一种基于特征重构的任意方向小麦病害图像检测方法

1.本发明涉及病害图像技术领域，具体来说是一种基于特征重构的任意方向小麦病害图像检测方法。


背景技术：

2.如何精准地检测与识别小麦病害一直是困扰农作物病害预测预报的问题。近年来，作为计算机视觉领域的一个新的突破，深度学习方法已经被用于处理农业领域的各种问题。许多研究人员已经将各种深度学习技术用于作物病害识别。虽然这些方法可以很好地完成作物病害的检测任务，但在各种挑战的野生环境下，从小麦病害图像中获得良好的检测效果仍然具有挑战性。
3.由于田间场景下，小麦病斑区域的方向是任意的，应用通用水平检测器进行任意方向病斑检测会导致水平边界框中背景冗余。这不利于在今后的工作中准确计算叶片受损面积，以确定小麦病害的发生水平。此外，由于任意方向的小麦病斑区域一般具有较大的纵横比，使用通用水平检测器容易产生漏检。最后，当病害发生密集时，使用水平检测框会造成多个水平方框重叠，使得农民或农业专家难以看到疾病的真实位置。因此，亟需开发出一种能应用于任意方向小麦病害的检测方法。


技术实现要素：

4.本发明的目的是为了解决现有技术中难以针对任意方向小麦病害图像进行检测的缺陷，提供一种基于特征重构的任意方向小麦病害图像检测方法来解决上述问题。
5.为了实现上述目的，本发明的技术方案如下：
6.一种基于特征重构的任意方向小麦病害图像检测方法，包括以下步骤：
7.小麦病害图像的获取和预处理：获取小麦病害图像，对获取的小麦病害图像进行人工标注，采用标注软件创建旋转框框住病斑图像并标记病斑类别，建立小麦病害训练样本集；
8.构建小麦病害检测模型：基于retinanet的单级旋转目标检测器构建小麦病害检测模型；
9.小麦病害检测模型的训练：利用小麦病害训练样本集对小麦病害检测模型进行训练；
10.待检测小麦病害图像的获取：获取待检测的小麦病害图像；
11.小麦病害图像检测结果的获得：将待检测的小麦病害图像输入训练后的小麦病害检测模型，得到小麦病害图像检测结果。
12.所述构建小麦病害检测模型包括以下步骤：
13.设定小麦病害检测模型的输入为小麦病害图像、输出为以旋转框框出的病斑图像及标记的病斑类别；
14.设定基于retinanet的单级旋转目标检测器构建小麦病害检测模型，其包括输入
模块、主干网络、粗阶段网络、精炼阶段网络和输出模块；
15.设定输入模块用于将小麦病害图像输入主干网络；
16.构建主干网络；
17.构建粗阶段网络：粗阶段网络包括第一分类子网络和第一回归子网络；
18.构建精炼阶段网络：精炼阶段网络包括特征精炼模块、第二分类子网络和第二回归子网络；
19.设定输出模块用于将检测出的病斑图像及标记的病斑类别输出。
20.所述小麦病害检测模型的训练包括以下步骤：
21.将小麦病害训练样本集输入小麦病害检测模型；
22.设定在随机梯度下降优化算法中，动量设置为0.9、权重衰减设置为0.0001、初始学习速率设置为4e-3，训练24个轮次epoch，分别在第8、16、20个轮次降低学习率；
23.小麦病害检测模型采用多尺度(1333,800)、(1700,1000)、(2000,1200)训练，训练所采用的分类损失函数为focal loss，定位损失为近似s-iou损失函数；
24.在回归损失中加入角度损失，基于特征重构的任意方向小麦病害检测模型的多任务损失函数定义如下：
[0025][0026]
l
reg
(v,v
*
)＝l
smoot h-l1
(v
θ
,v
*θ
)-iou(v
{x,y,w,h}
,v
*{x,y,w,h}
)，
[0027]
其中，i代表第i个参考框，n为参考框的个数，oi的值表示二进制值，oi＝1为前景，oi＝0为背景，v是预测偏移量矢量，v
*
是真实框的目标矢量，p
*i
的值表示实框标签，pi为第i个样本的分类置信度，(x,y,w,h,θ)分别表示框的中心坐标、宽度、高度和角度，s-iou是预测的旋转参考框与真实框的重叠面积与总面积的比值，默认值为λ1＝1和λ2＝1，分类损失l
cls
为focal loss，函数f(s-iou)＝1-s-iou是与s-iou相关的损失函数，函数iou(.)是水平参考框iou计算函数；
[0028]
训练粗阶段网络：
[0029]
