一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法技术

本发明专利技术公开了一种基于卷积注意力机制的CBAM

【技术实现步骤摘要】
一种基于卷积注意力机制的CBAM
‑
HRNet模型小麦穗粒分割与计数方法


[0001]本专利技术属于分割与计数
，具体涉及一种基于卷积注意力机制的CBAM
‑
HRNet模型小麦穗粒分割与计数方法。

技术介绍

[0002]科学准确地预测小麦产量有助于保证粮食供给安全和社会稳定；传统的小麦估产是在小麦收获前通过人工调查单位面积穗数和每穗粒数并与常规千粒重积乘而得，估测的产量常常受到人为因素的影响，同时耗时耗力，效率低，制约了小麦产量估测的时效性和准确度；穗粒数是作物产量估测中的重要参数，已经成为了智能化估产的关键科学问题；
[0003]随着图像处理和机器学习技术的发展，为麦穗数和穗粒数的分割识别提供了一种重要的监测手段；图像处理技术虽然被广泛应用于识别麦穗数和穗粒数，但这些方法侧重于纹理特征、颜色特征和形态特征的提取，在效率和实际应用方面仍存在问题；
[0004]Fernandez
‑
Gallego等采用局部最大峰值法对大田RGB彩色图像计算麦穗数，计数的成功率高于90％。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积注意力机制的CBAM
‑
HRNet模型小麦穗粒分割与计数方法，其特征在于：包括以下步骤：步骤一、数据采集：分别选取多株不同品种的小麦，并获取多张各类原始麦穗图像，创建基于不同品种的麦穗信息表；步骤二、对上述步骤一中的麦穗图像进行预处理：包括数据归一化处理和数据增强，形成麦穗数据集；步骤三、使用深度学习分割网络对小麦穗粒进行图像分割，经过训练得到预测模型，并调用预测模型对测试集进行测试，输出预测结果：构建基于卷积注意力机制的CBAM
‑
HRNet、HRNet、PSPNet、DeeplabV3+分割模型以及U
‑
Net来分别进行小麦穗粒的分割并进行结果对比；所述CBAM
‑
HRNet通过并行多个分辨率的分支，加上不断进行不同分支之间的信息交互，同时达到强语义信息和精准位置信息的目的，避免大量有效信息在不断的上下采样过程中丢失；通过加入所述卷积注意力机制以实现表征分支的上采样过程；步骤四、通过上述步骤三输出的预测结果结合图像处理技术构建穗粒计数模型，实现小麦穗粒的精准预测和计数：上述对各品种选取的麦穗样本经深度学习分割模型预测之后，各个穗粒之间会有部分粘结，需要图像处理方法消除重叠和粘结的部分，包括以下步骤：S401、对上述步骤三的预测结果进行灰度处理，色彩空间转换由RGB转为GRAY；S402、对图像阈值二值化处理以去除重叠部分；二值化图像需要腐蚀变换来消除噪点，并计算图像中像素点到最近零像素点的距离，距离变换后得到轮廓的骨架；S403、对上述二值化处理后的图像使用归一化将有量纲的表达式经过变换转化为无量纲的表达式，成为标量，经归一化得到图像的灰度值在0
‑
1.0之间；S404、通过二值化和开运算将灰度图像处理成二值化图像；S405、根据上述二值化图像提供的边界点绘制形状来进行轮廓提取，提取到的轮廓即为小麦一侧的穗粒数。2.根据权利要求1所述的基于卷积注意力机制的CBAM
‑
HRNet模型小麦穗粒分割与计数方法，其特征在于：所述步骤一中进行麦穗图像采集时将图像采集设备平行于麦穗，通过调整垂直高度来改变物距，知道麦穗完全出现在移动设备镜头视野中，显示出清晰的穗部图像。3.根据权利要求1所述的基于卷积注意力机制的CBAM
‑
HRNet模型小麦穗粒分割与计数方法，其特征在于：所述步骤...

【专利技术属性】
技术研发人员：许鑫，耿庆，马新明，乔红波，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：