一种基于分裂注意力残差网络的小麦植株识别方法技术

本发明专利技术提供了一种基于分裂注意力残差网络的小麦植株识别方法，包括以下步骤：训练基于卷积神经网络的神经网络模型S

【技术实现步骤摘要】
一种基于分裂注意力残差网络的小麦植株识别方法


[0001]本专利技术涉及智慧农业
，特别涉及一种基于分裂注意力残差网络的小麦植株识别方法。

技术介绍

[0002]小麦作为我国的主要粮食作物，其产量对国家粮食安全有着重要的影响。小麦产量很大因素取决于小麦品种，假冒种子在市场上屡见不鲜。如何高效快捷保证种植者权益成为亟待解决的问题。
[0003]随着农业生产机械化和信息化水平的不断提高，根据品种植株特征之间的差距，基于无人机拍摄小麦田图像结合计算机视觉技术，使得解决小米植株品种的识别问题成为可能。由于各小麦品种植株之间差异不大而无人机拍摄面积过大，更加缩小植株间的差距，对较小视觉特征进行识别的困难较大，因此在大田环境下对小麦植株品种识别的报道较少；为此，提出一种基于分裂注意力残差网络的小麦植株识别方法。

技术实现思路

[0004]有鉴于此，本专利技术实施例希望提供一种基于分裂注意力残差网络的小麦植株识别方法，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
[0005]本专利技术实施例的技术方案是这样实现的：一种基于分裂注意力残差网络的小麦植株识别方法，包括以下步骤：训练基于卷积神经网络的神经网络模型S
‑
Res2Net；通过无人机拍摄获取小麦植株图片；将获取到的小麦植株图片输入神经网络模型S
‑
Res2Net中，神经网络模型S
‑
Res2Net对小麦植株图片按品种进行分类；对分类后的小麦植株图片截取中下方区域部分并保存；所述神经网络模型S
‑
Res2Net训练时，包括以下步骤：收集无人机拍摄的小麦田植株图片，针对图片特性，对图片中下方裁剪图片最清晰、特征最明显的区域带入改进的分裂注意力残差网络进行训练。
[0006]进一步优选的：所述神经网络模型S
‑
Res2Net网络流程由一个Stem、三个S
‑
ResNet
‑
A模块、一个S
‑
Res2Net模块、五个S
‑
ResNet
‑
B模块、一个S
‑
Res2Net模块、三个S
‑
ResNet
‑
C模块和Maxpooling层构成。
[0007]进一步优选的：所述Stem分为四部分，其中：第一部分由3x3和5x5卷积层串联组成；第二部分为两路操作，一路为3x3的平均池化操作，一路为3x3卷积操作，将两路结果结合；第三部分将网络分为四路，一路为未处理直接输出，一路为经过3x3和1x1串联卷
积层输出，一路为经过1x1、5x1、1x5和5x5串联的卷积层输出，一路为R2N
‑
mod模块，然后将四路输出结合；最后一部分与第二部分的两路操作相同。
[0008]进一步优选的：所述S
‑
ResNet
‑
A模块分为4个分支，其中：（1）、未经处理直接输出；（2）、经过一次1x1的卷积处理；（3）、经过一次1x1的卷积处理和一次3x3卷积处理；（4）、经过一次1x1的卷积处理和两次3x3的卷积处理；S
‑
ResNet
‑
A模块输出时：先将2、3、4部分输出进行结合然后经过一个Split
‑
Attention模块处理，最后与1分支输出进行结合然后经过Split
‑
Attention模块输出；S
‑
ResNet
‑
B模块分为4个分支，其中：（1）、未经处理直接输出；（2）、经过一次1x1的卷积处理；（3）、经过一次1x1的卷积处理和一次3x3卷积处理；（4）经过一次1x5和5x1的卷积处理；S
‑
ResNet
‑
B模块输出时：先将2、3部分输出进行结合然后经过一个1x1卷积处理，最后与1、4分支输出进行结合然后经过Split
‑
Attention模块输出输出；S
‑
ResNet
‑
C模块分为3个分支，其中：（1）、未经处理直接输出；（2）、经过一次1x1的卷积处理；（3）、经过一次1x1的卷积处理和一次3x3卷积处理；S
‑
ResNet
‑
C模块输出时：先将2、3部分输出进行结合然后经过一个1x1卷积处理，最后与1分支输出进行结合然后经过Split
‑
Attention模块输出。
[0009]进一步优选的：所述S
‑
Res2Net模块：在第一个1x1卷积后，将输入划分到s个子集，定义为，每一个特征都有相同的尺度大小，通道是输入特征的，除了其他的子特征都有相应的CBAM卷积核，定义为，其输出为，子特征都和相加，然后输入到，增加s时减小参数，省略的3x3卷积，输出公式为：输出后将得到的s个结果输入到Split
‑
Attention模块。
[0010]进一步优选的：所述Split