针对主干网络输出的不同特征层p3、p4、p5、p6和p7，分别设置水平参考框的面积大小为32*32、64*64、128*128、256*256、512*512，另外每个面积对应7个长宽对比度即1:1、1:2、2:1、1:3、3:1、1：5、5：1，所以共有35种候选框用于粗阶段目标区域提取；
[0030]
如果某个病斑区域的水平参考框和某个病斑真实框有最高的iou或者和任意一个真实框的iou都大于0.5，如果小于0.4则设定为正样本；通过正负样本学习训练粗阶段网络；
[0031]
粗阶段网络输入是不同特征层的特征图，由回归分支和卷积分类分支组成，通过网络值与真实值的损失反向传播误差学习网络参数：在此用五个参数(x,y,w,h,θ)来表示参考框，其中(x,y)表示几何中心，w表示宽度，h代表高度，θ为参考框的角度；
[0032]
在回归子网中预测一个额外的角度偏移，旋转参考框表示如下：
[0033]
t
*x
＝(x
*-xa)/wa，ty＝(y
*-ya)/ha[0034]
t
*w
＝log(w
*
/wa),t
*h
＝log(h
*
/ha),t
*θ
＝θ
*-θaꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0035]
t
x
＝(x-xa)/wa,ty＝(y-ya)/ha[0036]
tw＝log(w/wa),th＝log(h/ha),t
θ
＝θ/θa[0037]
x,、y、w,、h,、θ分别表示旋转参考框的中心坐标、宽度、高度和角度，变量x
*
、xa、x分别表示真实框、参考框和预测框相关的值，y,w,h和θ与x相同，粗阶段通过学习水平参考框的五个参数与病斑标记真实框的偏移量，得到病斑区域的旋转参考框；
[0038]
训练精炼阶段网络：
[0039]
设定病斑区域的旋转参考框与病斑真实框的iou大于0.6时，该框是正样本；病斑区域的旋转参考框与病斑真实框的iou小于0.5时，则该框为负样本；针对病斑区域的旋转参考框进行分类和回归任务；通过网络值与真实值的损失反向传播误差学习网络参数；最终通过精炼阶段提取得到病斑的类别和位置；精炼阶段网络多次添加到网络中以提高检测精度，第二个和后续的精炼网络阶段的阈值设置为0.7和0.6；
[0040]
训练过程中正负样本的选择由旋转参考框与目标真实框的旋转iou阈值来决定，旋转iou的计算通过三角剖分法：
[0041]
首先得到旋转参考框b1和目标真实框b2的交点，将这两个矩形的交点和一个矩形包含在另一个矩形中的顶点定义为两个矩形的交点；
[0042]
然后将这些交点沿逆时针方向连接起来，形成一个凸多边形；
[0043]
采用三角剖分法将凸多边形剖分为多个三角形，通过计算三角形面积之和得到凸多边形的面积，两个旋转矩形的旋转iou，即s-iou由下式计算:
[0044][0045]
其中，其中b1和b2表示两个旋转矩形。
[0046]
所述构建主干网络包括以下步骤：
[0047]
设定主干网络在深度卷积神经网络架构之上构建特征金字塔网络fpn；
[0048]
设定将小麦病害图像输入深度卷积神经网络，得到下采样尺寸为原图1/4、1/8、1/16、1/32倍的特征图，分别为ci,i∈(2,3,4,5)；
[0049]
将具有不同通道的特征图c3、c4、c5分别输入特征金字塔网络通过1*1*256的卷积进行通道归一化，分别得到m3、m4、m5，将特征图m5经过双线性插值上采样和m4相加得到特征图m4，将特征图m4经过双线性插值上采样和m3相加得到特征图m3；
[0050]
对m3、m4、m5分别采用相同通道的3*3卷积得到p3、p4、p5，同时p5通过下采样得到特征图p6，p6通过下采样得到特征图p7；获得的pi,i∈(3,4,5,6,7)构成特征金字塔；
[0051]
在主干网络输出的每一层级特征图p3、p4、p5、p6、p7都分别接入粗阶段网络，每一层级的特征图后均有一个粗阶段网络。
[0052]
所述构建粗阶段网络包括以下步骤：
[0053]
设定粗阶段网络包括第一分类子网络和第一回归子网络，第一分类子网络和第一回归子网络为两个并行的网络，由主干网络输出的每一层级特征图p3、p4、p5、p6、p7分别输入到对应每一层级的第一分类子网络和第一回归子网络；
[0054]
