本發(fā)明涉及計(jì)算機(jī)視覺，具體涉及一種基于多頻帶多尺度端到端蟲害檢測(cè)方法及電子設(shè)備。

背景技術(shù)：

1、在植物保護(hù)領(lǐng)域，蟲害檢測(cè)是一項(xiàng)至關(guān)重要的任務(wù)，它直接影響到農(nóng)作物的產(chǎn)量和質(zhì)量。隨著計(jì)算機(jī)視覺與深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于圖像處理的蟲害檢測(cè)方法逐漸成為研究熱點(diǎn)。其中，卷積神經(jīng)網(wǎng)絡(luò)(cnns)因其強(qiáng)大的特征提取能力，在蟲害目標(biāo)檢測(cè)中展現(xiàn)出巨大潛力。

2、當(dāng)前，主流的蟲害檢測(cè)方案通常遵循以下流程：首先，利用cnns對(duì)輸入的含有蟲害的圖像進(jìn)行特征提取，生成一系列包含潛在蟲害目標(biāo)的候選區(qū)域；隨后，通過分類器和邊框回歸器對(duì)這些候選區(qū)域的特征進(jìn)行分類和邊框調(diào)整，以區(qū)分蟲害類別并精確定位其位置；最后，采用非極大值抑制(nms)技術(shù)處理重疊的候選框，以優(yōu)化最終的檢測(cè)結(jié)果。

3、然而，盡管這種基于cnns的方法在蟲害檢測(cè)上取得了一定的進(jìn)展，但仍面臨若干挑戰(zhàn)。具體而言，現(xiàn)有的方案在特征提取階段往往依賴于通用的殘差網(wǎng)絡(luò)結(jié)構(gòu)，這些網(wǎng)絡(luò)雖然能有效提取圖像特征，但在處理蟲害圖像時(shí)，缺乏對(duì)背景噪音的有效抑制機(jī)制，同時(shí)也存在多尺度特征提取不充分的問題。這些問題共同影響了現(xiàn)有的蟲害目標(biāo)檢測(cè)模型，導(dǎo)致其抗噪音能力較弱，檢測(cè)精度不高，以及泛化能力受限。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提出一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，以解決現(xiàn)有技術(shù)中存在的的技術(shù)問題。

2、本發(fā)明采用的技術(shù)方案：

3、第一方面，提供了一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，包括：

4、將含有蟲害的圖像輸入殘差網(wǎng)絡(luò)resnet50中，提取圖像的多尺度特征；

5、將圖像的多尺度特征輸入到多頻帶多尺度降噪編碼器中，先對(duì)多尺度特征從高維向低維方向進(jìn)行特征融合和動(dòng)態(tài)多尺度特征增強(qiáng)，得到多維度融合特征；

6、將所述多維度融合特征進(jìn)行小波轉(zhuǎn)換，獲取低頻子帶和高頻子帶；

7、將所述高頻子帶輸入動(dòng)態(tài)跨尺度卷積注意力降噪dccd模塊，進(jìn)行動(dòng)態(tài)跨尺度卷積注意力降噪計(jì)算；

8、將經(jīng)過dccd模塊處理后的輸出與所述低頻子帶經(jīng)過特征融合及特征再增強(qiáng)處理，完成多頻帶多尺度降維采樣mmd模塊的處理；

9、將所述mmd模塊的輸出與高維特征進(jìn)行動(dòng)態(tài)多尺度特征融合和增強(qiáng)，將增強(qiáng)后的特征展平為序列并進(jìn)行拼接，輸入解碼預(yù)處理模塊；

10、將解碼預(yù)處理模塊的輸出經(jīng)解碼器解碼后作為預(yù)測(cè)頭的輸入，獲得目標(biāo)檢測(cè)結(jié)果。

11、進(jìn)一步地，所述對(duì)多尺度特征從高維向低維方向進(jìn)行特征融合和動(dòng)態(tài)多尺度特征增強(qiáng)，得到多維度融合特征，具體為：

