一种基于GQ-DETR模型的枸杞害虫检测方法及系统

本发明涉及智慧农业和计算机视觉，尤其涉及一种基于gq-detr模型的枸杞害虫检测方法及系统。

背景技术：

1、枸杞害虫检测是智慧农业病虫害防控中的关键技术环节，其核心任务是对田间采集的图像进行害虫目标定位与类别判定，为精准施药和虫情监测提供决策支持。当前，目标检测领域的主流技术路径主要包括基于卷积神经网络的检测模型和基于注意力机制的检测模型。卷积神经网络类模型通常采用多层级特征提取与多尺度特征融合相结合的架构，通过骨干网络获取不同感受野下的特征表示，再经由特征金字塔或路径聚合网络完成跨尺度信息整合，最后通过区域建议或直接回归的方式输出目标类别与位置信息。注意力机制类模型则通过自注意力操作建模全局上下文依赖，在处理目标遮挡和尺度变化等问题时展现出更强的建模能力。

2、枸杞害虫检测的应用场景具有特殊性。在真实田间环境中，害虫目标普遍存在尺度变化范围大、纹理特征弱、颜色与背景接近等问题。同时，叶片表面的叶脉纹理、枝叶边缘轮廓以及光照不均形成的光斑反射等视觉干扰因素密集分布，容易导致检测模型产生误响应。当上述检测模型直接部署于枸杞田间场景时，浅层特征提取阶段通常采用步长较大的快速下采样操作以降低特征图分辨率和计算量，但这种处理方式可能压缩害虫边界和纹理等细粒度信息，使浅层特征中前景与背景的可分性下降，进而影响后续检测头对目标边界的精确定位。在深层语义特征处理阶段，尺度内上下文交互通常在较低分辨率特征图上执行，此时害虫的空间细节和边界线索已被前序下采样过程削弱；若转而在较高分辨率特征图上执行标准自注意力操作，则会面临计算开销大幅增加的问题。颈部网络的跨尺度特征融合环节通常采用简单的线性加权融合方式，这种方式缺少显式的特征筛选和噪声抑制机制，低层特征中携带的叶脉纹理、枝叶边缘等背景噪声容易被传递至高层语义特征中参与后续分类和回归计算。上述各环节的局限性在复杂田间场景下相互叠加，可能导致检测模型出现误检、漏检以及对害虫目标定位不稳定等技术问题。

3、因此，如何在复杂田间背景下提升枸杞害虫检测的准确性和可靠性，已成为本领域技术人员亟待解决的技术问题。

技术实现思路

1、本技术实施例通过提供一种基于gq-detr模型的枸杞害虫检测方法及系统，解决了现有技术中枸杞害虫检测方法在复杂田间背景下存在浅层细节丢失、尺度内交互不足和跨尺度背景噪声传播，导致误检、漏检和定位不稳定的技术问题，可提高检测的准确性和稳定性。

2、本技术实施例提供了一种基于gq-detr模型的枸杞害虫检测方法，包括以下步骤：

3、获取待检测的枸杞田间图像，并对所述枸杞田间图像进行预处理，得到模型输入图像；

4、将所述模型输入图像输入gq-detr模型，所述gq-detr模型以rt-detr模型为基础，并包括细粒度保真前端模块、尺度内交互模块、双向交叉门控融合模块和检测解码模块；

5、通过所述细粒度保真前端模块对所述模型输入图像进行浅层特征提取和可学习下采样，并对浅层特征进行通道自适应调节，得到保留害虫边界和虫体轮廓信息的浅层特征；

6、通过所述尺度内交互模块对深层语义特征进行多尺度局部增强和尺度内注意力交互，得到增强后的上下文特征；

7、通过所述双向交叉门控融合模块对相邻尺度特征进行空间对齐、双向交叉门控、坐标约束融合和残差补偿，得到经背景噪声抑制的多尺度融合特征；

8、将所述多尺度融合特征输入所述检测解码模块，输出枸杞害虫的类别信息和目标框位置信息；其中，所述细粒度保真前端模块、尺度内交互模块和双向交叉门控融合模块依次作用于gq-detr模型的浅层特征提取、尺度内上下文建模和跨尺度特征融合阶段，使所述gq-detr模型同时具有浅层细节保留、尺度内语义增强和跨尺度背景噪声抑制能力。

