本发明涉及农作物病虫害目标检测领域，特别涉及一种轻量化单阶段农作物病虫害目标检测方法。
背景技术：
1、农作物病虫害目标检测方法是一种进行农作物病虫害处理的方法，农作物产业是中国这一农业大国最重要的基础产业之一，是关乎到所有行业发展的源头产业。从整体上看，近年来，我国农业增加值占世界农业增加值的三成以上，是我国经济发展、民生发展最重要的一环，然而农作物的病虫害却一直威胁着农作物的总体产量及其品质，影响农作物产业的发展质量、发展速度，比如我国农作物常年发生的病虫草鼠害种类达1600余种，其中可造成严重危害的有100多种，每年一千四百多万吨粮食会因病虫害而损失。为了尽量降低因病虫害而带来的经济损失，实现及时干预、对症防治病虫害对农作物的侵害，需要对病虫害进行准确、快速的识别与定位，随着科技的不断发展，人们对于农作物病虫害目标检测方法的工艺要求也越来越高。
2、当前对农作物病虫害的检测一般有三个方向：人工实地调查法或夜间灯光诱捕法作辅助检测法、传统计算机视觉检测方法、基于深度学习等技术的检测方法。人工实地调查法或夜间灯光诱捕法作辅助检测法需要介入人工，工作量不仅很大而且效率十分低下，实时性以及客观性都较差，此外，由于许多农作物病虫害之间具有很大的相似性，人工识别工作仍需要依靠农作物病虫害相关的专家先验知识，故方法移植性差并且无法及时获取农作物受病虫害侵袭的信息。传统计算机视觉检测方法是根据农作物病虫害在图像中的轮廓、纹理等共性表现总结规律进而做出预测，方法本身的求解涉及到诸多未知参数(如对比度、亮度、天气情况等)，因此需要大量的时间用来统计规律挖掘图像本身的先验知识从而进行参数估计，最终代入到模型中达到检测目的，然而当有一些场景不满足上述先验知识时，该方法将导致检测失灵、偏差严重等问题。基于深度学习等技术的检测方法依托于神经网络强大的特征学习能力可以通过端到端的方式学习图像中病虫害目标的抽象特征而实现目标检测，基于深度学习的方法克服了传统方法的不足，网络可以通过训练数据自己学习到特征，具有较前两者更好的效果和普适性。
3、然而卷积神经网络的目标检测模型在多种农作物病虫害上的建模能力低于自注意力模型，但是自注意力模型的参数量较大且计算复杂度高。针对上述问题，借助自注意力模型的高建模能力并且降低自注意力模型所需的参数量对构建农作物病虫害目标检测模型具有重要的应用价值和现实意义，为此，我们提出一种轻量化单阶段农作物病虫害目标检测方法。
技术实现思路
1、解决的技术问题：针对现有技术的不足，本发明提供了一种轻量化单阶段农作物病虫害目标检测方法，有效平衡了检测性能以及模型参数量，在保持一定检测能力的情况下，降低了大量的参数量，在基于深度学习的农作物病虫害目标检测的低参数量领域具有重要的应用价值和现实意义，可以有效解决背景技术中的问题。
2、技术方案：为实现上述目的，本发明采取的技术方案为：一种轻量化单阶段农作物病虫害目标检测方法，包括以下操作步骤：
3、s101：获取基础农作物病虫害彩色图像数据；
4、s102：对图像进行预处理，包括统一图片数据尺寸大小、标注格式及数据增广；
5、s103：构建基于卷积神经网络与自注意力模型融合的单阶段农作物病虫害目标检测网络，包含预主干网络模块、主干模块、多阶段特征融合模块、检测头模块；
6、s104：采用预主干网络模块、主干模块进行特征提取，随后通过多阶段特征融合模块输出融合特征，最后通过检测头模块得到网络检测结果；
