本發(fā)明涉及小目標(biāo)檢測領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法。

背景技術(shù)：

1、減少害蟲對農(nóng)林作物造成的經(jīng)濟損失，增加有益昆蟲對農(nóng)林作物帶來經(jīng)濟效益是作為農(nóng)業(yè)一直研究的內(nèi)容。復(fù)雜的自然環(huán)境中對昆蟲，尤其是小生物進行自動化監(jiān)測有利于推進農(nóng)業(yè)發(fā)展。基于深度學(xué)習(xí)的圖像識別技術(shù)可以經(jīng)濟有效地完成這項任務(wù)，然而目前研究的農(nóng)業(yè)昆蟲檢測缺乏真實場景中動態(tài)捕獲到的昆蟲圖像，特別是小目標(biāo)的昆蟲，從此類圖像中提取昆蟲目標(biāo)更具挑戰(zhàn)性。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對農(nóng)業(yè)昆蟲檢測缺乏真實場景中動態(tài)捕獲到的昆蟲圖像的問題，提出一種基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法，所述方法包括：

2、獲取圖像，并對所述圖像進行預(yù)處理；

3、構(gòu)建s-insect-det網(wǎng)絡(luò)結(jié)構(gòu)，所述s-insect-det網(wǎng)絡(luò)結(jié)構(gòu)包括主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測頭；所述主干網(wǎng)絡(luò)為基于transformer的efficientvit網(wǎng)絡(luò)；所述頸部網(wǎng)絡(luò)為雙向多尺度融合架構(gòu)；

4、通過主干網(wǎng)絡(luò)進行圖像特征提取，并通過頸部網(wǎng)絡(luò)進行多尺度特征融合；

5、通過檢測頭輸出特征融合后的特征表示，獲取昆蟲識別結(jié)果。

6、進一步的，還提出一種優(yōu)選方式，所述主干網(wǎng)絡(luò)部分將efficientvit作為核心，提取昆蟲圖像特征，在圖像特征提取后，通過sppf模塊輸出高分辨率特征圖p3、中分辨率特征圖p4和低分辨率特征圖p5。

7、進一步的，還提出一種優(yōu)選方式，所述頸部網(wǎng)絡(luò)的雙向多尺度融合架構(gòu)包括：自下而上路徑和自上而下路徑。

8、進一步的，還提出一種優(yōu)選方式，所述自下而上路徑為低分辨率特征圖向高層傳遞，包括：上采樣、拼接、可變形梯度流模塊dcn2f、加權(quán)求和特征融合機制結(jié)合；所述自上而下路徑為反向傳遞高層語義信息，注入低層特征中。

9、進一步的，還提出一種優(yōu)選方式，所述可變形梯度流模塊dcn2f包括：cbs模塊和dcn?blocks可變形卷積模塊；所述cbs模塊用于對輸入進行初特征提取和標(biāo)準(zhǔn)化處理；輸出特征經(jīng)過多個串聯(lián)的dcn?blocks可變形卷積模塊；多路徑的輸出進行融合，并通過一個cbs模塊輸出最終的特征。

10、進一步的，還提出一種優(yōu)選方式，所述dcn?blocks可變形卷積模塊的輸出分成多個分支并分別處理，所述分支內(nèi)部采用多個dcn模塊堆疊。

11、進一步的，還提出一種優(yōu)選方式，所述檢測頭為兩級結(jié)構(gòu)，包括：一對多分支和一對一分支；所述一對多分支用于每個目標(biāo)與多個先驗框相關(guān)聯(lián)，通過分配多個正樣本的方式學(xué)習(xí)目標(biāo)的多樣性表示；所述一對一分支用于為每個目標(biāo)分配一個正樣本，所述正樣本與目標(biāo)的中心點或最佳先驗框相關(guān)聯(lián)。

12、基于同一發(fā)明構(gòu)思，本發(fā)明還提出一種基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測裝置，所述裝置包括：

13、圖像獲取單元，用于獲取圖像，并對所述圖像進行預(yù)處理；

14、s-insect-det網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建單元，用于構(gòu)建s-insect-det的網(wǎng)絡(luò)結(jié)構(gòu)；所述s-insect-det網(wǎng)絡(luò)結(jié)構(gòu)包括主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測頭；所述主干網(wǎng)絡(luò)為基于transformer的efficientvit網(wǎng)絡(luò)；所述頸部網(wǎng)絡(luò)為雙向多尺度融合架構(gòu)；

15、特征提取單元，用于通過主干網(wǎng)絡(luò)進行圖像特征提取，并通過頸部網(wǎng)絡(luò)進行多尺度特征融合；

16、輸出單元，用于通過檢測頭輸出特征融合后的特征表示，獲取昆蟲識別結(jié)果。

17、基于同一發(fā)明構(gòu)思，本發(fā)明還提出一種計算機設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，當(dāng)所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執(zhí)行根據(jù)上述中任一項所述的基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法。

18、基于同一發(fā)明構(gòu)思，本發(fā)明還提出一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行如上述任一項所述的基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法的步驟。