‑
Attention模块，首先将多个输入按通道合并，然后经过Global pooling ，然后经过全连接层、标准化层和Relu激活层，继续将合并好的数据按合并前拆分，经过softmax层然后与输入合并，合并后将每个输入对应的输入再相加。
[0011]进一步优选的：识别所述小麦植株图片时，还包括使用分类网络的损失函数，交叉熵损失函数：
其中m表示样本数，n表示样本所属的不同方向类别个数，表示样本i所属类别j，表示预测的样本i属于类别j的概率；还包括使用优化函数：其中其中,是偏差修正，并有V和S初始值均为0，为0.001，为0.9，为0.999，为，为调节数，t为步数，为学习率，S为梯度平方的移动平均数，和为指数衰减率，为避免分母为零的小数，V为梯度分量，L为损失。
[0012]一种基于分裂注意力残差网络的小麦植株识别系统，包括：获取模块，所述获取模块用于获取通过无人机拍摄得到的小麦植株图片；识别模块，所述识别模块用于通过神经网络模型S
‑
Res2Net识别小麦植株图片信息；损失补偿模块，所述损失补偿模块用于通过损失函数进行数值补偿，提高模型对小麦植株图片的识别精度；分类模块，所述分类模块用于对小麦植株图片按品种进行分类；存储模块，所述存储模块用于对分类后的小麦植株图片截取中下方区域部分并保存。
[0013]一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述所述的基于分裂注意力残差网络的小麦植株识别方法的步骤。
[0014]一种存储介质，存储有能够实现如上述任一项所述的基于分裂注意力残差网络的
小麦植株识别方法的程序指令。
[0015]本专利技术实施例由于采用以上技术方案，其具有以下优点：本专利技术结合ResNeSt和Res本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分裂注意力残差网络的小麦植株识别方法，其特征在于，包括以下步骤：训练基于卷积神经网络的神经网络模型S
‑
Res2Net；通过无人机拍摄获取小麦植株图片；将获取到的小麦植株图片输入神经网络模型S
‑
Res2Net中，神经网络模型S
‑
Res2Net对小麦植株图片按品种进行分类；对分类后的小麦植株图片截取中下方区域部分并保存；所述神经网络模型S
‑
Res2Net训练时，包括以下步骤：收集无人机拍摄的小麦田植株图片，针对图片特性，对图片中下方裁剪图片最清晰、特征最明显的区域带入改进的分裂注意力残差网络进行训练。2.根据权利要求1所述的一种基于分裂注意力残差网络的小麦植株识别方法，其特征在于：所述神经网络模型S
‑
Res2Net网络流程由一个Stem、三个S
‑
ResNet
‑
A模块、一个S
‑
Res2Net模块、五个S
‑
ResNet
‑
B模块、一个S
‑
Res2Net模块、三个S
‑
ResNet
‑
C模块和Maxpooling层构成。3.根据权利要求2所述的一种基于分裂注意力残差网络的小麦植株识别方法，其特征在于：所述Stem分为四部分，其中：第一部分由3x3和5x5卷积层串联组成；第二部分为两路操作，一路为3x3的平均池化操作，一路为3x3卷积操作，将两路结果结合；第三部分将网络分为四路，一路为未处理直接输出，一路为经过3x3和1x1串联卷积层输出，一路为经过1x1、5x1、1x5和5x5串联的卷积层输出，一路为R2N
‑
mod模块，然后将四路输出结合；最后一部分与第二部分的两路操作相同。4.根据权利要求2所述的一种基于分裂注意力残差网络的小麦植株识别方法，其特征在于：所述S
‑
ResNet
‑
A模块分为4个分支，其中：第1分支、未经处理直接输出；第2分支、经过一次1x1的卷积处理；第3分支、经过一次1x1的卷积处理和一次3x3卷积处理；第4分支、经过一次1x1的卷积处理和两次3x3的卷积处理；S
‑
ResNet
‑
A模块输出时：先将第2、3、4分支输出进行结合然后经过一个Split
‑
Attention模块处理，最后与第1分支输出进行结合然后经过Split
‑
Attention模块输出；S
‑
ResNet
‑
B模块分为4个分支，其中：第1分支、未经处理直接输出；第2分支、经过一次1x1的卷积处理；第3分支、经过一次1x1的卷积处理和一次3x3卷积处理；第4分支经过一次1x5和5x1的卷积处理；S
‑
ResNet
‑
B模块输出时：先将第2、3分支输出进行结合然后经过一个1x1卷积处理，最后与第1、4分支输出进行结合然后经过Split
‑

【专利技术属性】
技术研发人员：牛太阳，马朝硕，刘文龙，
申请(专利权)人：中化现代农业有限公司，
类型：发明
国别省市：