本發(fā)明涉及農(nóng)業(yè)害蟲目標檢測領(lǐng)域，具體的是一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法。

背景技術(shù)：

1、在農(nóng)業(yè)植保領(lǐng)域，蟲害的發(fā)生會對農(nóng)產(chǎn)品的品質(zhì)和產(chǎn)量產(chǎn)生較大的影響，而農(nóng)業(yè)蟲害的識別需要經(jīng)過植保專家來進行交叉鑒定，需要花費大量的人力物力，缺乏植保經(jīng)驗的農(nóng)戶難以準確鑒別出蟲害的類別?；谏窠?jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，計算機視覺技術(shù)也在農(nóng)業(yè)領(lǐng)域的研究與應(yīng)用已經(jīng)成為熱點方向，越來越多的學者將深度神經(jīng)網(wǎng)絡(luò)運用到農(nóng)業(yè)害蟲識別任務(wù)中。

2、傳統(tǒng)分類網(wǎng)絡(luò)基于深度學習的方法進行害蟲目標檢測可以獲取到更加豐富的特征，特征表示的能力和魯棒性都優(yōu)于傳統(tǒng)的目標檢測方法，主流的深度學習目標檢測方法按照網(wǎng)絡(luò)結(jié)構(gòu)可劃分為兩階段目標檢測方法和單階段目標檢測方法，兩階段的檢測方法首先生成候選區(qū)域，再對候選區(qū)域進行分類和邊框回歸操作，單階段的檢測方法直接對輸入進行類別預(yù)測和區(qū)域預(yù)測，兩階段的檢測方法更加靈活，讓模型不同部分專注于不同任務(wù)，回歸框定位和目標分類的能力比較突出，jianwu?lin等人提出了層次互補網(wǎng)絡(luò)(hcnet)來捕獲害蟲的特征表示，并進行互補融合以獲得層次互補信息，首先使用一種“從淺到深”的策略來捕獲害蟲圖像的層次表示，其次提出了一個空間特征識別(sfd)模塊，它通過增強當前階段的空間特征和抑制下一階段的空間特征來捕獲層次表示中的關(guān)鍵信息，最后設(shè)計了協(xié)調(diào)注意引導的特征互補(cafc)模塊，以融合從sfd模塊中提取的特征之間的互補信息，在ip102害蟲數(shù)據(jù)集上達到了75.36％的準確率。

3、上述方法在某一方面提高了模型的識別性能，但是在實驗中，我們發(fā)現(xiàn)模型的性能往往是受到多個方面的共同影響，受到數(shù)據(jù)采集環(huán)境的限制，數(shù)據(jù)分布往往是不均衡，圖像數(shù)據(jù)的數(shù)量不夠充分，較少的訓練樣本本會在一定程度上放大噪聲的影響，同時多場景下圖像缺乏導致了數(shù)據(jù)集中圖像特征分布不均衡；農(nóng)業(yè)害蟲樣本中的目標尺寸具有多樣性，且部分圖像相似度較高，會導致模型對目標特征提取不充分，泛化能力降低；上述存在的原因?qū)е履Ｐ吞崛√卣髯兊母永щy，這對模型的泛化能力和特征提取能力提出了更高的要求。

4、根據(jù)上述缺陷，提出一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，針對大田環(huán)境下，農(nóng)業(yè)害蟲目標檢測識別難的問題，對害蟲的多方面特征進行精確提取，提高農(nóng)業(yè)害蟲的目標檢測準確度。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，以解決上述背景技術(shù)中提出的問題。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

3、一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，所述檢測方法如下：將攝像頭采集的農(nóng)業(yè)害蟲圖片存入存儲設(shè)備內(nèi)，從存儲設(shè)備讀取圖片數(shù)據(jù)，將圖片數(shù)據(jù)輸入基于混合注意力機制改進的目標檢測網(wǎng)絡(luò)中，對害蟲進行特征提取，根據(jù)害蟲特征實現(xiàn)害蟲目標檢測功能，基于混合注意力機制改進的目標檢測網(wǎng)絡(luò)包括特征提取網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)、候選識別區(qū)域和輸出網(wǎng)絡(luò)，基于混合注意力機制改進的目標檢測網(wǎng)絡(luò)以fasterrcnn網(wǎng)絡(luò)為基礎(chǔ)模型，在其特征提取網(wǎng)絡(luò)的backbone中，將backbone中的原始的bottlenect模塊替換成gbottlenect模塊，gbottlenect模塊由gct和三個卷積層構(gòu)成，gct是提取計算通道相互關(guān)系的特征模塊，三個卷積層用來提取主要的特征。

4、優(yōu)選的，所述特征金字塔網(wǎng)絡(luò)由不同尺度的特征組成，該特征是由不同層上的gbottlenect模塊所提取的，這些不同尺度的特征被送入特征金字塔的各層，特征金字塔網(wǎng)絡(luò)由p2、p3、p4、p5和p6五層組成，每一層單獨提取對應(yīng)尺度的特征圖，特征金字塔通過對深層語義特征進行上采樣和對淺層語義特征進行下采樣的方法，將高層特征圖的語義信息與低層特征圖的空間信息進行融合，增加模型對多尺度目標的檢測精度。

