【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及圖像識(shí)別與處理，更具體地說，是涉及一種基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、毒品原植物的巡查執(zhí)法作為公安機(jī)關(guān)的重要工作之一，相比傳統(tǒng)的人工巡查方式，無人機(jī)可以快速覆蓋大面積的種植區(qū)域，在更短的時(shí)間內(nèi)完成對(duì)整個(gè)地區(qū)的監(jiān)測(cè)。為了能夠更好地應(yīng)對(duì)罌粟種植地點(diǎn)偏僻難以調(diào)查、單株種植、小面積種植下目標(biāo)難以發(fā)現(xiàn)的問題，降低罌粟植株識(shí)別的時(shí)間及人工成本，現(xiàn)有技術(shù)中所采用的技術(shù)方案有：
2、（1）公開號(hào)為cn116246184a的中國(guó)專利技術(shù)專利，公開了一種應(yīng)用于無人機(jī)航拍圖像的罌粟智能識(shí)別方法及系統(tǒng)，包括利用無人機(jī)獲取罌粟航拍圖像，并進(jìn)行預(yù)處理；基于預(yù)處理后的罌粟航拍圖像，利用預(yù)先訓(xùn)練好的罌粟植物目標(biāo)檢測(cè)模型進(jìn)行識(shí)別，得到罌粟識(shí)別結(jié)果；其中，罌粟植物目標(biāo)檢測(cè)模型，包括主干網(wǎng)絡(luò)、頸網(wǎng)絡(luò)和檢測(cè)頭網(wǎng)絡(luò)；主干網(wǎng)絡(luò)包括五個(gè)檢測(cè)單元和一個(gè)空間金字塔池化網(wǎng)絡(luò)；第一檢測(cè)單元為focus模塊；第二檢測(cè)單元以及第五檢測(cè)單元均是由csp?bottleneck和下采樣層組成；第三檢測(cè)單元以及第四單元是自適應(yīng)空間相關(guān)金字塔注意力機(jī)制模型，適用于處理復(fù)雜背景下的罌粟原植物目標(biāo)識(shí)別問題，減少漏檢率。
3、（2）公開號(hào)為cn116563730a的中國(guó)專利技術(shù)專利，公開了一種基于重學(xué)習(xí)的無人機(jī)遙感影像罌粟檢測(cè)方法，包括數(shù)據(jù)集構(gòu)建，對(duì)罌粟影像數(shù)據(jù)集的標(biāo)注和預(yù)處理；模型重學(xué)習(xí)，利用目標(biāo)檢測(cè)模型通過重學(xué)習(xí)困難樣本提升模型的泛化能力，重學(xué)習(xí)是通過已訓(xùn)練的權(quán)重對(duì)驗(yàn)證集進(jìn)行檢測(cè)，獲取誤檢和漏檢樣本并放入訓(xùn)練集中形成新的數(shù)據(jù)集樣本，
4、然而現(xiàn)有技術(shù)所采用的方案主要著眼于提升模型精度，提高對(duì)于罌粟的識(shí)別性能，傾向于植株完整、邊界清晰的罌粟植株圖像識(shí)別，而對(duì)于覆蓋種植、田間夾種、混合種植等隱蔽種植方法所采集的圖像識(shí)別能力較弱。
技術(shù)實(shí)現(xiàn)思路
1、為解決上述問題，本申請(qǐng)采用的技術(shù)方案是一種基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，包括以下步驟：
2、s1：通過無人機(jī)采集目標(biāo)區(qū)域影像數(shù)據(jù)，對(duì)影像數(shù)據(jù)進(jìn)行預(yù)處理，建立訓(xùn)練集和驗(yàn)證集；
3、s2：建立基于下采樣增強(qiáng)特征提取網(wǎng)絡(luò)的罌粟檢測(cè)模型，將所述訓(xùn)練集載入所述罌粟檢測(cè)模型進(jìn)行特征提取和特征融合，執(zhí)行分類任務(wù)和回歸任務(wù)；
4、s3：基于引入高斯型距離度量動(dòng)態(tài)標(biāo)注調(diào)節(jié)的損失函數(shù)對(duì)所述罌粟檢測(cè)模型當(dāng)前性能進(jìn)行評(píng)估，并通過梯度回傳指導(dǎo)所述罌粟檢測(cè)模型學(xué)習(xí)降低誤差；
5、s4：將所述驗(yàn)證集載入所述罌粟檢測(cè)模型評(píng)估所述罌粟檢測(cè)模型泛化能力。
