一种基于采样阈值区间加权的松材线虫病树检测方法与流程

技术特征：
1.一种基于采样阈值区间加权的松材线虫病树检测方法，其特征在于，包括以下步骤：步骤1：采集训练集图片，对包含病树样本的图片进行标记作为训练集；步骤2：构建病树特征提取网络对训练集图片的特征进行提取，生成特征图；步骤3：构建采样筛选网络，对特征图进行样本采集，并根据采样阈值区间加权算法对样本进行筛选；步骤4：样本采集完成后送入解耦的网络检测头中，进行病树的识别，并生成初始双检测头识别模型；步骤5：将需要检测的病树图片投入初始双检测头模型中进行识别，对验证集中错误样本进行统计，并制作成为负样本集，与训练集混合后再次放入采样筛选网络中进行训练，通过反复迭代获取高鲁棒性的双检测头识别模型；步骤6：将最优模型的识别模型的识别结果输出为矢量，并校正位置，得到病树中心点经纬度坐标文件。2.根据权利要求书1所述的方法，其特征在于，所述步骤2中，在构建病树特征提取网络时，具体采用以下步骤：(1)构建病树特征提取网络；(2)将训练集图片送入病树特征提取网络中进行特征提取，得到特征图。3.根据权利要求1所述的方法，其特征在于，在步骤3中，构建采样筛选网络，对特征图进行采样并根据采样阈值区间加权方法筛选样本，具体采用以下步骤：(1)训练集图片在经过病树特征提取网络后变为特征图，样本为采样筛选网络在特征图上通过滑窗方式生成预选框，预选框可视为一个个按照固定比例(长宽，大小)预定义的框；(2)计算预选框和标注真值的iou交并比，iou计算公式为：iou大于阈值x的视为正样本，iou小于x视为负样本；(3)采样阈值区间加权方法具体步骤如下：通过对整体样本的iou阈值区间进行划分，将iou阈值区间按照正负样本分为两个区间，并在两个区间内划分难易样本区间，按照l的阈值区间将x以下及以上的区间各划分为k个阈值区间，并对难例样本区间(靠近x的阈值区间)进行加权，加权公式如下：难例样本区间(靠近x的阈值区间)进行加权，加权公式如下：s
k
为不同batch中的候选采样数，n为采样数，k为划分的区间数，将整个阈值区间均匀划分为k个区间，c为若整体采样数不够n值，则从整体样本空间内进行随机采样。4.根据权利要求3所述的方法，其特征在于，在步骤(3)中，如果整体采样数量没有达到
候选采样数，则进行随机采样补齐，σ为加权系数，加权系数中n
max
代表整个样本空间的样本数，n
h
表示当前阈值区间内样本数量，样本空间阈值的整体走向是呈u型的，整个样本空间内的样本数是恒定的，在难例样本区间内采样的数量相对于容易样本的采样数量是较为稀少的，实验将k个区间分为简单样本区间和困难样本区间，取样本空间两端的区间ψ为简单样本区间，其余为困难样本区间，在不同的样本区间内使用不同的加权系数σ，抑制简单样本提高困难样本的采样比例，经过采样网络对预选框进行筛选后，剩余的预选框被当做样本框送入网络检测头部分对样本框进行类型识别定位。5.根据权利要求1所述的方法，其特征在于，在步骤4中，将网络检测头进行解耦的具体实现步骤如下：(1)将网络检测头的类型识别定位支路进行解耦，分解为定位支路和类型识别支路；在步骤(1)中，将经过采样筛选网络的特征图进行池化获得指定大小的特征图，在经过池化后的特征图后面建立两条检测支路，支路2上串联两个卷积模块，支路1上串联两个全连接层，分别让两个检测支路专注于不同的任务，其中卷积模块采用k个残差模块进行堆叠，残差模块由三个模块组成，第一个模块主要用于将特征图的通道数从初始值a增加到目标值b，第二个模块是瓶颈结构，通过在大卷积层前后堆叠1*1的小卷积层，降低训练使用的参数，第三个是non
‑
local模块，用于提升卷积核的感受野，non
‑
local模块表达公式如下：其中x是输入信号，在目标检测中一般使用的是特征图，i和j分别代表输入某个空间位置，f函数式计算i和j的相似度，g函数计算特征图在j位置的表示，最终y通过响应因子c(x)进行标准化处理后得到，通过non
‑
local模块可以计算任意两个位置之间的交互，从而捕捉远程依赖，脱离相邻点的局限，相当于构建了一个特征图谱尺寸一样大的卷积核，从而可以维持更多信息；(2)重新设置定位支路的损失函数，并得到最后病树识别结果。6.根据权利要求5所述的方法，其特征在于，在步骤(2)中，具体包括以下步骤：
