(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211146901.2 (22)申请日 2022.09.19 (71)申请人 中科合肥智慧农业协同创新研究院 地址 230031 安徽省合肥市长 丰县双凤开 发区金江路32 号合肥智慧农业协同创 新研究院 (72)发明人 王儒敬　董士风　刘康　焦林　 黄子良　郑世健　滕越　刘海云　 (74)专利代理 机构 合肥国和专利代理事务所 (普通合伙) 34131 专利代理师 张祥骞 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 无锚框的一阶段虫害图像检测方法、 装置及 存储介质 (57)摘要 本发明公开了一种无锚框的一阶段虫害图 像检测方法、 装置及存储介质， 通过根据无锚框 的一阶段虫害图像检测模型对所述待检测虫害 图像执行检测， 确定图像中的虫害信息； 所述虫 害信息包括每个虫害的类别和边框中心点 以及 宽和高； 根据对虫害数据集的虫害统计特征， 以 最小的超参数自动对正样本和负样 本进行分类， 从而实现对所述虫害图像检测模型的训练样本 的选择。 相比于现有技术， 通过提出动态训练样 本选择方法， 可以根据物体的统计特征， 以最小 的超参数自动对正样本和负样本进行分类来动 态地选择阳性样本， 更加稳健； 基于注意力机制 的动态检测头模块可以获得可辨识的语义特征， 从而更好地区分具有相似外观的害虫， 提高表达 害虫特征的能力。 权利要求书4页 说明书13页 附图3页 CN 115457373 A 2022.12.09 CN 115457373 A 1.一种无锚框的一阶段 虫害图像 检测方法， 其特 征在于， 所述方法包括： S1， 获取待检测虫害图像， 并对所述待检测虫害图像执行预处理操作； 所述预处理操作 包括图像尺寸处 理为预定大小尺寸； S2， 根据无锚框的一阶段虫害图像检测模型对所述待检测虫害图像执行检测， 确定图 像中的虫害信息； 所述虫害信息包括每个虫害的类别和边框中心 点以及宽和高； 其中， 所述 虫害图像检测模型是根据神经网络训练得到； 根据对虫害数据集的虫害统计特征， 以最小 的超参数自动对正样本和负样本进行分类， 从而实现对所述虫害图像检测模型的训练样本 的选择； S3， 根据所述虫害信息， 生成虫害图像 检测结果。 2.根据权利要求1所述的无锚框的一阶段虫害图像检测方法， 其特征在于， 所述方法还 包括： 预先建立无锚框的一阶段 虫害图像 检测模型； 所述建立无锚框的一阶段 虫害图像 检测模型， 包括： 采集虫害图像建立虫害数据集D； 构建无锚框的一阶段 虫害图像 检测模型； 在建立的数据集上对构建的无锚框的一阶段 虫害图像 检测模型进行训练； 其中， 所述构建无锚框的一阶段 虫害图像 检测模型， 包括： S101， 根据用深度残差神经网络ResNet ‑50构建用于特 征提取的骨干网络； S102， 根据特征金字塔网络， 利用骨干网络中提取到的特征图层并融合多个尺度的特 征来进行检测不同尺度的对象； S103， 动态捕获包含多尺度上下文信息的高质量训练样本： 根据对虫害数据集的虫害 统计特征， 以最小的超参数自动对正样本和负样本进行分类， 从而实现对所述虫害图像检 测模型的训练样本的选择； S104， 基于注意力机制的动态检测头模块， 获得可辨识的语义特征， 从而更好地区分具 有相似外观的害虫， 提高表达害虫 特征的能力。 3.根据权利要求2所述的无锚框的一阶段虫害图像检测方法， 其特征在于， 所述S103， 动态捕获包 含多尺度上 下文信息的高质量训练样本， 包括： S1031， 首先为输入 图像上的每个真实标注框g找到其候选正样本； 在每个金字塔层Li 中， 对于特征图上每个 位置l(x,y)， 选择距离最接近g中心的k个 位置， 如果一个 位置被归属于 多个真实标注框， 则选择交并比(I oU)值最高的真实标注框； S1032， 真实标注框g将有一个候选的正样本集合Cg； 这些候选的正样本和真实标注框g 之间的交并比(I oU)值被计算为Dg， 它们的平均数和标准差被 计算为mg和sg， 被表述为： S1033， 基于如上S1031 ‑S1032的统计， 这些真实标注 框g的交并比(IoU)阈值被定义为Tg ＝mg+sg； 最后， 选择这些IoU值大于或等于阈值的候选框Tg作为最终的正样本， 这些正样本 被用于训练网络 。权　利　要　求　书 1/4 页 2 CN 115457373 A 24.根据权利要求3所述的无锚框的一阶段虫害图像检测方法， 其特征在于， 所述S104， 基于注意力机制的动态检测头模块， 获得可辨识的语义特征， 从而更好地区分具有相似外 观的害虫， 提高表达害虫 特征的能力， 包括： S1041， 在特征金字塔中Pi,i∈(2,3,4,5,6),第i层特征图表示为一个三维向量 特征图包含的信息描述 为： 其中， 是由大小为H ×W和通道数为C的特征图Fi(x,y)生成， 而x,y代表特 征图上像素点的坐标； 基于注意力机制的动态检测头模块操作被描述 为： W(F)＝AS(AC(F)·F)·F 其中， AC(·)和AS(·)是分别适用于维度C和S两种不同的注意力操作； S1042， 引入通道注意力AC， 根据语义信息动态地整合不同尺度目标的特征； AC操作被描 述为： AC(F)·F＝σ(f1×1(AAP(F)))·F 其中， AAP代表自适应平均池化操作， f1×1(·)是一个线性函数， 由卷积核大小为1 ×1的 卷积来近似， σ(x)是sigmoid激活函数， 其定义数学表达式为σ(x)＝ 该操作后得到的特 征图为F′； S1043， 根据合并的特征使用空间感知注意力AS来关注那些在空间位置和特征层之间共 存的可辨识区域特征； 其中， 使用可变卷积网络(DCN)来学习稀疏注意力， 然后在同一空间 位置进行跨层特 征聚合， 操作过程表示 为： 其中， N是特征图上每个稀疏采样位置的数量,Δpn是可辨识性区域特征学习,Pn+ΔPn 是由卷积核大小为3 ×3的可变卷积(DCN)自学习的位移位置； S1044， 得到整个基于注意力机制的动态检测头模块输出的特征图F ″k,k＝(2,3,4,5, 6)。 5.根据权利要求4所述的无锚框的一阶段虫害图像检测方法， 其特征在于， 所述采集虫 害图像建立虫害数据集D， 包括： 获取害虫图像进行预处理、 标记和数据清洗； 所述预处理包括将图像尺寸统一化为预 定大小尺寸； 数据清洗包括筛 选掉低质量图片； 对害虫图像上的单只害虫进行标注， 每个图像会对应生成一个标注文件， 建立虫害数 据集。 6.一种无锚框的一阶段虫害图像检测装置， 其特征在于， 所述装置包括获取模块、 虫害 检测模块、 以及结果 生成模块； 其中： 获取模块， 用于获取待检测虫害图像， 并对所述待检测虫害图像执行预处理操作； 所述 预处理操作包括图像尺寸处 理为预定大小尺寸；权　利　要　求　书 2/4 页 3 CN 115457373 A 3