设定第一分类子网络用于病斑类别分类，由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是256，最后一层的卷积将通道数由256变为k*a，k为数据集类别数，a为旋转参考框数；
[0055]
设定第一回归子网络用于水平参考框向病斑标记真实框回归得到旋转的参考框，其输出病斑的旋转参考框，由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是
256，最后一层的卷积将通道数由256变为5*a，5代表旋转参考框的五个参数，为中心点坐标、长度、宽度、角度，a为旋转参考框数。
[0056]
所述构建精炼阶段网络包括以下步骤：
[0057]
设定精炼阶段网络包括特征精炼模块、第二分类子网络和第二回归子网络，第二分类子网络和第二回归子网络为两个并行的网络，特征精炼模块连接在粗阶段网络和第二分类子网与第二回归子网之间，特征精炼模块包括特征融合模块、参考框过滤模块和特征重构模块；
[0058]
设定特征融合模块输入为特征金字塔层输出的特征图f1，其中f1为p3、p4、p5、p6、p7中的某一层级的特征图，f1首先经过一个5x1卷积层，然后经过一个1x5卷积层，另一个只经过一个1x1卷积层；将两个并行卷积层输出的两个特征图通过逐元素相加融合成一个新的特征图f2；f2即为特征融合模块的输出；
[0059]
设定参考框过滤模块的输入为粗阶段网络生成的所有旋转参考框，输出为每个特征点得分最高的旋转参考框；
[0060]
设定特征重构模块的输入为参考框过滤模块输出的得分最高的旋转参考框和特征融合模块输出的f2，将保留的旋转参考框即1个中心点和4个角点通过双线性插值方法映射回特征图f2，得到对应特征点的特征向量；然后，将每个特征向量叠加到特征金字塔层输出的特征图f1上进行融合，得到精炼后的特征图；最后，将精炼后的特征图与特征图f2融合得到重构的特征图f3，f3即为特征重构模块的输出；
[0061]
其中，双线性特征插值方法如下：
[0062]
根据已知值a
11
＝(x1,y1),a
12
＝(x1,y2),a
21
＝(x2,y1)和a
22
＝(x2,y2)，得到待内插的点c(x,y)；
[0063]
首先，通过在x方向的线性插值得到b1和b2，然后再通过y方向的线性插值得到c(x,y)，特征插值表示为式(1)，
[0064][0065]
其中f(a
11
)表示点a
11
的特征向量，f(a
12
)、f(a
21
)和f(a
22
)与f(a
11
)相同。x1,y1表示点a
11
在x、y轴上的坐标值，x1,y2表示点a
12
在x、y轴上的坐标值，x2,y1表示点a
21
在x、y轴上的坐标值，x2,y2表示点a
22
在x、y轴上的坐标值；
[0066]
设定第二分类子网络输入为特征重构模块输出的特征图f3，第二分类子网络用于病斑类别分类，其由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是256，最后一层的卷积将通道数由256变为ka，k为数据集类别数，a为旋转参考框数；
[0067]
设定第二回归子网络输入为特征重构模块输出的特征图f3，用于旋转参考框向病斑标记真值回归，预测病斑位置，其由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是256，最后一层的卷积将通道数由256变为5a，5代表旋转参考框的五个参数，为中心点坐标、长度、宽度、角度，a为旋转参考框数，输出为更精准的病斑的旋转参考框，即病斑的位置。
[0068]
有益效果
[0069]
本发明的一种基于特征重构的任意方向小麦病害图像检测方法，与现有技术相比可实现任意方向小麦病斑区域的准确定位和快速检测，提高小麦病害检测的准确率，增强小麦病害检测算法的鲁棒性。
附图说明
[0070]
图1为本发明的方法顺序图；
[0071]
图2为本发明所涉及的小麦病害检测模型的结构图；
[0072]
图3为本发明所涉及的特征精炼模块的结构图；
[0073]
图4为本发明所涉及的双线性特征插值方法的原理图；
[0074]
图5为旋转iou计算原理图
[0075]
图6a为病害实际标注图
