一种基于RS-DCNet的花期检测方法技术

本发明专利技术公开了一种基于RS

【技术实现步骤摘要】
一种基于RS
‑
DCNet的花期检测方法


[0001]本专利技术涉及图像处理方法领域，具体是一种基于RS
‑
DCNet的花期检测方法。

技术介绍

[0002]玫瑰花对于农业和消费市场来说十分重要，因此玫瑰花的花期状态的识别十分重要。在消费市场上，普通人可以根据花期来对玫瑰花采取相应的培育措施。数据视觉算法可有效应用于特定农业领域，帮助农业劳动者科学生产，同时提高产品质量。得益于标记数据的发展，数据量越大，模型的性能越好，但这有两个缺点：标记数据集的过度依赖，并且这些标记的训练工具包往往需要大量的人力和物质资源；与此同时，新的类别数据在训练好的模型中检测精度很差。
[0003]虽然现在计算机视觉的检测识别模型发展速度很快，但其是建立在庞大的数据量的基础上达到的高精度，对于某些冷门的领域，相关的标注数据集往往很少，甚至没有。或者有相关的数据集，但数据集内容并不公开，其他科学工作者无法在其基础上添加数据，导致数据集样本数量少。对于玫瑰花的花期数据集，公共数据集数量稀少，从互联网或野外采集的样本数量非常少。在花期识别领域，目前还没有大量的花期数据集用于机器学习模型训练，使用传统的目标检测框架往往会导致模型准确度低、效率低、成本高的情况。

