一种小麦幼苗期分蘖数的检测方法技术

本发明专利技术涉及一种小麦幼苗期分蘖数的检测方法，包括：获取小麦幼苗根茎部图像并进行预处理；构建小麦幼苗分蘖数检测识别模型；将卷积注意力模块加入小麦幼苗分蘖数检测识别模型中；将训练集输入改进的小麦幼苗分蘖数检测识别模型进行训练，得到训练后的小麦幼苗分蘖数检测识别模型；将待识别的小麦幼苗根茎部图像输入训练后的小麦幼苗分蘖数检测识别模型中，得到小麦幼苗分蘖数图像检测识别分类结果。本发明专利技术的训练结果较好，对小麦幼苗分蘖数检测识别模型性能的提高更加显著，对小麦幼苗的分蘖数检测精确度明显提高，可以有效解决小麦幼苗图像中存在的遮挡重叠问题，实现分蘖期小麦幼苗分蘖部位的准确检测和分蘖数的准确识别。识别。识别。

【技术实现步骤摘要】
一种小麦幼苗期分蘖数的检测方法


[0001]本专利技术涉及深度学习和植物表型识别
，尤其是一种小麦幼苗期分蘖数的检测方法。

技术介绍

[0002]小麦作为中国第二大粮食作物，每年都有很高的产量。目前，小麦产量预测方法有：人工田间判断预测、电容量预测、基于遥感图像预测等方法。其中，人工田间判断凭借经验，不仅准确率低且人力物力的消耗较大；电容量测产方法所需的成本较高且测量小麦密度不高效；遥感技术基于卫星拍摄的图片样本，由于拍摄距离远，只适合处理和分析面积大的田地，预测的准确度较低。
[0003]分蘖期作为小麦生长的一个重要阶段，对于分蘖期小麦幼苗分蘖个数的检测识别有助于准确监测小麦幼苗生长情况，对于种植者预测小麦生长趋势也有很大帮助。因此，在大规模种植场景下，开发一种高效、自动的小麦幼苗分蘖数检测识别方法可以有效代替人工。相比之下，对于计算复杂的背景和密集的对象分布，深度学习具有固有的优势，可以克服传统方法的一些缺点。目前，实现基于深度学习的农作物表型识别的方法主要有有语义分割和目标检测计数两种，然而，在图像初始阶段输入到卷积神经网络中之时，由于卷积神经网络中的卷积核不会太大，所以模型只能利用局部信息理解输入图像，语义分割除了语义信息还需要细节信息，所以对于物体边缘的分割效果不理想，正常情况下小幼苗的分布很密集，存在遮挡和重叠问题，语义分割方法难以从图像中提取麦穗高级语义特征。此外，现有的基于深度学习的目标检测计数方法也无法有效解决遮挡问题，难以实现在复杂背景下对分蘖期小麦幼苗分蘖部位的准确检测和分蘖个数的准确识别。