[0076]
图6b为本发明病害检测效果图
[0077]
图6c为使用水平检测模型病害检测效果图。
具体实施方式
[0078]
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
[0079]
如图1所示，本发明所述的一种基于特征重构的任意方向小麦病害图像检测方法，包括以下步骤：
[0080]
第一步，小麦病害图像的获取和预处理：获取小麦病害图像，对获取的小麦病害图像进行人工标注，采用标注软件创建旋转框框住病斑图像并标记病斑类别，建立小麦病害训练样本集。
[0081]
在此，利用图像采集设备在野外环境下对小麦病害部位的正反面进行拍摄，从拍摄的图像中选取若干包含病斑的图像作为小麦病害图像。对小麦病害部位的正反面进行拍摄，是由于同一种病害发生在叶片的正反面的症状不同。采用开源图像标注软件rolabelimg，通过创建水平矩形将小麦病害区域框住，然后调整水平矩形的角度使其框住只有病害的区域，并在病斑图像上标记病斑类别。根据实际需要对小麦病害图像进行数据扩充，所述数据扩充包括对水稻病害图像进行放大、平移、旋转和对比度增强操作；利用数据扩充后的小麦病害图像建立小麦病害样本集；在实验室环节，按照9:1的比例将建立的小麦病害样本集划分为训练样本集和测试样本集。
[0082]
第二步，构建小麦病害检测模型：基于retinanet的单级旋转目标检测器构建小麦病害检测模型。
[0083]
如图2所示，小麦病害检测模型是一个基于retinanet的单级旋转目标检测器，包括输入模块、主干网络、粗阶段网络、精炼阶段网络和输出模块。
[0084]
构建小麦病害检测模型包括以下步骤：
[0085]
(1)设定小麦病害检测模型的输入为小麦病害图像、输出为以旋转框框出的病斑图像及标记的病斑类别。
[0086]
(2)设定基于retinanet的单级旋转目标检测器构建小麦病害检测模型，其包括输入模块、主干网络、粗阶段网络、精炼阶段网络和输出模块。
[0087]
(3)设定输入模块用于将小麦病害图像输入主干网络。
[0088]
(4)构建主干网络。主干网络通过在深度卷积神经网络架构之上构建特征金字塔网络(fpn)。fpn通过自顶向下的路径和横向连接来增强卷积神经网络性能，从而有效地从单分辨率输入图像中构造出丰富的多尺度特征金字塔，金字塔的每一层都可以用来提取不同尺度的病斑特征。
[0089]
a1)设定主干网络在深度卷积神经网络架构之上构建特征金字塔网络fpn；
[0090]
a2)设定将小麦病害图像输入深度卷积神经网络，得到下采样尺寸为原图1/4、1/8、1/16、1/32倍的特征图，分别为ci,i∈(2,3,4,5)；
[0091]
a3)将具有不同通道的特征图c3、c4、c5分别输入特征金字塔网络通过1*1*256的卷积进行通道归一化，分别得到m3、m4、m5，将特征图m5经过双线性插值上采样和m4相加得到特征图m4，将特征图m4经过双线性插值上采样和m3相加得到特征图m3；
[0092]
a4)为了消除上采样的混叠效应，对m3、m4、m5分别采用相同通道的3*3卷积得到p3、p4、p5，同时p5通过下采样得到特征图p6，p6通过下采样得到特征图p7；获得的pi,i∈(3,4,5,6,7)构成特征金字塔；
[0093]
a5)在主干网络输出的每一层级特征图p3、p4、p5、p6、p7都分别接入粗阶段网络，也就是每一层级的特征图后均有一个粗阶段网络。
[0094]
(5)构建粗阶段网络：粗阶段网络包括第一分类子网络和第一回归子网络。
[0095]
b1)设定粗阶段网络包括第一分类子网络和第一回归子网络，第一分类子网络和第一回归子网络为两个并行的网络，由主干网络输出的每一层级特征图p3、p4、p5、p6、p7分别输入到对应每一层级的第一分类之网络和第一回归子网络；
[0096]
b2)设定第一分类子网络用于病斑类别分类，由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是256，最后一层的卷积将通道数由256变为k*a，k为数据集类别数，a为旋转参考框数；
[0097]