12、在多頻帶多尺度降噪編碼器中，將resnet50最后階段stage?n輸出的高維特征輸入到單層transformer編碼器進(jìn)行處理，得到高維特征內(nèi)的多尺度特征增強(qiáng)，將經(jīng)過增強(qiáng)后的特征進(jìn)行尺度還原；

13、將尺度還原的特征經(jīng)過上采樣后與resnet50的第stage?n-1階段輸出的特征進(jìn)行拼接，輸入動(dòng)態(tài)多尺度特征融合增強(qiáng)dmfe模塊，進(jìn)行動(dòng)態(tài)多尺度特征融合增強(qiáng)；

14、將融合增強(qiáng)的特征經(jīng)過上采樣后與resnet50的第stage?n-2階段輸出的特征進(jìn)行拼接，輸入dmfe模塊，再次進(jìn)行動(dòng)態(tài)多尺度特征融合增強(qiáng)，得到多維度融合特征。

15、進(jìn)一步地，將所述高維特征輸入單層transformer編碼器進(jìn)行處理，包括：對(duì)特征進(jìn)行位置嵌入、多頭自注意力機(jī)制計(jì)算以及前饋神經(jīng)網(wǎng)絡(luò)處理。

16、進(jìn)一步地，所述dmfe模塊，根據(jù)輸入特征的高度或?qū)挾茸詣?dòng)選擇相應(yīng)的多尺度卷積核組合，并進(jìn)行分組卷積計(jì)算和降噪處理，對(duì)處理后的特征進(jìn)行多尺度再增強(qiáng)，實(shí)現(xiàn)對(duì)輸入特征的動(dòng)態(tài)多尺度特征融合增強(qiáng)。

17、進(jìn)一步地，所述獲取的低頻子帶為尺度減半的低頻子帶。

18、進(jìn)一步地，所述dccd模塊，根據(jù)輸入特征尺度大小動(dòng)態(tài)調(diào)整多尺度卷積核組合，利用跨通道線性變換生成權(quán)重，將所述權(quán)重與分組卷積的輸出相乘，充分提取輸入特征中的多尺度目標(biāo)特征，并結(jié)合平均值與最大值計(jì)算抑制噪音，將經(jīng)過多尺度變換后的輸出與經(jīng)過降噪處理后的輸出相加，實(shí)現(xiàn)動(dòng)態(tài)跨尺度特征的融合與降噪。

19、進(jìn)一步地，所述小波變換為haar小波變換。

20、進(jìn)一步地，所述目標(biāo)檢測(cè)結(jié)果包括：蟲害類別和位置信息。

21、第二方面，提供了一種電子設(shè)備，包括：

22、一個(gè)或多個(gè)處理器；

23、存儲(chǔ)裝置，用于存儲(chǔ)一個(gè)或多個(gè)程序；

24、當(dāng)一個(gè)或多個(gè)程序被一個(gè)或多個(gè)處理器執(zhí)行，使得一個(gè)或多個(gè)處理器實(shí)現(xiàn)第一方面提供的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法。

25、第三方面，提供了一種存儲(chǔ)有計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)第一方面提供的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法。

26、由上述技術(shù)方案可知，本發(fā)明的有益技術(shù)效果如下：

27、1.當(dāng)輸入圖像中存在較強(qiáng)的背景噪音干擾時(shí)，本發(fā)明能夠有效地識(shí)別出圖像中的蟲害類別及其具體所在位置，展現(xiàn)出優(yōu)異的抗噪音干擾能力和多尺度特征提取能力，從而顯著提升了模型在復(fù)雜環(huán)境下對(duì)多尺度蟲害目標(biāo)的檢測(cè)性能。

28、2.本發(fā)明在編碼器中，進(jìn)行雙向特征融合和動(dòng)態(tài)多尺度特征增強(qiáng)dmfe操作，目的是為了實(shí)現(xiàn)高維特征與低維特征的充分融合，從而增強(qiáng)模型的多尺度特征提取能力，并且利用小波變換對(duì)初步融合后的特征進(jìn)行頻帶分解，針對(duì)噪音含量較為集中的高頻子帶進(jìn)行了動(dòng)態(tài)跨尺度卷積注意力降噪dccd計(jì)算，旨在抑制噪音干擾的同時(shí)，進(jìn)一步提升模型的多尺度特征提取能力。