9、优选的，在所述细粒度保真前端模块中，两级可学习下采样单元依次对输入特征进行处理，每一级可学习下采样单元均包括步长为二的深度卷积单元和逐点卷积单元，两级可学习下采样单元串联后形成总步长为四的浅层输出特征。

10、优选的，所述细粒度保真前端模块还包括通道门控单元，所述通道门控单元对浅层输出特征执行全局平均池化，得到通道描述向量；对所述通道描述向量依次执行通道压缩映射、非线性激活、通道恢复映射和sigmoid归一化处理，得到通道权重；将所述通道权重与所述浅层输出特征逐通道相乘，得到经通道自适应调节后的浅层特征。

11、优选的，在所述尺度内交互模块中，查询分支根据输入特征的长宽比确定池化尺度：当输入特征的宽度大于高度时，采用池化输出宽度维度大于高度维度的池化尺度；当输入特征的高度大于宽度时，采用池化输出高度维度大于宽度维度的池化尺度；当输入特征的宽度与高度相等时，采用池化输出高度维度与宽度维度相等的池化尺度；所述查询分支对输入特征进行池化并映射得到查询特征。

12、优选的，在所述尺度内交互模块中，键值分支对输入特征进行多尺度池化和局部增强，得到键特征和值特征；注意力交互单元在低分辨率token空间中基于所述查询特征、键特征和值特征执行点积注意力计算，得到注意力输出；所述注意力输出经重排和上采样恢复至输入特征的原始空间分辨率后，与所述输入特征进行残差融合，并经卷积前馈单元输出增强后的上下文特征。

13、优选的，在所述双向交叉门控融合模块中，空间对齐单元用于将相邻尺度中的高层特征与低层特征调整至一致的空间尺寸，在进行上采样时采用最近邻插值并结合卷积细化，在进行下采样时采用步长为二的卷积。

14、优选的，在所述双向交叉门控融合模块中，空间注意力单元用于分别根据低层特征和空间对齐后的高层特征生成低层空间注意力图和高层空间注意力图；交叉门控单元利用由空间对齐后的高层特征生成的高层空间注意力图对低层特征进行逐元素加权调节，并利用由低层特征生成的低层空间注意力图对空间对齐后的高层特征进行逐元素加权补偿。

15、优选的，在所述双向交叉门控融合模块中，坐标注意力单元分别沿高度方向和宽度方向对交叉门控后的低层特征和高层特征进行空间聚合，生成高度方向位置权重和宽度方向位置权重，并将所述高度方向位置权重和宽度方向位置权重作用于交叉门控后的特征，以得到具有方向位置约束的融合特征。

16、优选的，在所述双向交叉门控融合模块中，残差补偿单元用于将低层结构信息补充至融合输出中，得到经背景噪声抑制的多尺度融合特征。

17、本技术还提出了一种基于gq-detr模型的枸杞害虫检测系统，用于执行权利要求上述的基于gq-detr模型的枸杞害虫检测方法，包括：

18、图像获取模块，用于获取待检测的枸杞田间图像；

19、预处理模块，用于对所述枸杞田间图像进行预处理，得到模型输入图像；gq-detr检测模块，用于将所述模型输入图像输入gq-detr模型，输出枸杞害虫的类别信息和目标框位置信息；

20、结果输出模块，用于输出所述类别信息和目标框位置信息。

21、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

22、1、本技术通过尺度内交互模块将自适应池化、多尺度池化、局部增强和低分辨率token注意力计算结合起来，在控制计算量的前提下增强深层语义特征的上下文表达；本技术通过双向交叉门控融合模块对相邻尺度特征进行选择性融合，减少低层背景噪声向高层语义特征传播；

23、2、本技术通过细粒度保真前端模块减少传统快速下采样对小目标和弱纹理目标的过度压缩，保留害虫边界、虫体轮廓和低层纹理等细粒度信息；细粒度保真前端模块输出的浅层细节特征、尺度内交互模块输出的增强上下文特征以及双向交叉门控融合模块输出的噪声抑制多尺度融合特征，在检测解码前形成连续协同，使gq-detr模型同时获得浅层边界保持、深层语义增强和跨尺度背景噪声抑制能力，从而提高复杂田间背景下枸杞害虫目标的检出稳定性和目标框定位稳定性；本发明能够在复杂田间背景下提高枸杞害虫检测的准确性、召回能力和定位稳定性，并兼顾边缘设备或服务器环境中的部署适应性。