基于DPS-Net深度学习的水稻植株计数、定位和大小估计方法技术

本发明专利技术公开了基于DPS

【技术实现步骤摘要】
基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法


[0001]本专利技术涉及计算机视觉深度学习
，具体为基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法。

技术介绍

[0002]水稻是世界三大粮食作物之一，全世界约有1.62亿公顷土地用于水稻种植，生产的水稻超过7.55亿吨；水稻株数计算是水稻生产中的一项基础性工作，它致力于准确计算稻田中的水稻数量，在水稻生产中有着广泛的应用。
[0003]目前，中国的水稻种植计数仍然严重依赖于人工田间采样和统计，人工计数法有许多缺点；最初，现场植株计数是耗时耗力且繁琐的，并且由于时间和成本的限制，只能在水田的小面积内进行植物计数，因此结果不具有代表性；此外，在繁琐的手动计数过程中，经常会发生人为的错误，并且人工田间观察方法往往会对水稻造成不可逆转的损害。
[0004]农业研究中提出了许多与计数相关的技术；2018年Hasan等在Plant Methods上发表的论文Detection and analysis of whea本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法，其特征在于，包括：将水稻田原始图像输入特征提取器，采用VGG16网络的前十三层，将所述原始图像提取成四个不同尺度的特征图；在密度估计模块，基于正负损失函数将注意力图融合初始密度图生成高质量密度图，将所述高质量密度图的所有像素值相加得到植株的数量；在植株位置检测模块，利用非极大值抑制算法结合所述高质量密度图生成植株位置的坐标；在植株大小估计模块，通过模块网络结构的输出融合所述植株位置坐标估计出植株的大小。2.如权利要求1所述的基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法，其特征在于：所述特征提取器包括提取图像不同尺度的特征；所述密度估计模块包括一个注意力机制、两个解析器和初始密度图生成头，所述注意力机制、两个解析器和初始密度图生成头用于结合多尺度信息生成高质量密度图；所述植株位置检测模块用于结合非极大值抑制算法生成植株位置坐标；所述植株大小估计模块包括一个轻量级网络，由二维卷积层、线性层和池化层组成，用于估计植株的大小。3.如权利要求2所述的基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法，其特征在于：所述特征图的生成包括将原始图像输入到特征提取器中，采用VGG16网络的前十三层，将所述原始图像提取成四个不同尺度的特征图，分别是所述原始图像的1倍、1/2倍、1/4倍、1/8倍。4.如权利要求1～3任一所述的基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法，其特征在于：所述高质量密度图的生成包括，所述密度估计模块中的注意力机制包括两个解析器和一个注意力图生成头，所述注意力机制结合特征提取器生成的不同尺度的特征图，进一步生成注意力图；所述密度估计模块中的两个解析器和初始密度图生成头融合提取的特征图，进一步生成初始密度图；将所述注意力图和所述初始密度图结合生成高质量密度图；所述高质量密度图的计算包括，FDM＝Conv(PAM
⊙
IDM)其中，FDM表示最终生成的高质量密度图，PAM表示注意力图，IDM表示初始密度图，Conv表示卷积运算，
⊙
表示最大池化操作。5.如权利要求4所述的基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法，其特征在于：所述注意力图的生成包括，在一张具有N株水稻的图像中，设定像素位置x
i
处有一株水稻，将函数δ(x
‑
x
i
)与高斯核G
σ
进行卷积，可以得到地面真实密度图D
gt
(x)；所述地面真实密度图D
gt
(x)的计算包括，
利用生成的地面真实密度图D
gt
(x)，可以得到真实的注意力图；所述真实的注意力图G
gt
(x
i
)的计算包括，6.如权利要求5所述的基于DPS
‑
Net深度学习的水稻植株计数、定位和大小估计方法，其特征在于：还包括，在密度估计模块，对网络预测的注意力图与所述注意力图对应的地面真实密度图G
gt
之间采用像素级二进制交叉熵损失L
bce
来训练植物注意机制；所述像素级二进制交叉熵损失L
bce
的计算包括，其中，表示位置x
i
处的地面真实密度图，表示位置x
i
处的注意力图；通过均方误差损失函数L
mse
对密度估计模块进行训练；所述均方误差损失函数L
mse
的计算包括，其中，表示位置x
i
处的最终密度图，表示位置x
...

【专利技术属性】
技术研发人员：刘丕超，赵来定，党佩娜，白晓东，顾苏松，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：