6、可選地，預(yù)處理包括對(duì)所述影像數(shù)據(jù)進(jìn)行篩選，對(duì)篩選后的影像數(shù)據(jù)進(jìn)行罌粟目標(biāo)框標(biāo)注，對(duì)影像數(shù)據(jù)進(jìn)行重疊裁剪生成預(yù)定格式圖像，對(duì)所生成的子圖進(jìn)行二次篩選和標(biāo)注校正，對(duì)完成二次篩選和標(biāo)注校正的影像數(shù)據(jù)進(jìn)行增強(qiáng)擴(kuò)充。
7、可選地，下采樣增強(qiáng)特征提取網(wǎng)絡(luò)包括采用二維離散小波變換對(duì)特征進(jìn)行頻域增強(qiáng)重建處理，得到由全局增強(qiáng)特征和局部增強(qiáng)特征經(jīng)過卷積處理通道維度，生成重建特征。
8、可選地，全局增強(qiáng)特征通過以下步驟得到：
9、由特征圖生成低頻形態(tài)特征分量、高頻細(xì)節(jié)特征分量及方向性頻率分量，結(jié)合注意力機(jī)制對(duì)特征圖不同層級(jí)特征之間相關(guān)性的全局自適應(yīng)學(xué)習(xí)，獲得其各頻率分量的加權(quán)系數(shù)，并保持二維平面尺度不變重組得到對(duì)目標(biāo)特征指向性更強(qiáng)的全局增強(qiáng)特征。
10、可選地，所述局部增強(qiáng)特征通過以下步驟得到：以低頻形態(tài)特征分量和高頻細(xì)節(jié)特征分量作為指導(dǎo)特征，指導(dǎo)方向性頻率分量的學(xué)習(xí)，在淺層網(wǎng)絡(luò)中，以低頻特征分量作為指導(dǎo)特征，指導(dǎo)高頻特征分量的學(xué)習(xí)，在深層網(wǎng)絡(luò)中，以高頻特征分量作為指導(dǎo)特征，指導(dǎo)低頻特征分量的學(xué)習(xí)，將引導(dǎo)強(qiáng)化后的特征重組得到局部增強(qiáng)特征。
11、可選地，步驟s3包括：結(jié)合目標(biāo)框內(nèi)接橢圓與二維高斯分布的概率密度函數(shù)對(duì)預(yù)測(cè)框和標(biāo)注框進(jìn)行建模，計(jì)算預(yù)測(cè)框和標(biāo)注框之間分布的距離并對(duì)其進(jìn)行歸一化，與原損失函數(shù)進(jìn)行加權(quán)融合，得到引入高斯型距離度量動(dòng)態(tài)標(biāo)注調(diào)節(jié)的損失函數(shù)。
12、可選地，步驟s3依據(jù)下式進(jìn)行：
13、對(duì)預(yù)測(cè)框和標(biāo)注框進(jìn)行建模如下式：
14、；
15、式中，cx和cy表示框的中心點(diǎn)坐標(biāo)、w表示高度、h表示寬度，μ和∑表示高斯分布的均值向量和協(xié)方差矩陣；
16、預(yù)測(cè)框和標(biāo)注框之間距離度量計(jì)算如下式：
17、；
18、式中，表示預(yù)測(cè)框和標(biāo)注框之間距離度量，分別為預(yù)測(cè)框和標(biāo)注框的高斯分布，符號(hào)與前述一致的下標(biāo)a表示預(yù)測(cè)框相關(guān)參數(shù)，下標(biāo)b表示標(biāo)注框相關(guān)參數(shù)；
19、引入高斯型距離度量動(dòng)態(tài)標(biāo)注調(diào)節(jié)的損失函數(shù)如下式：
20、
21、；
22、式中，c為常數(shù)，為加權(quán)系數(shù)，loss表示引入高斯型距離度量動(dòng)態(tài)標(biāo)注調(diào)節(jié)的損失函數(shù)，'表示參與訓(xùn)練的數(shù)據(jù)損失，表示參與訓(xùn)練的數(shù)據(jù)平均損失，k表示超參數(shù)，l0為調(diào)節(jié)系數(shù)，表示將該因子從計(jì)算圖中分離，a表示預(yù)測(cè)框，b表示標(biāo)注框。
23、可選地，在將所述訓(xùn)練集載入所述罌粟檢測(cè)模型之前引入植被指數(shù)模態(tài)作為附加信息，在所述罌粟檢測(cè)模型的學(xué)習(xí)過程中引入輔助檢測(cè)頭，增加信息的層級(jí)。