b3)设定第一回归子网络用于水平参考框向病斑标记真实框回归得到旋转的参考框，其输出病斑的旋转参考框，由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是256，最后一层的卷积将通道数由256变为5*a，5代表旋转参考框的五个参数，为中心点坐标、长度、宽度、角度，a为旋转参考框数。
[0098]
(6)构建精炼阶段网络：精炼阶段网络包括特征精炼模块、第二分类子网络和第二回归子网络。
[0099]
c1)设定精炼阶段网络包括特征精炼模块、第二分类子网络和第二回归子网络，第二分类子网络和第二回归子网络为两个并行的网络，特征精炼模块连接在粗阶段网络和第二分类子网与第二回归子网之间，如图3所示，特征精炼模块包括特征融合模块、参考框过滤模块和特征重构模块；
[0100]
c2)设定特征融合模块输入为特征金字塔层输出的特征图f1，其中f1为p3、p4、p5、p6、p7中的某一层级的特征图，f1首先经过一个5x1卷积层，然后经过一个1x5卷积层，另一个只经过一个1x1卷积层；将两个并行卷积层输出的两个特征图通过逐元素相加融合成一个新的特征图f2；f2即为特征融合模块的输出；5x1卷积层可以更好地捕捉垂直特征，有利于检测高度大于宽度的病斑，而1x5卷积层可以更好地捕捉水平特征，适合检测宽度大于高度的病斑。
[0101]
c3)设定参考框过滤模块的输入为粗阶段网络生成的所有旋转参考框，输出为每个特征点得分最高的旋转参考框；
[0102]
c4)设定特征重构模块的输入为参考框过滤模块输出的得分最高的旋转参考框和特征融合模块输出的f2，将保留的旋转参考框即1个中心点和4个角点通过双线性插值方法映射回特征图f2，得到对应特征点的特征向量；然后，将每个特征向量叠加到特征金字塔层输出的特征图f1上进行融合，得到精炼后的特征图；最后，将精炼后的特征图与特征图f2融合得到重构的特征图f3，f3即为特征重构模块的输出；
[0103]
如图4所示，其中，双线性特征插值方法如下：
[0104]
根据已知值a
11
＝(x1,y1),a
12
＝(x1,y2),a
21
＝(x2,y1)和a
22
＝(x2,y2)，得到待内插的点c(x,y)；
[0105]
首先，通过在x方向的线性插值得到b1和b2，然后再通过y方向的线性插值得到c(x,y)，特征插值表示为式(1)，
[0106][0107]
其中f(a
11
)表示点a
11
的特征向量，f(a
12
)、f(a
21
)和f(a
22
)与f(a
11
)相同。x1,y1表示点a
11
在x、y轴上的坐标值，x1,y2表示点a
12
在x、y轴上的坐标值，x2,y1表示点a
21
在x、y轴上的坐标值，x2,y2表示点a
22
在x、y轴上的坐标值。
[0108]
c5)设定第二分类子网络输入为特征重构模块输出的特征图f3，第二分类子网络用于病斑类别分类，其由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是256，最后一层的卷积将通道数由256变为ka，k为数据集类别数，a为旋转参考框数；
[0109]
c6)设定第二回归子网络输入为特征重构模块输出的特征图f3，用于旋转参考框向病斑标记真值回归，预测病斑位置，其由五个3*3卷积层组成，前四层卷积得到的特征图通道数都是256，最后一层的卷积将通道数由256变为5a，5代表旋转参考框的五个参数，为中心点坐标、长度、宽度、角度，a为旋转参考框数，输出为更精准的病斑的旋转参考框，即病斑的位置。
[0110]
(7)设定输出模块用于将检测出的病斑图像及标记的病斑类别输出。
[0111]
第三步，小麦病害检测模型的训练：利用小麦病害训练样本集对小麦病害检测模型进行训练。小麦病害检测模型的训练包括以下步骤：
[0112]
(1)将小麦病害训练样本集输入小麦病害检测模型。
[0113]
(2)设定在随机梯度下降优化算法中，动量设置为0.9、权重衰减设置为0.0001、初始学习速率设置为4e-3，训练24个轮次epoch，分别在第8、16、20个轮次降低学习率；
[0114]
小麦病害检测模型采用多尺度(1333,800)、(1700,1000)、(2000,1200)训练，训练所采用的分类损失函数为focal loss，定位损失为近似s-iou损失函数；
[0115]