①
为解耦的定位支路重新设置损失函数；
②
输出最后类型识别结果和定位结果；在步骤
①
中：网络检测头部分的类型识别定位支路损失函数定义如下：部分的类型识别定位支路损失函数定义如下：和表示全连接层中类型识别定位损失，这里类型识别的损失选用交叉熵损失，λ
fc
表示全连接层中控制类型识别定位损失的权重值，定位的损失选用smooth
‑
l1损失函数，因为解耦成为两个支路，所以支路2的损失不能和类型识别支路的损失一起计算，所以要重新设置定位支路的损失函数，类型识别支路损失函数则沿用上面的函数设置；定位支路的损失值定义如下：定位支路的损失值定义如下：和表示定位支路中类型识别损失和定位损失,其中l使用的是smooth
‑
l1损失
函数，λ
conv
表示定位支路中控制定位损失的权重值，λ
conv
与相乘代表定位支路专注于定位任务，其中λ
conv
和λ
fc
设置分别为m和n；样本框的定位结果表示如下：d
*(x,y,w,h)
(a)＝w
*t
*φ(a)；其中φ(a)是对应样本框和特征图组成的特征向量，w
*
是需要学习的参数，d
*
(a)是通过网络训练不断拟合数据得到的x,y,w,h，通过引入soomth
‑
l1损失函数计算样本框与真实标注值的差异值，smooth
‑
l1损失函数如下：当差异值最小的时候就得到了物体的定位数据，通过反向传播计算梯度值，调节权重值来更新数据，经过不断反复更新计算，使得d
*
(a)拟合越来越靠近真实标注框；在步骤
②
中：首先获得一组特征向量，再用softmax对其进行类型识别，softmax函数公式如下：经过softmax计算后输出每个特征向量的相对概率，特征向量最大的类别即为最后输出的类别，定位结果则直接使用定位支路的结果，得到训练结果后，将网络参数固定，并生成训练模型。7.根据权利要求1所述的方法，其特征在于，在步骤6中，对识别结果的错误样本进行筛选，对识别结果的错误样本进行整理，与训练集一起放入模型中再次训练，可以使模型获得区别错误样本的能力，经过反复迭代，最后可以得到高鲁棒性的检测模型。8.一种采样阈值区间加权方法，其特征在于，包括以下步骤：步骤1：对整体样本的iou阈值区间进行划分，将iou阈值区间按照正负样本分为两个区间；步骤2：在两个区间内划分难易样本区间，按照l的阈值区间将x以下及以上的区间各划分为k个阈值区间，并对难例样本区间进行加权。9.根据权利要求8所述的采样阈值区间加权方法，其特征在于，所采用的加权公式如下：下：s
k
为不同batch中的候选采样数，n为采样数，k为划分的区间数，将整个阈值区间均匀划分为k个区间，c为若整体采样数不够n值，则从整体样本空间内进行随机采样，σ为加权系数，加权系数中n
max
代表整个样本空间的样本数，n
h
表示当前阈值区间内样本数量，样本空
间阈值的整体走向是呈u型的，整个样本空间内的样本数是恒定的，在难例样本区间内采样的数量相对于容易样本的采样数量是较为稀少的，实验将k个区间分为简单样本区间和困难样本区间，取样本空间两端的区间ψ为简单样本区间，其余为困难样本区间，在不同的样本区间内使用不同的加权系数σ，抑制简单样本提高困难样本的采样比例，经过采样网络对预选框进行筛选后，剩余的预选框被当做样本框送入网络检测头部分对样本框进行类型识别定位。

技术总结
一种基于采样阈值区间加权的松材线虫病树检测方法，它包括步骤1:进行图像采集，对包含病树样本的图片进行标记作为训练集；步骤2:构建病树特征提取网络对训练集图片进行卷积，生成特征图；步骤3:构建采样筛选网络，对特征图进行样本采集，并根据采样阈值区间加权算法对样本进行筛选；步骤4:样本采集完成后送入解耦的网络检测头中，进行类型识别与定位，并生成训练模型；步骤5:获取验证集图片，并将处理后的图片投入训练模型中进行识别等步骤。本发明的目的是为了能准确、可靠的对松材线虫病树进行定位，而提供了一种鲁棒的、基于影像处理技术的对松材线虫病树进行检测的方法。技术的对松材线虫病树进行检测的方法。技术的对松材线虫病树进行检测的方法。


技术研发人员：任东 田晓燃 叶莎 彭宜生
受保护的技术使用者：三峡大学
技术研发日：2021.07.08
技术公布日：2021/11/4