基于无人机的白蚁外露特征智能检测方法及蚁巢定位方法与流程

本发明涉及白蚁检测领域，尤其涉及一种基于无人机的白蚁外露特征智能检测方法及蚁巢定位方法。

背景技术：

1、白蚁通常是生活在不见光、不见风的环境下，人眼很难直接看到白蚁的活动情况，也难以看到白蚁的蚁巢大小和位置。

2、为了确定堤坝或林区内白蚁的活动情况，尤其是堤坝或林区中的白蚁位置，现在的白蚁检测方法通常采用人工踏查及标定方式。即，由人员前往堤坝或林区，检查堤坝或林区内土栖白蚁危害及活动情况，根据堤坝或林区内白蚁活动外露的白蚁外露特征情况(白蚁外露特征包括白蚁活动的地表象征及白蚁巢位指示物，地表象征包括蚁路和泥被等，白蚁巢位指示物包括诸如蚁巢伞、炭角菌、纷飞孔、通气孔、排泄物和蚁垅)在出现白蚁外露特征的位置做标定，再基于确定的白蚁外露特征位置来人工判定白蚁的蚁巢位置，最后在白蚁标定记录材料上记录白蚁外露特征的位置和蚁巢位置；待需要做复检时，再由人员前往林区，到达前期白蚁标定记录材料上所记录白蚁外露特征的位置和蚁巢位置处，以了解白蚁在这一段时间内的活动情况，比如白蚁危害是否受到了控制。

3、不过，现有的白蚁外露特征检测方法存在不足：由于这些白蚁外露特征附着在地面表面之上，导致这些白蚁外露特征很容易因动物活动、人类活动或者自然风等外部因素影响而消失，例如，蚁路、泥被、纷飞孔、通气孔、汲水线和真菌指示物很容易被生物活动或者风雨冲刷而毁灭消失，致使检查过程会错失一些已经外露的白蚁外露特征，甚至在检查过程中发现白蚁外露特征用物理方法做过的标记也会因动物活动、人类活动或者自然风等外部因素影响而消失，致使再次检查或核对时无法确定原来已标记过的白蚁外露特征位置，这给标定白蚁指示物位置、确定白蚁的蚁巢位置以及了解白蚁活动带来不利影响。

技术实现思路

1、本发明所要解决的第一个技术问题是针对上述现有技术提供一种基于无人机的白蚁外露特征智能检测方法。

2、本发明所要解决的第二个技术问题是针对上述现有技术提供一种白蚁的蚁巢定位方法。该蚁巢位置方法应用有上述的白蚁外露特征智能检测方法。

3、本发明解决第一个技术问题所采用的技术方案为：基于无人机的白蚁外露特征智能检测方法，其特征在于，包括如下步骤：

4、步骤s1，预先构建表征白蚁外露特征的白蚁外露特征图像特征参数集合；其中，该白蚁外露特征图像特征参数集合包括至少一个表征该白蚁外露特征的图像特征参数；

5、步骤s2，基于白蚁外露特征图像特征参数集合构建白蚁外露特征检测模型；

6、步骤s3，利用无人机获取待检测区域的样本图像；

7、步骤s4，对样本图像做出处理，得到待检测图像；

8、步骤s5，将待检测图像输入到白蚁外露特征检测模型，得到针对待检测图像的白蚁外露特征检测结果。

9、改进地，在所述基于无人机的白蚁外露特征智能检测方法中，所述白蚁外露特征图像特征参数集合的预先构建过程如下：

10、步骤a1，预先确定对无人机获取的所述样本图像进行白蚁外露特征检测时所需要检测的目标图像特征参数集合；

11、步骤a2，根据确定的目标图像特征参数集合，构建关于识别所述白蚁外露特征的白蚁外露特征图像特征参数集合。

12、再改进地，在所述基于无人机的白蚁外露特征智能检测方法中，所述白蚁外露特征检测模型的构建过程如下：

13、步骤b1，利用卷积神经网络得到针对待检测图像的白蚁外露特征图像特征图；其中，白蚁外露特征图像特征图标记为fmap_h,：

14、

15、其中，cnn(·)是所选用的卷积神经网络cnn的正向传播函数，ximg是待检测图像，h是待检测图像ximg的长度，w是待检测图像ximg的宽度，c1表示正向传播函数cnn(·)输出的特征图的通道数；

16、步骤b2，对白蚁外露特征图像特征图做降维操作，得到降维特征图；其中，经降维操作后的降维特征图标记为fmap：

17、fmap＝conv1×1(fmap_h)，fmap∈rc×h×w；

18、其中，fmap表示白蚁外露特征图像特征图fmap_h经降维操作后的降维特征图，conv1×1(·)表示卷积核尺寸为1且通道数为c的卷积操作，c表示降维特征图的通道数；

19、步骤b3，对所得降维特征图做特征降维操作，得到降维后的特征向量，且以该特征向量构建图像特征提取主干模型；其中，特征降维后的特征向量标记为f，图像特征提取主干模型标记为imgext(·)：

20、f＝σ(w1,(pad(fmap)))，f∈rc×d；

21、其中，σ(·)表示前馈神经网络的激活函数，w1表示前馈神经网络的可学习的参数矩阵，pad(fmap)表示将维度为h×w特征图展平为一维的向量，d是特征向量f的维度；

