特征图C2、特征图C3、特征图C4、特征图C5
→
将特征图C2、特征图C3、特征图C4、特征图C5输入到全局多尺度通道注意力模块GMCA中进行进一步特征提取，得到特征图L2、特征图L3、特征图L4、特征图L5
→
将得到的特征图L2、特征图L3、特征图L4、特征图L5输入到特征融合模块FPN中得到特征融合增强后的特征图P2、特征图P3、特征图P4、特征图P5
→
将特征融合增强后的特征图经过中心圆正负样本筛选模块采集病树的正负样本
→
将采集的正负样本输入到分类和回归子网络中，获得样本的识别结果。
[0019]在步骤2
‑
2中，全局多尺度通道注意力模块GMCA的网络如下：
[0020]将从特征提取主干网络中获得的特征图F输入拆分模块，拆分模块的输出端与高效通道注意力模块的输入端相连，高效通道注意力模块的输出端与通道相加模块相连，通道相加模块的输出端经过激活函数得到的通道权重与拆分模块输出的特征图进行第一点乘操作得到特征图F
′
,将特征图F
′
与挤压提取网络模块的输入端相连，挤压提取网络模块的输出端与特征图F
′
进行第二点乘操作，得到特征图F"。
[0021]特征图F由拆分模块拆分成特征图C0、特征图C1、特征图C2、特征图C3；
[0022]高效通道注意力模块的作用是将调整不同通道的注意力权重，增强模型对目标通道的注意力权重；高效通道注意力模块输入特征图F0、特征图F1、特征图F2、特征图F3，输出特征图X0、特征图X1、特征图X2、特征图X3；
[0023]通道相加模块的作用是将分组获得的不同通道的权重值整合在一起；
[0024]激活函数的作用是将通道权重参数归一化操作，将通道权重参数归一化到0到1区间；
[0025]挤压提取网络模块的作用是通过挤压通道和增加通道来重新调整每个通道的权重。；
[0026]全局多尺度注意力模块GMCA的信号流向如下：
[0027]将从主干中提取的特征图F的通道切分成四组
→
对四组通道特征图即特征图C0、特征图C1、特征图C2、特征图C3分别进行四种尺度的卷积操作，获得具有不同尺度信息的特征图F0、特征图F1、特征图F2、特征图F3
→
对于具有不同空间尺度信息的特征图F0、特征图F1、特征图F2、特征图F3
→
利用高效通道注意力模块ECA提取他们的通道注意力权重，得到
四个不同尺度上的通道注意力向量
→
将四组通道向量进行相加操作
→
利用激活函数函数对相加后的通道注意力向量进行激活操作，得到特征图F的多尺度信息的注意力权重
→
将该权重与拆分模块输出的特征图F0、特征图F1、特征图F2、特征图F3进行点乘操作得到具有多尺度信息通道注意力的特征图F
′→
再利用挤压提取网络模块对具有丰富的多尺度信息的特征图F
′
提取全局通道的注意力权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和中心圆采样的松材线虫病树检测方法，其特征在于，它包括以下步骤：步骤1：获得松材线虫病树图片并制作成数据集；步骤2：将松材线虫病树数据集输入到全局多尺度通道自适应网络中进行训练，获得训练后的松材线虫病树识别模型；步骤3：将需要识别的松林影像输入到松材线虫病树识别模型中，获得病树的识别结果以及经纬度坐标；步骤4：根据病树坐标找到病树，将患病早期的病树进行药物治疗，患病中晚期的病树进行砍伐焚烧处理。2.根据权利要求1所述的方法，其特征在于，在步骤2中，构建全局多尺度通道自适应网络，具体包括如下步骤：2
‑
1：构建特征提取主干网络，获得特征图；2
‑
2：构建全局多尺度通道注意力模块GMCA，将从主干网络中提取到的特征图输入进该模块，进一步提取提征图，并将得到的特征图输入到特征融合模块FPN中进行特征融合增强操作，得到最终特征图；2
‑
3：采用中心圆正负样本筛选方法，对最终特征图进行正负样本采样；2
‑
4：将正负样本输入到分类和回归子网络中，获得样本的识别结果。3.根据权利要求2所述的方法，其特征在于，全局多尺度通道自适应网络如下：对输入图经过主干网络进行下采样操作，得到特征图C2、特征图C3、特征图C4、特征图C5
→
将特征图C2、特征图C3、特征图C4、特征图C5输入到全局多尺度通道注意力模块GMCA中进行进一步特征提取，得到特征图L2、特征图L3、特征图L4、特征图L5
→
将得到的特征图L2、特征图L3、特征图L4、特征图L5输入到特征融合模块FPN中得到特征融合增强后的特征图P2、特征图P3、特征图P4、特征图P5
→
将特征融合增强后的特征图经过中心圆正负样本筛选模块采集病树的正负样本
→
将采集的正负样本输入到分类和回归子网络中，获得样本的识别结果。4.根据权利要求2所述的方法，其特征在于，在步骤2
‑
2中，全局多尺度通道注意力模块GMCA的网络如下：将从特征提取主干网络中获得的特征图F输入拆分模块(1)，拆分模块(1)的输出端与高效通道注意力模块(2)的输入端相连，高效通道注意力模块(2)的输出端与通道相加模块相连，通道相加模块的输出端经过激活函数(3)得到的通道权重与拆分模块(1)输出的特征图进行第一次点乘操作(4)得到特征图F
′
,将特征图F
′
与挤压提取网络模块(5)的输入端相连，挤压提取网络模块(5)的输出端与特征图F
′
进行第二次点乘操作(6)，得到特征图F"。5.根据权利要求4所述的方法，其特征在于，特征图F由拆分模块(1)拆分成特征图C0、特征图C1、特征图C2、特征图C3；高效通道注意力模块(2)的作用是调整不同通道的注意力权重，增强模型对目标通道的注意力权重；高效通道注意力模块(2)输入特征图F0、特征图F1、特征图F2、特征图F3，输出特征图X0、特征图X1、特征图X2、特征图X3；通道相加模块的作用是将分组获得的不同通道的权重值整合在一起；激活函数(3)的作用是将通道权重参数归一化操作，将通道权重参数归一化到0到1区
间；挤压提取网络模块(5)的作用是通过挤压通道和增加通道来重新调整每个通道的权重。6.根据权利要求4或5所述的方法，其特征在于，全局多尺度注意力模块GMCA的信号流向如下：将从主干中提取的特征图F的通道切分成四组
→
对四组通道特征图即特征图C0、特征图C1、特征图C2、特征图C3分别进行四种尺度的卷积操作，获得具有不同尺度信息的特征图F0、特征图F1、特征图F2、特征图F3<...

【专利技术属性】
技术研发人员：任东，彭宜生，孙航，叶莎，陈邦清，古剑，
申请(专利权)人：三峡大学，
类型：发明
国别省市：