一种基于高通量图计算的秸秆识别方法技术

本发明专利技术提出了一种基于高通量图计算的秸秆识别方法，首先建立秸秆识别训练图库管理系统，其次，采集并输入海量的秸秆训练图元素，再其次，秸秆识别训练图库经过高通量图计算技术可快速建立训练模型，然后，小程序用户通过拍摄实际秸秆场景图片并上传至应用平台，最后，应用平台经过高通量图计算技术可实现低延时高准确率的识别，本发明专利技术采用了YOLOv5算法结合高通量图计算技术，使其基于pytorch框架，具有均值权重文件更小、部署更容易、训练时间更短、推理速度更快计算精度更高的特点。推理速度更快计算精度更高的特点。推理速度更快计算精度更高的特点。

【技术实现步骤摘要】
一种基于高通量图计算的秸秆识别方法


[0001]本专利技术涉及农作物三维重建及表型特征提取
，具体为一种基于高通量图计算的秸秆识别方法。

技术介绍

[0002]随着”材料基因组计划”的提出,如何通过高通量材料集成计算,整合新材料设计过程中的数据、代码、计算工具等以实现共享，从而加快新材料的研发,更是引起了业界的重视。”材料基因组计划”更是一种方法论，是典型的科研信息化(e
‑
Science)应用与实践。核心就是两个字“集成”。它更强调计算与数据的集成，计算数据与实验数据的集成，高通量材料计算与多尺度模拟的集成。因此,我们提出了”高通量材料集成计算“(IntegratedHigh
‑
throughComputationalMaterial)的理念，提出了面向”高通量材料集成计算“的材料设计方法。
[0003]高通量材料集成计算可以借鉴组合化学和材料信息学的一些理念和思路。组合化学在新药的发现方面取得了极大地成功，它是一种并行、系统、反复地组合不同结构或组份的“构建单元(Buildingblock)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高通量图计算的秸秆识别方法，其特征在于：包括如下步骤：S1：建立秸秆识别训练图库管理系统，通过融合YouOnlyLookOnce系列算法中的YOLOv5算法，将单个卷积神经网络CNN应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框，然后，对于每个网格，网络都会预测一个边界框和与每个类别相对应的概率；S2：采集并输入海量的秸秆训练图元素，所述YOLOV5网络结构分为四部分：分别为输入端、Backbone、Neck以及输出端，所述输入端包括Mosaic数据增强、自适应锚框计算以及自适应图片缩放，Mosaic数据增强：所述输入端采用了Mosaic数据增强的方式，采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接；所述自适应锚框计算：在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框进行比对，计算两者差距，再反向更新，迭代网络参数，高通量图计算中将此嵌入到YOLOV5算法中，每次训练时，自适应的计算不同训练集中的最佳锚框值；所述自适应图片缩放：在目标检测算法中，不同的图片长宽都不相同，因此，将原始图片统一缩放到一个标准尺寸，再送入检测网络中；所述Backbone包括Focus结构、CSP结构以及SPP模块：所述Focus结构：对缩放、裁剪以及排布好的图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，在Yolov5s算法中，原始608
×
608
×
3的图像输入Focus结构，采用切片操作，先变成304
×
304
×
12的特征图，再经过一次32个卷积核的卷积操作，最终变成304
×
304
×
32的特征图；所述CSP结构：CSP模块先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并；所述S...

【专利技术属性】
技术研发人员：夏勇，周晓宇，陈传飞，薛巨峰，范东睿，王晓虹，杨卫兵，吴浩，
申请(专利权)人：中科南京信息高铁研究院，
类型：发明
国别省市：