5、優(yōu)選的，所述特征提取網(wǎng)絡(luò)中的最后一個gbottlenect模塊后面添加cbam特征提取模塊，通過通道和空間兩個維度來提取特征重點區(qū)域，輸入的特征首先經(jīng)過通道注意力模塊形成通道特征圖，其次通過空間注意力模塊形成空間特征圖，最終將通道和空間特征圖分別相乘得到輸出特征圖。

6、優(yōu)選的，將所述圖片數(shù)據(jù)首先輸入特征提取網(wǎng)絡(luò)進行初級特征提取，通過gct模塊對提取的初級特征做通道上的通道特征提取，接著特征圖被送入兩個分支，一個分支是通過特征金字塔網(wǎng)絡(luò)來提取和融合不同特征層上的通道特征，另一個分支是最底層的通道特征被送入cbam特征提取模塊中提取通道和空間上的重要特征，最后將重要特征送入候選識別區(qū)域，在通過輸出網(wǎng)絡(luò)輸出特征，在輸出網(wǎng)絡(luò)中將iou損失函數(shù)替換為eiou損失函數(shù)，實現(xiàn)對害蟲目標精準檢測。

7、優(yōu)選的，所述輸出網(wǎng)絡(luò)以現(xiàn)有輸出網(wǎng)絡(luò)模型為基礎(chǔ)，對其中的iou損失函數(shù)進行修改，替換為eiou函數(shù)，eiou以iou為基礎(chǔ)，添加長寬比預(yù)測框與真實框的長寬比懲罰項以及目標框中心點與預(yù)測框中心點間的距離懲罰項，提高模型對目標的定位能力，損失函數(shù)如公式(1)所示，liou表示重疊損失，ldis表示距離損失，lasp表示寬高損失：

8、

9、其中，b和bgt分別表示預(yù)測框與真實框中心點，w和wgt分別表示預(yù)測框和真實框的寬，h和hgt分別表示預(yù)測框和真實框的高，ρ表示中心點間的歐式距離，c2表示由真實框和預(yù)測框構(gòu)成的最小外接矩形的對角線距離，表示最小外接矩形的寬，表示最小外接矩形的高。

10、優(yōu)選的，所述gct由m1、m2和m3模塊三大部分組成，m1模塊部分global?contextembedding使用進行池化，如公式(2)所示，公式中分別是每個像素點的值，ε為極小的常數(shù)，αc是權(quán)重因子。

11、

12、優(yōu)選的，所述gct的m2模塊部分使用l2正則進行歸一化操作，如公式(3)所示，公式中是尺度因子，c是不同的通道。

13、

14、優(yōu)選的，所述gct的m3模塊部分通過使用門控權(quán)重與偏置來實現(xiàn)門控機制，如公式(4)所示：

15、

16、其中，γ為權(quán)重，β為偏置。

17、本發(fā)明的有益效果：

18、1、本發(fā)明通過在特征提取網(wǎng)絡(luò)中引入gct模塊，gct注意力機制優(yōu)化了不同通道對顯著性特征提取的作用，通過歸一化與門控機制，對不同通道間的特征關(guān)系進行建模，計算通道特征間的競爭與合作關(guān)系，提升了不同通道間的適應(yīng)性，從而提高目標特征檢測準確度。

19、2、本發(fā)明通過將特征提取網(wǎng)絡(luò)連接cbam特征提取模塊，在通道和空間兩個維度上進行注意力的計算，通道維度的注意力有助于提高不同通道對特征的表示，而空間維度的注意力機制有助于增強不同空間位置上特征的關(guān)鍵信息提取，對害蟲目標特征加強。

20、3、本發(fā)明通過修改了輸出網(wǎng)絡(luò)的iou損失函數(shù)，引入了eiou函數(shù)提高了模型對目標的定位能力。

技術(shù)特征：

1.一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，所述檢測方法如下：將攝像頭采集的農(nóng)業(yè)害蟲圖片存入存儲設(shè)備內(nèi)，從存儲設(shè)備讀取圖片數(shù)據(jù)，將圖片數(shù)據(jù)輸入基于混合注意力機制改進的目標檢測網(wǎng)絡(luò)中，對害蟲進行特征提取，根據(jù)害蟲特征實現(xiàn)害蟲目標檢測功能，基于混合注意力機制改進的目標檢測網(wǎng)絡(luò)包括特征提取網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)、候選識別區(qū)域和輸出網(wǎng)絡(luò)，基于混合注意力機制改進的目標檢測網(wǎng)絡(luò)以faster?rcnn網(wǎng)絡(luò)為基礎(chǔ)模型，在其特征提取網(wǎng)絡(luò)的backbone中，將backbone中的原始的bottlenect模塊替換成gbottlenect模塊，gbottlenect模塊由gct和三個卷積層構(gòu)成，gct是提取計算通道相互關(guān)系的特征模塊，三個卷積層用來提取主要的特征。

