基于改进CenterNet的无人机森林病虫害图像目标检测方法

摘要

【目的】为提高无人机图像中受害木的检测精度，在CenterNet目标检测方法基础上进行了改进，提出一种改进的检测方法——ECenterNet。【方法】（1）针对无人机图像中受害木外接框多为长方形的特点，用二维椭圆高斯替换原CenterNet方法中的二维圆形高斯来生成受害木中心点周围的惩罚区域，使得生成的惩罚区域与实际受害木的外接框形状更加匹配。（2）在大规模无标签的无人机图像数据集上，采用自监督学习方法训练ResNet101网络以获得用于受害木目标检测网络的预训练模型，为受害木目标检测模型提供丰富的先验信息，从而提升受害木检测精度。（3）在CenterNet原有损失函数的基础上，借鉴自监督学习的思想，设计了对比学习损失函数。该函数可使模型提取的受害木特征在类内更聚集、类间更可分，从而提升了模型类别判定的精度。（4）在目标检测网络的类别层分支中，利用中心差分卷积替换传统卷积，使得模型的类别分支层不仅能提取到图像的语义信息，还能提取到当前像素与周围像素的差分信息，为模型的分类提供了更多的有用信息。【结果】实验结果表明，ECenterNet模型在几乎不增加推理耗时的情况下，mAP@[0.5,0.95]从原始CenterNet的0.498提升至0.543，精度提高了4.5个百分点。其中，自监督预训练与对比学习损失函数的引入贡献了2.4%的性能增益，充分验证了所提优化算法及自监督学习策略的有效性。【结论】本文所提出的4点改进在几乎不增加模型推理计算成本的前提下，有效提升了模型精度，验证了ECenterNet方法的有效性，为森林病虫害的精准监测提供了有力的技术支撑。

关键词

无锚框检测器 / CenterNet / 受害木检测 / 深度学习 / 无人机