在回归损失中加入角度损失，基于特征重构的任意方向小麦病害检测模型的多任务损失函数定义如下：
[0116]
[0117]
l
reg
(v,v
*
)＝l
smoot h-l1
(v
θ
,v
*θ
)-iou(v
{x,y,w,h}
,v
*{x,y,w,h}
)
[0118]
其中，i代表第i个参考框，n为参考框的个数，oi的值表示二进制值，oi＝1为前景，oi＝0为背景，v是预测偏移量矢量，v
*
是真实框的目标矢量，p
*i
的值表示实框标签，pi为第i个样本的分类置信度，(x,y,w,h,θ)分别表示框的中心坐标、宽度、高度和角度，s-iou是预测的旋转参考框与真实框的重叠面积与总面积的比值，默认值为λ1＝1和λ2＝1，分类损失l
cls
为focal loss，函数f(s-iou)＝1-s-iou是与s-iou相关的损失函数，函数iou(.)是水平参考框iou计算函数。与smooth l1 loss函数相比，新的loss函数可以获得更精确的旋转参考框的位置。
[0119]
(3)训练粗阶段网络：
[0120]
针对主干网络输出的不同特征层p3、p4、p5、p6和p7，分别设置水平参考框的面积大小为32*32、64*64、128*128、256*256、512*512，另外每个面积对应7个长宽对比度即1:1、1:2、2:1、1:3、3:1、1：5、5：1，所以共有35种候选框用于粗阶段目标区域提取；
[0121]
如果某个病斑区域的水平参考框和某个病斑真实框有最高的iou或者和任意一个真实框的iou都大于0.5，如果小于0.4则设定为正样本；通过正负样本学习训练粗阶段网络；
[0122]
粗阶段网络输入是不同特征层的特征图，由回归分支和卷积分类分支组成，通过网络值与真实值的损失反向传播误差学习网络参数：在此用五个参数(x,y,w,h,θ)来表示参考框，其中(x,y)表示几何中心，w表示宽度，h代表高度，θ为参考框的角度；
[0123]
在回归子网中预测一个额外的角度偏移，旋转参考框表示如下：
[0124][0125]
x、y、w、h、θ分别表示旋转参考框的中心坐标、宽度、高度和角度，变量x
*
、xa、x分别表示真实框、参考框和预测框相关的值，y,w,h和θ与x相同，粗阶段通过学习水平参考框的五个参数与病斑标记真实框的偏移量，得到病斑区域的旋转参考框。
[0126]
(4)训练精炼阶段网络：
[0127]
设定病斑区域的旋转参考框与病斑真实框的iou大于0.6时，该框是正样本；病斑区域的旋转参考框与病斑真实框的iou小于0.5时，则该框为负样本；针对病斑区域的旋转参考框进行分类和回归任务；通过网络值与真实值的损失反向传播误差学习网络参数；最终通过精炼阶段提取得到病斑的类别和位置；精炼阶段网络可以多次添加到网络中以提高检测精度，第二个和后续的精炼网络阶段的阈值设置为0.7和0.6；
[0128]
训练过程中正负样本的选择由旋转参考框与目标真实框旋转的iou阈值来决定，如图5所示，旋转iou的计算通过三角剖分法：
[0129]
首先得到旋转参考框b1和目标真实框b2的交点，将这两个矩形的交点和一个矩形包含在另一个矩形中的顶点定义为两个矩形的交点；
[0130]
然后将这些交点沿逆时针方向连接起来，形成一个凸多边形；
[0131]
采用三角剖分法将凸多边形剖分为多个三角形，通过计算三角形面积之和得到凸多边形的面积，两个旋转矩形的旋转iou，即s-iou由下式计算:
[0132][0133]
其中，其中b1和b2表示两个旋转矩形。
[0134]
第四步，待检测小麦病害图像的获取：获取待检测的小麦病害图像。
[0135]
第五步，小麦病害图像检测结果的获得：将待检测的小麦病害图像输入训练后的小麦病害检测模型，得到小麦病害图像检测结果。
[0136]
如图6所示，图6为采用本发明与水平检测模型对小麦病害图像进行检测的检测结果效果图。6a为实际标注病害图，6b为本发明检测效果图，6c为使用水平检测模型检测的效果图。虽然水平检测模型可以有效地识别和定位田间的小麦病害，但它含有过多的冗余背景区域，易发生漏检。相比之下，本发明提出的小麦病害检测模型可以更好地定位小麦病害区域。
[0137]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。