22、步骤b4，基于所得特征降维后的特征向量，构建目标检测特征提取模型；其中，目标检测特征提取模型标记为locext(·)：

23、fi+1＝transformeri(fi),fi∈rc×d,f1＝f，fi+1∈rc×d，i∈n+λi≤l；

24、其中，fi表示第i个目标检测特征，transformeri(·)表示第i层自注意力网络transformer的正向传播过程，fl表示最终目标检测特征；

25、步骤b5，基于所得最终目标检测特征，构建回归预测网络，以预测白蚁外露特征在待检测图像内的具体位置；

26、fbox＝max(0,flw2+b2)w3+b3，fbox∈rc×5；

27、其中，max(0,flw2+b2)表示在数值0与数值flw2+b2中取最大值，w2、w3、b2和b3是前馈神经网络中可学习的参数；

28、步骤b6，基于构建的回归预测网络，构建模型训练的主损失函数；其中，主损失函数标记为γmain：

29、

30、其中，arg(·)是指通过改变fbox以使得函数γ取得最小值，fj是白蚁外露特征目标框位置的模型预测值，是白蚁外露特征目标框位置的目标真实值，是目标真实值与模型预测值fj之间的匹配损失，n是需要预测的白蚁指示物种类的总数量；

31、步骤b7，构建辅助自监督任务的infonce损失函数；其中，infonce损失函数标记为γssl：

32、

33、f′k＝locext(imgext(x′k))，f″k＝locext(imgext(x″k))；

34、x′k＝aug(xk)，x″k＝aug(x′k)；

35、其中，aug(·)是图像随机增强函数，xk是待检测图像，f′k是待检测图像xk的一个增强视角图片表征值，f″k是待检测图像xk的另外一个增强视角图片表征值；τ是模型训练需要设置的温度系数超参数，b是训练的批次大小；

36、步骤b8，基于构建的主损失函数和infonce损失函数，处理得到模型训练的最终损失函数；其中，该模型训练的最终损失函数标记为γ：

37、γ＝ε1γmain+ε2γssl；ε1+ε2＝1；

38、其中，ε1是最终损失函数的第一个权重系数，ε2是最终损失函数的第二个权重系数；

39、步骤b9，利用反向传播算法对目标检测特征提取模型做训练，且将收敛后的目标检测特征提取模型作为针对所述白蚁外露特征检测的白蚁外露特征检测模型。

40、进一步改进，在所述基于无人机的白蚁外露特征智能检测方法中，所述无人机获取待检测区域的样本图像的过程包括如下步骤：

41、步骤s31，令无人机飞行至待检测区域的白蚁分布区域；

42、步骤s32，令无人机以预设飞行高度和预设飞行速度匀速地飞过白蚁分布区域；

43、步骤s33，对无人机所携带摄像头的拍摄角度做出调整，以分别采集该白蚁分布区域在不同光照和不同角度下的多张图像，且以采集到的该多张图像形成待检测图像集合。

44、进一步地，在所述基于无人机的白蚁外露特征智能检测方法中，在步骤s33中，对无人机所携带摄像头的拍摄角度做出调整的过程为：在水平方向转动所述摄像头的拍摄角度；以及，在垂直方向转动所述摄像头的拍摄角度；其中，水平方向的转动角度范围为0～360°，垂直方向的转动角度范围为0～180°。

45、再改进，在所述基于无人机的白蚁外露特征智能检测方法中，所述预设白蚁外露特征图像特征参数所对应的预设外露特征为白蚁巢位指示物。

46、再进一步地，在该发明中，所述基于无人机的白蚁外露特征智能检测方法还包括：基于得到的所述白蚁外露特征检测结果，对该白蚁外露特征做位置定位操作。

47、本发明解决第二个技术问题所采用的技术方案为：蚁巢定位方法，其特征在于，应用有任一项所述的基于无人机的白蚁外露特征智能检测方法；其中，白蚁外露特征为白蚁巢位指示物。

48、进一步改进，在该发明中，所述蚁巢定位方法包括：根据白蚁外露特征智能检测方法的检测结果做出判断处理：当检测到白蚁外露特征时，判定该白蚁外露特征所对应实际位置区域存在蚁巢；否则，判定该白蚁外露特征所对应实际位置区域不存在蚁巢；其中，白蚁外露特征为白蚁巢位指示物。

49、再改进，在该发明中，所述蚁巢定位方法还包括：基于针对白蚁的蚁巢定位结果，生成供人员查看的蚁巢定位检测报告；或者/和，基于白蚁外露特征智能检测方法的检测结果，生成供人员查看的白蚁外露特征检查报告；其中，白蚁外露特征检查报告包括各白蚁外露特征名称以及对应白蚁外露特征的分布位置信息。

50、与现有技术相比，本发明的优点在于：

51、首先，该发明的基于无人机的白蚁外露特征智能检测方法通过预先构建表征白蚁外露特征的白蚁外露特征图像特征参数集合，并基于白蚁外露特征图像特征参数集合构建白蚁外露特征检测模型，再将由无人机在待检测区域获取且经处理后得到的待检测图像输入到白蚁外露特征检测模型内，以基于该白蚁外露特征检测模型的检测结果判断待检测图像中是否含有白蚁外露特征，并进一步基于白蚁外露特征的检测结果确定待检测区域是否有白蚁活动，实现了针对待检测区域的白蚁外露特征的智能化检测，有利于提高待检测区域内白蚁外露特征所处位置的标定效率和准确度，并进一步提高针对白蚁的蚁巢的定位准确度；

52、其次，在构建白蚁外露特征检测模型时，该发明使用多层transfomer模块，将该多层transfomer模块作为图像表征的目标位置信息解码器，以实现端到端的应用，从而灵活地调整模型自身复杂度来适应现实数据分布，有效提高了白蚁外露特征检测模型的泛化性和鲁棒性。