7、s105：在训练阶段，计算类别损失和边框损失；
8、s106：通过类别损失和边框损失，反向传播更新模型参数；
9、s107：利用训练好的模型进行农作物病虫害的检测。
10、作为本技术一种优选的技术方案，所述s101步骤具体内容为：通过收集来自kaggle、aistudio、中国科学院网站的农作物病虫害图像数据集以及爬取百度和谷歌等网站的农作物病虫害图像数据集来构建一个多种农作物病虫害的目标检测数据集dis_pestimgdata进行训练。
11、作为本技术一种优选的技术方案，所述s102步骤的统一图像数据尺寸大小、标注格式具体包括：为了防止训练过程中网络过拟合，提高网络的鲁棒性，将彩色图片数据全部缩放成512×512×3尺寸，对收集到的无标注或无效标注数据部分进行在线标注，获得所有图像的标注数据后，统一其为coco格式，同时为了防止输入图像像素值差异过大导致网络收敛困难，将像素值归一化到[-1,1]之间，数据增广除有随机、水平翻转和90°旋转，还有一种依标注框数量并结合mosaic和mixup的数据增广的方法。
12、作为本技术一种优选的技术方案，所述s103步骤所构建的农作物病虫害检测网络具体包括：该目标检测模型包含了预主干网络模块、主干模块、多阶段特征融合模块以及检测头模块四个模块，在预主干网络模块，包含三个普通卷积层，在主干模块，包含了四个阶段，每个阶段由两个或四个同样的特征提取模块组成，其中特征提取模块有两种，第一种是基于池化算子与分组卷积算子构成的注意力计算模块进而构成的特征提取模块；第二种是基于稀疏注意力计算算子构成的注意力计算模块进而构成的特征提取模块，在多阶段特征融合模块，包含了主干模块四个阶段输出的特征，对其自上而下进行融合，在检测头模块，以不同病虫害类别正负样本的不平衡程度独立贡献损失的方式设计类别损失函数。
13、作为本技术一种优选的技术方案，所述s104步骤具体包括：农作物病虫害图像经过预主干网络模块，得到初步提取的特征图像，满足自注意力模型的编码器输入要求；经过主干网络模块，进行特征提取，获得四层不同尺寸不同维度的特征；经多阶段特征融合模块，为四层不同尺寸不同维度特征进行融合并输出四层不同尺寸相同维度的特征；经过检测头模块，为四层特征分别预测出预定锚框的类别和最终位置。
14、作为本技术一种优选的技术方案，所述s105步骤的类别损失和边框损失具体包括：根据网络输出的预测类别与标注类别，通过focal+loss损失函数计算类别损失；根据网络输出的预测位置与标注框位置通过l1损失函数计算边框损失，focal+loss表示为：
15、
16、其中at是超参数，取0.23，用来调节正负样本的权重，γb是基本调节因子，取2.2，用于整体上的平衡易分类样本和难分类样本对损失的贡献，而是第j类别样本不平衡的调节参数，表示为：
17、
18、其中nummax_cls指种类最多的农作物病虫害的图片数量，f是指放缩因子，取2，调节不同类别之间的数量差异，numj是第j类农作物病虫害的图片数量。
19、而式1中的pt在二分类中，对标签y预测概率为p的情况时可表示为：
20、
21、l1损失函数为预测值f(xi)与真实值yi之差的绝对值，可以表示为：
22、
23、作为本技术一种优选的技术方案，所述s106步骤具体包括：结合分类损失和边框损失，本模型的总损失函数为：l＝l1+f+l.