技术实现思路

[0004]为解决为实现分蘖期小麦幼苗分蘖部位准确检测和分蘖个数的准确识别，以及解决小麦幼苗图片中存在的遮挡重叠等因素对检测识别的干扰的问题，本专利技术的目的在于提供一种实现有效分蘖期小麦幼苗分蘖部位准确检测，对分蘖个数进行准确识别的小麦幼苗期分蘖数的检测方法。
[0005]为实现上述目的，本专利技术采用了以下技术方案：一种小麦幼苗期分蘖数的检测方法，该方法包括下列顺序的步骤：
[0006](1)获取小麦幼苗根茎部图像并进行预处理，得到小麦幼苗根茎部图像数据集，将小麦幼苗根茎部图像数据集按照8：1：1的比例分别划分为训练集、验证集和测试集；
[0007](2)构建小麦幼苗分蘖数检测识别模型；
[0008](3)将卷积注意力模块加入小麦幼苗分蘖数检测识别模型中，得到改进的小麦幼苗分蘖数检测识别模型；
[0009](4)将训练集输入改进的小麦幼苗分蘖数检测识别模型进行训练，得到训练后的小麦幼苗分蘖数检测识别模型；
[0010](5)获取待识别的小麦幼苗根茎部图像，将待识别的小麦幼苗根茎部图像输入训练后的小麦幼苗分蘖数检测识别模型中，得到小麦幼苗分蘖数图像检测识别分类结果。
[0011]所述步骤(1)具体是指：在自然场景下拍摄小麦幼苗根茎部图片，将图片标注、数据扩充、和数据增强，所述数据扩充是指将标注完的数据利用平移、翻转、旋转的图像变换方法对数据进行扩充；所述数据增强是指用掩膜处理对数据进行增强。
[0012]所述步骤(2)具体是指：所述小麦幼苗分蘖数检测识别模型采用YOLOv5网络模型，YOLOv5网络模型由骨干网络、颈部和头部组成，所述骨干网络由Focus模块、Conv模块、Bottleneck模块、C3模块和SSP模块组成：
[0013]Focus模块，用于对图片进行切片，先将图片变为320
×
320
×
12的特征图，再经过3
×
3的卷积操作，输出通道32，最终变为320
×
320
×
32的特征图；
[0014]Conv模块，对输入的特征图执行卷积、BN、激活函数操作，使用Silu作为激活函数；
[0015]Bottleneck模块，先将通道数减小再扩大，即先进行1
×
1卷积将通道减小一半，再通过3
×
3卷积将通道数加倍，并获取特征，其输入与输出的通道数不变；
[0016]C3模块，作为对残差特征进行学习的主要模块，其结构分为两支，一支由一个Bottleneck模块和3个标准卷积层组成，另一支由一个标准卷积模块组成，最后将两支进行连接操作；
[0017]SPP模块，先通过一个标准卷积模块将输入通道减半，然后分别做3次最大池化操作，三次最大池化操作的卷积核大小分别为5、9、13，对三次最大池化的结果与未进行池化操作的数据进行连接，最终合并后通道数是原来的2倍。
[0018]在步骤(3)中，所述卷积注意力模块包含2个独立的子模块，即通道注意力子模块和空间注意力子模块，将卷积注意力模块加入到小麦幼苗分蘖数检测识别模型的骨干网络的输入端，对输入的图像分别进行通道与空间上的特征提取。
[0019]由上述技术方案可知，本专利技术的有益效果为：第一，本专利技术的训练结果较好，在以YOLOv5网络模型为基础上，针对卷积注意力模块做一个消融实验，并且分别记录每次训练100轮后最终的训练精度P，召回率R和平均精度MAP的值，通过结果比较一下可以发现卷积注意力模块对小麦幼苗分蘖数检测识别模型性能的提高更加显著；第二，为了进一步验证训练出的模型的检测效果，针对同一张小麦图片利用不同的改进模型进行检测，通过比较幼苗分蘖数的检测准确性和返回检测框的置信度可以发现，改进的小麦幼苗分蘖数检测识别模型对小麦幼苗的分蘖数检测精确度明显提高；第三，根据实验训练精度和检测结果，本专利技术可以有效解决小麦幼苗图像中存在的遮挡重叠问题，实现分蘖期小麦幼苗分蘖部位的准确检测和分蘖数的准确识别。
附图说明
[0020]图1为本专利技术的方法流程图；
[0021]图2为用YOLOv5网络模型经训练集训练后的模型测试图；
[0022]图3为用改进的小麦幼苗分蘖数检测识别模型经训练集训练后的模型测试图；
[0023]图4为验证集检测情况的示意图；
[0024]图5为改进的小麦幼苗分蘖数检测识别模型对一分蘖数检测识别情况；
[0025]图6为改进的小麦幼苗分蘖数检测识别模型对二分蘖数检测识别情况；
[0026]图7为改进的小麦幼苗分蘖数检测识别模型对三分蘖数检测识别情况。
具体实施方式
[0027]如图1所示，一种小麦幼苗期分蘖数的检测方法，该方法包括下列顺序的步骤：
[0028](1)获取小麦幼苗根茎部图像并进行预处理，得到小麦幼苗根茎部图像数据集，将小麦幼苗根茎部图像数据集按照8：1：1的比例分别划分为训练集、验证集和测试集；
[0029](2)构建小麦幼苗分蘖数检测识别模型；
[0030](3)将卷积注意力模块加入小麦幼苗分蘖数检测识别模型中，得到改进的小麦幼苗分蘖数检测识别模型；
[0031](4)将训练集输入改进的小麦幼苗分蘖数检测识别模型进行训练，得到训练后的小麦幼苗分蘖数检测识别模型；
[0032](5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小麦幼苗期分蘖数的检测方法，其特征在于：该方法包括下列顺序的步骤：(1)获取小麦幼苗根茎部图像并进行预处理，得到小麦幼苗根茎部图像数据集，将小麦幼苗根茎部图像数据集按照8：1：1的比例分别划分为训练集、验证集和测试集；(2)构建小麦幼苗分蘖数检测识别模型；(3)将卷积注意力模块加入小麦幼苗分蘖数检测识别模型中，得到改进的小麦幼苗分蘖数检测识别模型；(4)将训练集输入改进的小麦幼苗分蘖数检测识别模型进行训练，得到训练后的小麦幼苗分蘖数检测识别模型；(5)获取待识别的小麦幼苗根茎部图像，将待识别的小麦幼苗根茎部图像输入训练后的小麦幼苗分蘖数检测识别模型中，得到小麦幼苗分蘖数图像检测识别分类结果。2.根据权利要求1所述的小麦幼苗期分蘖数的检测方法，其特征在于：所述步骤(1)具体是指：在自然场景下拍摄小麦幼苗根茎部图片，将图片标注、数据扩充、和数据增强，所述数据扩充是指将标注完的数据利用平移、翻转、旋转的图像变换方法对数据进行扩充；所述数据增强是指用掩膜处理对数据进行增强。3.根据权利要求1所述的小麦幼苗期分蘖数的检测方法，其特征在于：所述步骤(2)具体是指：所述小麦幼苗分蘖数检测识别模型采用YOLOv5网络模型，YOLOv5网络模型由骨干网络、颈部和头部组成，所述骨干网络由Focus模块、Conv模块、Bottleneck模块、C3模块和SSP模块组成：Focus模块，用于对图片进行切片，...

【专利技术属性】
技术研发人员：陈鹏，张波，夏懿，章军，张明年，庞春辉，王兵，张东彦，黄林生，梁栋，
申请(专利权)人：安徽大学，
类型：发明
国别省市：