(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 202210548613.3 (22)申请日 2022.05.20 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 任东　彭宜生　叶莎　陈邦清　 古剑　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 余山 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/46(2022.01) G06V 10/44(2022.01) (54)发明名称 一种基于样本不平衡的松材线虫病树智能 识别方法 (57)摘要 一种基于样本不平衡的松材线虫病树智能 识别方法， 包括以下步骤： 步骤1： 通过无人机获 取遥感影像， 对遥感影像进行预处理， 并对影像 中病树进行标注， 制作成数据集； 步骤2： 将数据 集输入无锚框跳跃聚合中心点网络中进行训练， 得到松材线虫病树识别模 型； 步骤3： 将需要识别 的带有经纬度坐标信息的无人机影像输入到识 别模型中， 得到病树识别结果； 步骤4： 将识别出 的病树坐标信息转换成经纬度坐标， 根据经纬度 坐标对松材线虫病树进行实地勘察治理。 权利要求书2页 说明书7页 附图2页 CN 115019200 A 2022.09.06 CN 115019200 A 1.一种基于样本不平衡的松材线虫病树智能识别方法， 包括以下步骤： 步骤1： 获取遥感影 像， 对影像进行预处理， 并对影 像中病树进行 标注， 制作成数据集； 步骤2： 将数据集输入到网络中进行训练， 得到松材线虫病树识别模型； 步骤3： 将需要识别的带有经纬度坐标信 息的无人机影像输入到识别模型中， 得到病树 识别结果； 步骤4： 将识别出的病树坐标信息转换成经纬度坐标， 根据 经纬度坐标对松材线虫病树 进行人工实地勘察治理。 2.根据权利要求书1所述的方法， 其特征在于， 在步骤2中， 将制作的数据集输入到无锚 框跳跃聚合中心点网络中进行训练， 得到松材线虫病树识别模型， 具体包括以下步骤： 2‑1： 将获取的影 像裁剪成若干指定像素的图片， 在图片上将病树用矩形框进行 标注； 2‑2： 根据标注的样本， 将样本中数量比较少的小尺度病树样本、 影像偏暗的病树样本、 颜色偏黄的病树样本使用混合增强方法进行数据扩充， 将扩充后的样本加入到数据集中， 按照一定比例划分成训练集、 验证集和 测试集； 2‑3： 构建无锚框 跳跃聚合中心点网络模型； 2‑4： 将制作的数据样本输入到无锚框跳跃 聚合中心点网络， 进行松材线虫病树特征提 取， 根据训练过程中的损失值及精度变化情况， 在损失值及精度不再波动的情况下提前终 止训练， 从而 避免模型的过拟合。 3.根据权利要求2所述的方法， 其特 征在于， 在步骤2‑3中， 构建无锚框 跳跃聚合中心点网络模型， 具体包括以下步骤： 2‑3‑1： 将原图resize成指定大小输入网络， 对输入图进行 下采样操作得到特 征图R1； 将特征图R1经过卷积核进行最大池化下采样 操作后再 经过残差模块得到特 征图R2； 将特征图R2再次进行最大池化下采样 操作和残差模块， 得到特 征图R3； 将特征图R3进行最大池化下采样 操作和残差模块， 得到特 征图R4； 将特征图R4进行最大池化下采样 操作和残差模块， 得到特 征图R5； 2‑3‑2： 将特征图R5通过可变形卷积上采样并与特征图R3进行特征跳跃聚合得到特征 图R35； 将特征图R4通过可变形卷积上采样并与特 征图R2进行 特征跳跃聚合得到R24； 将特征图R3通过 可变形卷积上采样并与特 征图R1进行特征跳跃聚合得到R 13； 将特征图R24通过可变形卷积上采样并与特 征图R13进行特征聚合得到特 征图R12； 将特征图R2和特征图R35通过可变形卷积上采样与特征图R12进行特征聚合得到特征 图R123； 将特征图R3通过 可变形卷积上采样与特 征图R123进行特征聚合得到R 1233； 将特征图R4通过可变形卷积上采样与特 征图R1233进行特征聚合得到R 1234； 将特征图R5通过 可变形卷积上采样与R 1234进行 特征聚合得到特 征图Rout。 4.根据权利要求3所述的方法， 其特 征在于， 特征图Rout预测模块包含3个分支， 具体包括中心点heatmap图分支、 中心点offset分 支和目标大小(w， h)分支； 中心点heatmap图分支包含C个通道， 每一个通道包含一个类别； 中心点offset分支用来弥补将池化后的低heatmap上的点映射到原图中所带来的像素误 差； 目标大小分支用来预测目标矩形框的w与h偏差值， w指预测框的长， h指预测框的宽 。权　利　要　求　书 1/2 页 2 CN 115019200 A 25.根据权利要求3或4所述的方法， 其特 征在于， 在进行网络训练时， 采用以下损失函数： Ldet＝γLk+θ Lsize+(1‑θ )Loff 整体损失函数包含3个部分,Lk表示heatmap中心点损失， Lsize表示目标中心点偏移损 失， Loff表示目标长宽损失函数， 其中γ、 θ分别表示中心点损失和中心点位置偏移的超参 数， 用来控制三部分损失的训练权 重； 其中目标heatmap中心点损失如下： 该函数是在 FocalLoss的基础 上进行了改进， 其中的α与β 是两个超参数， 用来均衡难易 样本； Yxyc表示GT值， 表示预测值， N表示关键点的个数； 中心点偏移损失如下： 其中N表示关键点 的个数， 表示网络预测的偏移量数值， p表示图像中心点坐标， R表 示heatmap的缩放因子(下采样倍数)， 表示缩放后中心点的近似整数坐标， 整个过程利用 L1 Loss计算正样本块的偏移损失； 目标长宽损失函数如下： 其中N表示关键点的个数， Sk表示目标的真实尺寸， 表示预测的尺寸， 整个过程利用 L1 Loss来计算正样本的长 宽损失。 6.根据权利要求书1所述的方法， 其特征在于， 在步骤4中， 将识别出的松材线虫病树坐 标信息转换成经纬度坐标， 根据病树经纬度坐标对松材线虫病树进行实地勘察治理， 具体 包括以下获取步骤： 4‑1： 将需要识别的无 人机影像使用metashape 软件进行拼接； 4‑2： 将拼接后的无人机图裁剪成指定像素大小， 经过metashape拼接后裁剪 的图将获 得经纬度坐标信息； 4‑3： 将拼接后裁剪图输入训练所得到的模型中进行检测， 将识别出的病树在该裁剪图 中的坐标信息， 换算成经纬度坐标， 将病树的经纬度坐标导入到导航软件， 根据病树的导航 信息进行 人工实地勘察以及清理。权　利　要　求　书 2/2 页 3 CN 115019200 A 3