24、可選地，通過無人機(jī)采集目標(biāo)區(qū)域影像數(shù)據(jù)包括：在目標(biāo)區(qū)域的預(yù)設(shè)無人機(jī)飛行軌跡的兩側(cè)進(jìn)行擴(kuò)展影像收集。
25、本申請(qǐng)還提供了一種基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)系統(tǒng)，包括：
26、輸入預(yù)處理模塊：用于通過無人機(jī)采集目標(biāo)區(qū)域影像數(shù)據(jù)，對(duì)影像數(shù)據(jù)進(jìn)行預(yù)處理，建立訓(xùn)練集和驗(yàn)證集；
27、罌粟檢測(cè)模塊：用于建立基于下采樣增強(qiáng)特征提取網(wǎng)絡(luò)的罌粟檢測(cè)模型，將訓(xùn)練集載入罌粟檢測(cè)模型進(jìn)行特征提取和特征融合，執(zhí)行分類任務(wù)和回歸任務(wù)；
28、模型優(yōu)化模塊：用于基于引入高斯型距離度量動(dòng)態(tài)標(biāo)注調(diào)節(jié)的損失函數(shù)對(duì)罌粟檢測(cè)模型當(dāng)前性能進(jìn)行評(píng)估，并通過梯度回傳指導(dǎo)罌粟檢測(cè)模型學(xué)習(xí)降低誤差；
29、模型評(píng)估模塊：用于將驗(yàn)證集載入罌粟檢測(cè)模型評(píng)估罌粟檢測(cè)模型泛化能力。
30、本申請(qǐng)所提供的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法的有益效果在于：
31、1、針對(duì)罌粟覆蓋種植、田間夾種、混合種植等隱蔽種植方法特征較難提取的問題，設(shè)計(jì)改進(jìn)型下采樣特征增強(qiáng)網(wǎng)絡(luò)，采用二維離散小波變換對(duì)特征做頻域增強(qiáng)重建處理，以減少目標(biāo)特征在特征提取網(wǎng)絡(luò)中的損失，提升罌粟小目標(biāo)特征提取能力。
32、2、針對(duì)罌粟覆蓋種植、田間夾種、混合種植等隱蔽種植方法在背景復(fù)雜，遮擋隱蔽造成干擾時(shí)容易造成特征損失的問題，提出高斯型動(dòng)態(tài)標(biāo)注調(diào)節(jié)策略，通過設(shè)計(jì)高斯型距離度量損失函數(shù)，動(dòng)態(tài)調(diào)節(jié)樣本標(biāo)注，去除遮蔽干擾特性，增強(qiáng)目標(biāo)特性，有效提升罌粟小目標(biāo)特征的抗遮蔽干擾能力，提升模型泛化性。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于：所述預(yù)處理包括對(duì)所述影像數(shù)據(jù)進(jìn)行篩選，對(duì)篩選后的影像數(shù)據(jù)進(jìn)行罌粟目標(biāo)框標(biāo)注，對(duì)影像數(shù)據(jù)進(jìn)行重疊裁剪生成預(yù)定格式圖像，對(duì)所生成的子圖進(jìn)行二次篩選和標(biāo)注校正，對(duì)完成二次篩選和標(biāo)注校正的影像數(shù)據(jù)進(jìn)行增強(qiáng)擴(kuò)充。
3.如權(quán)利要求2所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于：所述下采樣增強(qiáng)特征提取網(wǎng)絡(luò)包括采用二維離散小波變換對(duì)特征進(jìn)行頻域增強(qiáng)重建處理，得到由全局增強(qiáng)特征和局部增強(qiáng)特征經(jīng)過卷積處理通道維度，生成重建特征。
4.如權(quán)利要求3所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，所述全局增強(qiáng)特征通過以下步驟得到：
5.如權(quán)利要求3所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，所述局部增強(qiáng)特征通過以下步驟得到：以低頻形態(tài)特征分量和高頻細(xì)節(jié)特征分量作為指導(dǎo)特征，指導(dǎo)方向性頻率分量的學(xué)習(xí)，在淺層網(wǎng)絡(luò)中，以低頻特征分量作為指導(dǎo)特征，指導(dǎo)高頻特征分量的學(xué)習(xí)，