29、3.本發(fā)明在編碼器中，引入了動(dòng)態(tài)多尺度特征融合增強(qiáng)(dmfe)技術(shù)，旨在提升特征融合的質(zhì)量，為了實(shí)現(xiàn)特征的有效分解，采用了haar小波變換，隨后，針對(duì)分解結(jié)果中的高頻子帶，執(zhí)行了動(dòng)態(tài)跨尺度卷積注意力降噪(dccd)計(jì)算，旨在降低噪音含量并增強(qiáng)模型的多尺度特征提取能力。這一系列操作確保了編碼器輸出的多尺度特征具備較高質(zhì)量。

技術(shù)特征：

1.一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，所述對(duì)多尺度特征從高維向低維方向進(jìn)行特征融合和動(dòng)態(tài)多尺度特征增強(qiáng)，得到多維度融合特征，具體為：

3.根據(jù)權(quán)利要求2所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，將所述高維特征輸入單層transformer編碼器進(jìn)行處理，包括：對(duì)特征進(jìn)行位置嵌入、多頭自注意力機(jī)制計(jì)算以及前饋神經(jīng)網(wǎng)絡(luò)處理。

4.根據(jù)權(quán)利要求2所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，所述dmfe模塊，根據(jù)輸入特征的高度或?qū)挾茸詣?dòng)選擇相應(yīng)的多尺度卷積核組合，并進(jìn)行分組卷積計(jì)算和降噪處理，對(duì)處理后的特征進(jìn)行多尺度再增強(qiáng)，實(shí)現(xiàn)對(duì)輸入特征的動(dòng)態(tài)多尺度特征融合增強(qiáng)。

5.根據(jù)權(quán)利要求1所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，所述獲取的低頻子帶為尺度減半的低頻子帶。

6.根據(jù)權(quán)利要求1所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，所述dccd模塊，根據(jù)輸入特征尺度大小動(dòng)態(tài)調(diào)整多尺度卷積核組合，利用跨通道線性變換生成權(quán)重，將所述權(quán)重與分組卷積的輸出相乘，充分提取輸入特征中的多尺度目標(biāo)特征，并結(jié)合平均值與最大值計(jì)算抑制噪音，將經(jīng)過多尺度變換后的輸出與經(jīng)過降噪處理后的輸出相加，實(shí)現(xiàn)動(dòng)態(tài)跨尺度特征的融合與降噪。

7.根據(jù)權(quán)利要求1所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，所述小波變換為haar小波變換。

8.根據(jù)權(quán)利要求1所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法，其特征在于，所述目標(biāo)檢測(cè)結(jié)果包括：蟲害類別和位置信息。

9.一種電子設(shè)備，其特征在于，包括：

10.一種存儲(chǔ)有計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1-8任一項(xiàng)所述的一種基于多頻帶多尺度端到端蟲害檢測(cè)方法。

技術(shù)總結(jié)
本發(fā)明提供一種基于多頻帶多尺度端到端蟲害檢測(cè)方法及電子設(shè)備，屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域。該方法包括：在編碼器中，先對(duì)多尺度特征從高維向低維方向進(jìn)行特征融合和動(dòng)態(tài)多尺度特征增強(qiáng)DMFE操作，實(shí)現(xiàn)高維特征與低維特征的充分融合，從而增強(qiáng)模型的多尺度特征提取能力。同時(shí)，在編碼器中，利用小波變換對(duì)初步融合后的特征進(jìn)行頻帶分解，針對(duì)噪音含量較為集中的高頻子帶進(jìn)行了動(dòng)態(tài)跨尺度卷積注意力降噪DCCD計(jì)算，旨在抑制噪音干擾的同時(shí)，進(jìn)一步提升模型的多尺度特征提取能力。本發(fā)明有效提升了蟲害檢測(cè)模型的抗背景噪音干擾的能力和多尺度目標(biāo)檢測(cè)的能力，從而提高了模型的檢測(cè)精度和泛化能力。

技術(shù)研發(fā)人員：譚文斌,張莉,黃貽望
受保護(hù)的技術(shù)使用者：銅仁學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9