2.根據(jù)權(quán)利要求1所述的一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，所述特征金字塔網(wǎng)絡(luò)由不同尺度的特征組成，該特征是由不同層上的gbottlenect模塊所提取的，這些不同尺度的特征被送入特征金字塔的各層，特征金字塔網(wǎng)絡(luò)由p2、p3、p4、p5和p6五層組成，每一層單獨提取對應(yīng)尺度的特征圖，特征金字塔通過對深層語義特征進行上采樣和對淺層語義特征進行下采樣的方法，將高層特征圖的語義信息與低層特征圖的空間信息進行融合，增加模型對多尺度目標的檢測精度。

3.根據(jù)權(quán)利要求2所述的一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，所述特征提取網(wǎng)絡(luò)中的最后一個gbottlenect模塊后面添加cbam特征提取模塊，通過通道和空間兩個維度來提取特征重點區(qū)域，輸入的特征首先經(jīng)過通道注意力模塊形成通道特征圖，其次通過空間注意力模塊形成空間特征圖，最終將通道和空間特征圖分別相乘得到輸出特征圖。

4.根據(jù)權(quán)利要求3所述的一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，將所述圖片數(shù)據(jù)首先輸入特征提取網(wǎng)絡(luò)進行初級特征提取，通過gct模塊對提取的初級特征做通道上的通道特征提取，接著特征圖被送入兩個分支，一個分支是通過特征金字塔網(wǎng)絡(luò)來提取和融合不同特征層上的通道特征，另一個分支是最底層的通道特征被送入cbam特征提取模塊中提取通道和空間上的重要特征，最后將重要特征送入候選識別區(qū)域，在通過輸出網(wǎng)絡(luò)輸出特征，在輸出網(wǎng)絡(luò)中將iou損失函數(shù)替換為eiou損失函數(shù)，實現(xiàn)對害蟲目標精準檢測。

5.根據(jù)權(quán)利要求4所述的一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，所述輸出網(wǎng)絡(luò)以現(xiàn)有輸出網(wǎng)絡(luò)模型為基礎(chǔ)，對其中的iou損失函數(shù)進行修改，替換為eiou函數(shù)，eiou以iou為基礎(chǔ)，添加長寬比預(yù)測框與真實框的長寬比懲罰項以及目標框中心點與預(yù)測框中心點間的距離懲罰項，提高模型對目標的定位能力，損失函數(shù)如公式(1)所示，liou表示重疊損失，ldis表示距離損失，lasp表示寬高損失：

6.根據(jù)權(quán)利要求5所述的一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，所述gct由m1、m2和m3模塊三大部分組成，m1模塊部分global?contextembedding使用l2-normal進行池化，如公式(2)所示，公式中分別是每個像素點的值，ε為極小的常數(shù)，αc是權(quán)重因子。

7.根據(jù)權(quán)利要求6所述的一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，所述gct的m2模塊部分使用l2正則進行歸一化操作，如公式(3)所示，公式中是尺度因子，c是不同的通道。

8.根據(jù)權(quán)利要求7所述的一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，其特征在于，所述gct的m3模塊部分通過使用門控權(quán)重與偏置來實現(xiàn)門控機制，如公式(4)所示：

技術(shù)總結(jié)
本發(fā)明涉及農(nóng)業(yè)害蟲目標檢測技術(shù)領(lǐng)域，具體的是一種基于混合注意力機制改進的農(nóng)業(yè)害蟲目標檢測方法，所述檢測方法如下：將攝像頭采集的農(nóng)業(yè)害蟲圖片存入存儲設(shè)備內(nèi)，從存儲設(shè)備讀取圖片數(shù)據(jù)，將圖片數(shù)據(jù)輸入基于混合注意力機制改進的目標檢測網(wǎng)絡(luò)中，對害蟲進行特征提取，根據(jù)害蟲特征實現(xiàn)害蟲目標檢測功能，基于混合注意力機制改進的檢測網(wǎng)絡(luò)包括特征提取網(wǎng)絡(luò)、特征金字塔網(wǎng)絡(luò)、候選識別區(qū)域和輸出網(wǎng)絡(luò)；通過引入GCT模塊和EIOU函數(shù)，優(yōu)化不同通道對顯著性特征提取的作用，提高了模型對目標的定位能力，融合CBAM特征提取模塊，在通道和空間兩個維度上進行注意力的計算，提高害蟲目標檢測效果準確度。

技術(shù)研發(fā)人員：管博倫,董偉,張立平,孔娟娟,朱靜波,張萌
受保護的技術(shù)使用者：安徽省農(nóng)業(yè)科學院農(nóng)業(yè)經(jīng)濟與信息研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/8