6.如權(quán)利要求5所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，步驟S3包括：結(jié)合目標(biāo)框內(nèi)接橢圓與二維高斯分布的概率密度函數(shù)對(duì)預(yù)測(cè)框和標(biāo)注框進(jìn)行建模，計(jì)算預(yù)測(cè)框和標(biāo)注框之間分布的距離并對(duì)其進(jìn)行歸一化，與原損失函數(shù)進(jìn)行加權(quán)融合，得到引入高斯型距離度量動(dòng)態(tài)標(biāo)注調(diào)節(jié)的損失函數(shù)。
7.如權(quán)利要求6所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，步驟S3依據(jù)下式進(jìn)行：
8.如權(quán)利要求7所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于：在將所述訓(xùn)練集載入所述罌粟檢測(cè)模型之前引入植被指數(shù)模態(tài)作為附加信息，在所述罌粟檢測(cè)模型的學(xué)習(xí)過程中引入輔助檢測(cè)頭，增加信息的層級(jí)。
9.如權(quán)利要求8所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于：所述通過無人機(jī)采集目標(biāo)區(qū)域影像數(shù)據(jù)包括：在目標(biāo)區(qū)域的預(yù)設(shè)無人機(jī)飛行軌跡的兩側(cè)進(jìn)行擴(kuò)展影像收集。
10.一種基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)系統(tǒng)，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于：所述預(yù)處理包括對(duì)所述影像數(shù)據(jù)進(jìn)行篩選，對(duì)篩選后的影像數(shù)據(jù)進(jìn)行罌粟目標(biāo)框標(biāo)注，對(duì)影像數(shù)據(jù)進(jìn)行重疊裁剪生成預(yù)定格式圖像，對(duì)所生成的子圖進(jìn)行二次篩選和標(biāo)注校正，對(duì)完成二次篩選和標(biāo)注校正的影像數(shù)據(jù)進(jìn)行增強(qiáng)擴(kuò)充。
3.如權(quán)利要求2所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于：所述下采樣增強(qiáng)特征提取網(wǎng)絡(luò)包括采用二維離散小波變換對(duì)特征進(jìn)行頻域增強(qiáng)重建處理，得到由全局增強(qiáng)特征和局部增強(qiáng)特征經(jīng)過卷積處理通道維度，生成重建特征。
4.如權(quán)利要求3所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，所述全局增強(qiáng)特征通過以下步驟得到：
5.如權(quán)利要求3所述的基于高斯動(dòng)態(tài)標(biāo)注調(diào)節(jié)的無人機(jī)罌粟檢測(cè)方法，其特征在于，所述局部增強(qiáng)特征通過以下步驟得到：以低頻形態(tài)特征分量和高頻細(xì)節(jié)特征分量作為指導(dǎo)特征，指導(dǎo)方向性頻率分量的學(xué)習(xí)，在淺層網(wǎng)絡(luò)中，以低頻特征分量作為指導(dǎo)特征，指導(dǎo)高頻特征分量的學(xué)習(xí)，在深層...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：于海雁，王露，宋偉強(qiáng)，孫金秋，周志權(quán)，
申請(qǐng)(專利權(quán))人：哈爾濱工業(yè)大學(xué)威海，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。