技术实现思路

[0004]本专利技术的目的是提供一种基于RS
‑
DCNet的花期检测方法，以解决现有技术利用机器学习进行玫瑰花的花期检测识别时，受制于样本数量小的因素，存在模型准确度低、效率低、成本高的问题。/>[0005]为了达到上述目的，本专利技术所采用的技术方案为：
[0006]一种基于RS
‑
DCNet的花期检测方法，包括以下步骤：
[0007]步骤1、以腾讯在2020年提出的FSOD数据集作为模型的基类数据集，并以采集得到的花期图像数据作为新类数据集；
[0008]步骤2、对基类数据集、新类数据集分别进行预处理和数据增强，并将基类数据集、新类数据集分别分为训练集、测试集、验证集；
[0009]步骤3、以DCNet模型为基础构建RS
‑
DCNet模型，其中：
[0010]所述DCNet模型包括特征提取器、密集关系蒸馏模块和上下文感知聚合模块，特征提取器的输出作为密集关系蒸馏模块的输入，密集关系蒸馏模块的输出作为上下文感知聚合模块的输入；在密集关系蒸馏模块、上下文感知聚合模块中加入残差连接模块，在上下文感知聚合模块中添加简化循环特征金字塔网络，由此得到RS
‑
DCNet模型；
[0011]其中，所述残差连接模块将将查询图经过特征查询模块产生的查询特征图经过多层感知机变换维度后与密集关系蒸馏模块输出进行矩阵连接；
[0012]所述简化循环特征金字塔网络设于上下文感知聚合模块的注意力机制之前，简化循环特征金字塔网络以上下文感知聚合模块输出的RoIAglin的特征图的输出作为输入，由
简化循环特征金字塔网络从密集关系蒸馏模块输出的RoIAglin的特征图循环多次融合不同分辨率的特征图后，再将多次得到的特征图融合后输出至上下文感知聚合模块的注意力机制；
[0013]步骤4、通过基类数据集中的训练集在元学习阶段对步骤3得到的RS
‑
DCNet模型进行多次训练，并根据基类数据集中的验证集进行验证得到的验证结果，来调节RS
‑
DCNet模型的配置参数，直至元学习阶段RS
‑
DCNet模型的配置参数为最优配置参数；
[0014]然后通过新类数据集中的训练集、与新类数据集的数据量相当的基类数据集部分数据，在元微调阶段对元学习结束后的RS
‑
DCNet模型进行多次训练，并根据新类数据集中的验证集进行验证得到的验证结果，进一步调节RS
‑
DCNet模型的配置参数，直至元微调阶段RS
‑
DCNet模型的配置参数为最优配置参数；
[0015]步骤5、以参数为最优配置参数的RS
‑
DCNet模型作为最终模型，将待识别的花期图像数据输入至最终模型，由最终模型输出花期识别结果。
[0016]进一步的，步骤2中进行预处理时滤除数据集中损坏和重复的图片，并删除异常数据。
[0017]进一步的，步骤2中数据增强时采用马赛克数据广增方法，并以设定的概率进行随机翻转，从若干种尺度中随机挑选一种以对训练集中数据进行缩放，并对图片随机剪裁出一部分作为新的图片。
[0018]进一步的，步骤4中元微调阶段的训练轮次少于元学习阶段的训练轮次。
[0019]进一步的，步骤4中元学习阶段训练或者元微调阶段训练时，利用验证集计算分类误差和回归误差，然后根据误差结果调节RS
‑
DCNet模型的配置参数，直至元学习阶段RS
‑
DCNet模型的配置参数为最优配置参数。
[0020]进一步的，步骤5中还以测试集为输入对RS
‑
DCNet模型进行测试，以对RS
‑
DCNet模型的健壮性进行测试排除偶然因素影响。
[0021]与现有的技术相比，本专利技术的优点为：
[0022]本专利技术构建一种在样本数量少的情况，依然能够对玫瑰花的花期有较高的检测精度的检测模型，帮助玫瑰花种植户能够精准识别花期，从而采取相应的养护措施，避免因为花期类别识别错误导致玫瑰花的损失。因此提出了一种基于RS
‑
DCNet的花期检测方法，即使在样本数量只有几张的情况下，依然能够保持较高的检测精度。
附图说明
[0023]图1是本专利技术方法流程框图。
[0024]图2是本专利技术方法提出的RS
‑
DCNet框架结构图。
[0025]图3是本专利技术方法提出的循环金字塔结构图。
具体实施方式
[0026]下面结合附图和实施例对本专利技术进一步说明。
[0027]本专利技术一种基于RS
‑
DCNet的花期检测方法的流程图如图1所示，包括以下步骤：
[0028](1)准备数据集：
[0029]以腾讯在2020年提出的FSOD数据集作为模型的基类数据集，同时从网上和实地采
集需要检测识别的玫瑰花的花期图像数据作为模型的新类数据集。
[0030]本专利技术中，使用腾讯在2020年的CVPR会议中公开了一个专门用于少样本训练的训练集FSOD(https://github.com/fanq15/Few
‑
Shot
‑
Object
‑
Detection
‑
Dataset)。本专利技术将该FSOD数据集作为模型训练的基类数据集，并充当元微调阶段的支持图像集。玫瑰花的花期分为花苞、开花未授粉和开花已授粉。
[0031](2)数据集处理：
[0032]对基类数据集、新类数据集分别进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RS
‑
DCNet的花期检测方法，其特征在于，包括以下步骤：步骤1、以腾讯在2020年提出的FSOD数据集作为模型的基类数据集，并以采集得到的花期图像数据作为新类数据集；步骤2、对基类数据集、新类数据集分别进行预处理和数据增强，并将基类数据集、新类数据集分别分为训练集、测试集、验证集；步骤3、以DCNet模型为基础构建RS
‑
DCNet模型，其中：所述DCNet模型包括特征提取器、密集关系蒸馏模块和上下文感知聚合模块，特征提取器的输出作为密集关系蒸馏模块的输入，密集关系蒸馏模块的输出作为上下文感知聚合模块的输入；在密集关系蒸馏模块、上下文感知聚合模块中加入残差连接模块，在上下文感知聚合模块中添加简化循环特征金字塔网络，由此得到RS
‑
DCNet模型；其中，所述残差连接模块将查询图经过特征查询模块产生的查询特征图经过多层感知机变换维度后与密集关系蒸馏模块输出进行矩阵连接；所述简化循环特征金字塔网络设于上下文感知聚合模块的注意力机制之前，简化循环特征金字塔网络以密集关系蒸馏模块中RoIAglin的特征图的输出作为输入，由简化循环特征金字塔网络从上下文感知聚合模块中的RoIAglin的特征图循环多次融合不同分辨率的特征图后，再将多次得到的特征图融合后输出至上下文感知聚合模块的注意力机制；步骤4、通过基类数据集中的训练集在元学习阶段对步骤3得到的RS
‑
DCNet模型进行多次训练，并根据基类数据集中的验证集进行验证得到的验证结果，来调节RS
‑
DCNet模型的配置参数，直至元学习阶段RS
‑
DCNet模型的配置参数为最优配置参数；然后通过新类数据集中的训练集、与新类数据集的数据量相当的基类数据集部分数据，在元微调阶段对元学习结束后的RS
‑...

【专利技术属性】
技术研发人员：吴琪，吴云志，曾涛，乐毅，张友华，余克健，胡楠，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：