一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法与流程

技术特征：
1.一种基于多尺度特征融合及动态卷积的福寿螺卵检测方法，其特征在于，包括以下步骤：(1)数据集获取过程：采集针对福寿螺卵的航拍图像，并对其中的虫卵进行标注，标注出图像中虫卵的种类和位置；(2)构建神经网络过程：使用darknet53作为骨干网络，将卷积核全部替换为动态卷积核，再添加第四个针对更小目标的分支，与其它三个分支的特征进行融合；(3)神经网络训练过程：将标注后的福寿螺卵图像数据集送入步骤2构建的神经网络进行训练，直至网络收敛；(4)测试图像检测过程：利用训练好的神经网络和权重文件来检测测试图像中的福寿螺卵目标。2.根据权利要求1所述的基于多尺度特征融合及动态卷积的福寿螺卵检测方法，其特征在于，步骤(2)具体包括以下步骤：(21)在darknet53网络中使用动态卷积模块，更精确地根据不同的输入图像自身的信息，生成各个初始卷积核的权重，再通过初始卷积核及权重的加权和得到各自输入图像的动态卷积核，从而更精确地提取图像信息；(22)增加第四个分支以获得更高层次的语义信息，将高层次的语义信息与浅层细节信息进行融合，使神经网络对小目标的的检测结果更好。3.根据权利要求1所述的基于多尺度特征融合及动态卷积的福寿螺卵检测方法，其特征在于，步骤(3)具体包括以下步骤：(31)针对数据集中目标的大小，使用k
‑
means聚类算法，计算适合福寿螺卵尺寸的anchors作为网络的超参数，加快网络收敛速度；(32)学习率使用余弦衰减的方式，从初始值进行衰减，使神经网络能够达到更好的检测结果；(33)在神经网络上尝试不同的训练超参数，进行训练，得到可用于福寿螺卵检测的网络文件和权重文件。4.根据权利要求3所述的基于多尺度特征融合及动态卷积的福寿螺卵检测方法，其特征在于，步骤(31)中使用iou值进行k
‑
means聚类，在采集到的数据集上生成12个大小不同的先验框，分别对应四个大小不同的尺度，每个尺度均对应四个先验框。5.根据权利要求3所述的基于多尺度特征融合及动态卷积的福寿螺卵检测方法，其特征在于，步骤(32)中利用余弦函数进行学习率衰减。6.根据权利要求5所述的基于多尺度特征融合及动态卷积的福寿螺卵检测方法，其特征在于，所述余弦衰减学习率计算公式如下：global_step＝min(global_step,decay_steps)cosine_decay＝0.5*(1 cos(pi*global_step/decay_steps))decayed＝(1
‑
alpha)*cosine_decay alphadecayed_learning_rate＝learning_rate*decayed。7.根据权利要求1所述的基于多尺度特征融合及动态卷积的福寿螺卵检测方法，其特征在于，步骤(4)具体包括以下步骤：(41)将测试图像送入改进的darknet主干网络中，获取四个尺度的卷积特征图；
(42)将四个尺度的特征进行分层融合；(43)通过darknet算法对卷积特征图进行处理，输出预测边界值与分类值；(44)设置阈值，通过非极大值抑制过滤出最终的检测结果。

技术总结
本发明公开了一种基于多尺度特征融合及动态卷积福寿螺卵检测方法，属于计算机视觉技术领域，提高了当前福寿螺卵检测的准确率。本发明包括以下步骤：首先采集福寿螺卵的航拍图像，并对其中的虫卵进行标注；之后再darknet53网络结构的基础上，使用四尺度特征融合和动态卷积，构造出新的网络结构；将获得的福寿螺卵数据集送入神经网络进行训练，直至网络收敛，获得权重文件；然后利用训练好的神经网络和权重文件来检测测试图像中的福寿螺卵目标，并输出检测结果。本发明解决了目前福寿螺卵识别准确度低、模型在真实自然环境下对福寿螺卵识别率低的问题。率低的问题。率低的问题。


技术研发人员：刘宁钟 徐亚欣 寇金桥
受保护的技术使用者：南京航空航天大学
技术研发日：2021.07.15
技术公布日：2021/11/14