买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江西啄木蜂科技有限公司

摘要：本发明公开了一种多类型相机下样本不均衡的松林变色异木识别方法，包括选取K类相机拍摄得到K个子数据集，计算每个子数据集的占比，按占比从高到低标记为D1~DK，构成数据集D；在FasterR‑CNN网络中设计数据相关性损失、RPN网络中设计数据相似性损失来优化目标函数，训练网络得到目标识别模型。本发明以占比最大的D1中变色异木区域特征为中心，使其他占比小的子数据集的变色异木区域特征与其相似，从而在确保D1识别准确性的基础上，提高对D2~DK的识别能力，也就提升了对不同相机采集的松林影像中变色异木区域的识别能力，且无需增加检测模型增参数。

主权项：1.一种多类型相机下样本不均衡的松林变色异木识别方法，其特征在于：包括以下步骤；S1，构建数据集D，包括S11~S14；S11，选取K个不同类型的相机对松林进行拍摄，每个相机每次拍摄得到一松林影像，同一相机的松林影像构成一子数据集；S12，将变色异木作为目标，在松林影像中人工标记目标区域，统计每个子数据集中目标区域面积、所有目标区域面积总和S，并将标记了目标区域的松林影像作为训练样本；S13，计算每个子数据集的占比，对其中一子数据集，其占比=Sz÷S×100%，其中，Sz为该子数据集的目标区域面积；S14，将子数据集按占比从高到低排序，并依次标记为D1~DK，数据集D={D1,D2,…,Di,…,DK}，Di是第i个子数据集，i=1~K；S2，选取FasterR-CNN网络，包括特征提取网络、RPN网络、兴趣区域池化层、分类和回归网络；S3，预设迭代次数t、构建训练集X，用训练集训练FasterR-CNN网络至收敛，得到目标识别模型；其中第W次训练包括步骤S31~S38，W=1~t；S31，构建训练集X={X1,X2,…,Xi,…,XK}，其中，Xi为从Di中选取多张训练样本构成的集合，X1~XK中训练样本的占比为D1~DK的占比；S32，将训练集X输入FasterR-CNN网络，对训练集X的每个训练样本，由特征提取网络提取特征图，再扁平化处理为D维的向量标记为深度向量；S33，计算训练集X的数据相关性损失LCorr； ，式中，j=1~K，且i≠j，xm为Xi中的训练样本，xn为Xj中的训练样本，ym、yn分别为xm、xn对应的深度向量，D为深度向量的维度，T为转置操作；S34，对每张特征图，经RPN网络对目标区域生成候选框、并由兴趣区域池化层输出兴趣区域特征；S35，把兴趣区域特征扁平化处理为特征向量，将Xi对应的所有特征向量构成特征向量集合Qi，得到X1~XK对应的特征向量集合Q1~QK；计算Q2~QK与Q1的相似性，其中Qi与Q1的相似性H（Qi|Q1）通过下式得到； ， ，式中，e为自然常数，q为Qi中的特征向量，p为Q1中的特征向量，V•|•为两个特征向量条件协方差计算，K•,•为两个特征向量的协方差计算；S36，根据下式计算训练集X的数据相似性损失Lmutual； ，S37，将兴趣区域特征送入分类和回归网络，输出候选框及候选框内的目标类别，并计算分类损失Lcls和边框回归损失Lres；S38，设计目标函数L，并用目标函数L训练FasterR-CNN网络； ，其中，a1、a2、a3分别为Lcls+Lres、LCorr、Lmutual的权重；S4，用目标识别模型进行目标识别；用K类相机中任一相机对松林进行拍摄，得到待识别松林影像，送入目标识别模型，输出其中的变色异木区域。

全文数据：

权利要求：

百度查询： 江西啄木蜂科技有限公司 多类型相机下样本不均衡的松林变色异木识别方法