24、在训练的迭代周期中，通过最小化该总损失函数，进行反向传播更新网络模型参数。
25、作为本技术一种优选的技术方案，所述s107步骤具体包括：将预训练好的网络模型用于农作物病虫害的目标检测，输入图像，输出图像中对应的农作物病虫害目标的类别及位置。
26、有益效果：与现有技术相比，本发明提供了一种轻量化单阶段农作物病虫害目标检测方法，具备以下有益效果：该一种轻量化单阶段农作物病虫害目标检测方法，以主干网络基于自注意力模型为基础，借助单阶段目标检测框架，根据两种改进的注意力计算模块构成自注意力模型的编码器作为新的主干网络来提取图像特征，随后，引入与主干网络相适配的多尺度特征融合模块来减少模型在农作物病虫害小目标上的漏检现象，最后改进损失函数，使模型能根据病虫害不同类别的样本不平衡程度去独立地贡献损失，缓解在农作物病虫害数据集上因不同类别之间正负样本极不平衡而导致模型对小数据量类别检测能力低的问题。该方法有效平衡了检测性能以及模型参数量，在保持一定检测能力的情况下，降低了大量的参数量，在基于深度学习的农作物病虫害目标检测的低参数量领域具有重要的应用价值和现实意义；该模型中利用一种低参数量的自注意力计算模块和一种低计算量的自注意力计算模块构建起两类特征提取模块，利用两个或四个相同的特征提取模块组合成一个特征提取单元，利用四个不同的特征提取单元构建成主干来提取特征。随后，为增强模型在农作物病虫害小目标上的检测能力，本发明利用多层级特征融合模块将四个不同的特征提取单元输出的特征做特征融合。最后，本发明引入改进的类别焦点损失函数，根据病虫害不同类别的正负样本不平衡程度去独立贡献其损失，提升对小样本类别病虫害种类的检测能力。本发明所提供的主干基于自注意力模型架构的轻量化单阶段农作物病虫害目标检测模型降低了12％左右的参数量，同时在构建的数据集上达到了相对优秀的检测性能，整个农作物病虫害目标检测方法使用的效果相对于传统方式更好。
1.一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：包括以下操作步骤：
2.根据权利要求1所述的一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：所述s101步骤具体内容为：通过收集来自kaggle、aistudio、中国科学院网站的农作物病虫害图像数据集以及爬取百度和谷歌等网站的农作物病虫害图像数据集来构建一个多种农作物病虫害的目标检测数据集dis_pestimgdata进行训练。
3.根据权利要求1所述的一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：所述s102步骤的统一图像数据尺寸大小、标注格式具体包括：为了防止训练过程中网络过拟合，提高网络的鲁棒性，将彩色图片数据全部缩放成512×512×3尺寸，对收集到的无标注或无效标注数据部分进行在线标注，获得所有图像的标注数据后，统一其为coco格式，同时为了防止输入图像像素值差异过大导致网络收敛困难，将像素值归一化到[-1,1]之间，数据增广除有随机、水平翻转和90°旋转，还有一种依标注框数量并结合mosaic和mixup的数据增广的方法。
4.根据权利要求1所述的一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：所述s103步骤所构建的农作物病虫害检测网络具体包括：该目标检测模型包含了预主干网络模块、主干模块、多阶段特征融合模块以及检测头模块四个模块，在预主干网络模块，包含三个普通卷积层，在主干模块，包含了四个阶段，每个阶段由两个或四个同样的特征提取模块组成，其中特征提取模块有两种，第一种是基于池化算子与分组卷积算子构成的注意力计算模块进而构成的特征提取模块；第二种是基于稀疏注意力计算算子构成的注意力计算模块进而构成的特征提取模块，在多阶段特征融合模块，包含了主干模块四个阶段输出的特征，对其自上而下进行融合，在检测头模块，以不同病虫害类别正负样本的不平衡程度独立贡献损失的方式设计类别损失函数。
5.根据权利要求1所述的一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：所述s104步骤具体包括：农作物病虫害图像经过预主干网络模块，得到初步提取的特征图像，满足自注意力模型的编码器输入要求；经过主干网络模块，进行特征提取，获得四层不同尺寸不同维度的特征；经多阶段特征融合模块，为四层不同尺寸不同维度特征进行融合并输出四层不同尺寸相同维度的特征；经过检测头模块，为四层特征分别预测出预定锚框的类别和最终位置。
6.根据权利要求1所述的一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：所述s105步骤的类别损失和边框损失具体包括：根据网络输出的预测类别与标注类别，通过focal+loss损失函数计算类别损失；根据网络输出的预测位置与标注框位置通过l1损失函数计算边框损失，focal+loss表示为：
7.根据权利要求1所述的一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：所述s106步骤具体包括：结合分类损失和边框损失，本模型的总损失函数为：l＝l1+f+l.
8.根据权利要求1所述的一种轻量化单阶段农作物病虫害目标检测方法，其特征在于：所述s107步骤具体包括：将预训练好的网络模型用于农作物病虫害的目标检测，输入图像，输出图像中对应的农作物病虫害目标的类别及位置。