19、本發(fā)明的有益之處在于：

20、在復(fù)雜背景下，昆蟲會與背景顏色、形狀等產(chǎn)生類似的視覺特征，導(dǎo)致檢測困難。本發(fā)明提出了一種基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法，通過設(shè)計s-insect-det網(wǎng)絡(luò)結(jié)構(gòu)進行昆蟲識別，s-insect-det網(wǎng)絡(luò)結(jié)構(gòu)主要分為三部分：分別為主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測頭。主干網(wǎng)絡(luò)主要負責(zé)對輸入的圖片進行特征提取從而學(xué)習(xí)到圖像中不同層次的特征，頸部網(wǎng)絡(luò)作用是進一步增強由主干網(wǎng)絡(luò)提取到的特征，并為檢測頭提供更豐富的特征，包括多尺度特征整合，這樣有助于檢測框架捕捉不同大小的對象，構(gòu)建特征金字塔并改善小目標(biāo)對象的檢測性能。檢測頭負責(zé)生成最終的檢測結(jié)果，包括對象的類別和位置。采用efficientvit作為主干網(wǎng)絡(luò)，該網(wǎng)絡(luò)不僅具有輕量化的架構(gòu)風(fēng)格還具備視覺注意力對于圖片全局信息的提取能力，同時對下采樣做了修改，以保留更多的低層細節(jié)信息提高小目標(biāo)昆蟲檢測精度。頸部網(wǎng)絡(luò)借鑒bifpn架構(gòu)，將5層改為3層結(jié)構(gòu)，設(shè)計一種雙路動態(tài)跨尺度融合模塊，增強圖像中主要特征并充分融合多尺度信息。檢測頭采用yolov10檢測頭策略，利用輕量級分類頭、空間通道解耦下采樣和排序引導(dǎo)塊設(shè)計，以減少計算冗余并實現(xiàn)更高效的架構(gòu)，并對回歸損失函數(shù)進行替換以提升小目標(biāo)檢測能力。因此，s-insect-det網(wǎng)絡(luò)結(jié)構(gòu)不僅能夠加強不同尺度的特征表示，使得昆蟲的細節(jié)信息和整體輪廓信息都能得到充分捕捉，還進一步提高檢測的準(zhǔn)確性，尤其是在復(fù)雜背景下，昆蟲與背景的分辨能力極大增強。

21、本發(fā)明應(yīng)用于昆蟲識別領(lǐng)域。

技術(shù)特征：

1.基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法，其特征在于，所述自下而上路徑為低分辨率特征圖向高層傳遞，包括：上采樣、拼接、可變形梯度流模塊dcn2f、加權(quán)求和特征融合機制結(jié)合；所述自上而下路徑為反向傳遞高層語義信息，注入低層特征中。

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法，其特征在于，所述可變形梯度流模塊dcn2f包括：cbs模塊和dcn?blocks可變形卷積模塊；所述cbs模塊用于對輸入進行初特征提取和標(biāo)準(zhǔn)化處理；輸出特征經(jīng)過多個串聯(lián)的dcn?blocks可變形卷積模塊；多路徑的輸出進行融合，并通過一個cbs模塊輸出最終的特征。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法，其特征在于，所述dcn?blocks可變形卷積模塊的輸出分成多個分支并分別處理，所述分支內(nèi)部采用多個dcn模塊堆疊。

5.基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測裝置，其特征在于，所述裝置包括：

6.一種計算機設(shè)備，其特征在于：包括存儲器和處理器，所述存儲器中存儲有計算機程序，當(dāng)所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執(zhí)行根據(jù)權(quán)利要求1-4中任一項所述的基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法。

7.一種計算機可讀存儲介質(zhì)，其特征在于，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行如權(quán)利要求1-4任一項所述的基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法的步驟。

技術(shù)總結(jié)
基于深度學(xué)習(xí)特征增強的復(fù)雜背景下昆蟲檢測方法和系統(tǒng)，涉及小目標(biāo)檢測領(lǐng)域。解決了農(nóng)業(yè)昆蟲檢測缺乏真實場景中動態(tài)捕獲到的昆蟲圖像的問題。方法包括：獲取圖像，并對所述圖像進行預(yù)處理；構(gòu)建S?Insect?Det網(wǎng)絡(luò)結(jié)構(gòu)，S?Insect?Det網(wǎng)絡(luò)結(jié)構(gòu)包括主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測頭；所述主干網(wǎng)絡(luò)為基于Transformer的EfficientViT網(wǎng)絡(luò)；所述頸部網(wǎng)絡(luò)為雙向多尺度融合架構(gòu)；通過主干網(wǎng)絡(luò)進行圖像特征提取，并通過頸部網(wǎng)絡(luò)進行多尺度特征融合；通過檢測頭輸出特征融合后的特征表示，獲取昆蟲識別結(jié)果。本發(fā)明應(yīng)用于昆蟲識別領(lǐng)域。

技術(shù)研發(fā)人員：張麗娟,孫珊珊,李芝貽,王泉,張麗輝,唐玥,劉偉
受保護的技術(shù)使用者：無錫學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2