模型训练方法技术

本发明专利技术涉及图像处理领域，公开了一种模型训练方法

【技术实现步骤摘要】
模型训练方法、分蘖数预测方法、装置、设备及介质


[0001]本专利技术涉及图像处理领域，具体地，涉及一种模型训练方法
、
分蘖数预测方法
、
装置
、
设备及介质
。

技术介绍

[0002]随着对水稻等农作物的分蘖数与产量的关系研究发现，农作物的分蘖包括有效分蘖和无效分蘖
。
农作物的有效分蘖数越高，则农作物的产量越高
。
农作物的无效分蘖增多，不仅无法提高农作物的产量，还将导致农作物的养分浪费
。
此外，农作物的分蘖数过多，还将导致农作物区域内的农作物密度过大，导致病虫灾害及农作物倒伏
。
为了提高农作物的产量，需要实时确定农作物的分蘖数，并对农作物的分蘖数进行控制
。
然而，农作物区域通常种植了大量的农作物，若人工确定每株农作物的分蘖数，需要耗费大量的人力和物力
。
[0003]现有技术中通常利用多光谱设备及高光谱设备等光谱设备观测，技术人员将观测到的农作物光谱数据进行分析处理，得到农作物分蘖数
。
在确定农作物的分蘖数过程中，需要专门的技术人员按照光谱设备，并对观测到农作物光谱数据进行分析处理，导致确定农作物分蘖数的效率低下
。
此外，由于需要确定大量农作物区域内农作物分蘖数，导致技术人员需要同时分析处理大量的农作物光谱数据，进一步导致了确定农作物分蘖数的效率低下
。

技术实现思路

[0004]本专利技术实施例的目的是提供一种设备，该设备用于解决确定农作物分蘖数的效率低下问题
。
[0005]为了实现上述目的，第一方面，本申请提供一种模型训练方法，模型训练方法包括：
[0006]利用图像采集设备对农作物区域进行图像采集，得到农作物样本图像；
[0007]基于农作物区域中的农作物的实际分蘖数，对农作物样本图像进行标注，构建训练集；
[0008]根据
swin
‑
transfomer
网络结构，构建预设模型；
[0009]将训练集输入至预设模型，利用损失函数训练预设模型，得到分蘖数确定模型
。
[0010]结合第一方面，在第一种可能的实现方式中，根据
swin
‑
transfomer
网络结构，构建预设模型，包括：
[0011]将
swin
‑
transfomer
网络结构的中间模块的第一子模块与第三子模块连接，并将
swin
‑
transfomer
网络结构的中间模块的第二子模块与第四子模块连接；
[0012]将第一子模块
、
第二子模块
、
第三子模块及第四子模块的卷积层均更新为可分离卷积层；
[0013]将
swin
‑
transfomer
网络结构的输出模块的全连接层更新为预设数量的
1x1
全卷积层，得到预设模型
。
[0014]结合第一方面，在第二种可能的实现方式中，损失函数为：
[0015][0016]其中，
L
δ
(y
，
f(x))
为损失函数，
δ
为损失函数的超参数，
y
为农作物的实际分蘖数，
f(x)
为预设模型输出的农作物分蘖数
。
[0017]结合第一方面，在第三种可能的实现方式中，利用多个图像采集设备对农作物区域进行图像采集，得到农作物样本图像，包括：
[0018]利用多个图像采集设备间隔地对农作物区域进行图像采集，得到农作物样本图像，其中，每个图像采集设备垂直设置于农作物区域的预设高度位置，且每个图像采集设备与农作物区域的边界距离大于或等于预设距离
。
[0019]结合第一方面，在第四种可能的实现方式中，农作物样本图像包括正样本图像和负样本图像，正样本图像为处于种植阶段的农作物图像，负样本图像为处于非种植阶段的农作物图像，基于农作物区域中的农作物的实际分蘖数，对农作物样本图像进行标注，构建训练集，包括：
[0020]基于农作物区域中的农作物的实际分蘖数，构建分蘖数变化曲线；
[0021]根据分蘖数变化曲线，对每个正样本图像进行标注；
[0022]基于预设分蘖数，对每个负样本图像进行标注；
[0023]将标注后的负样本图像与标注后的正样本图像进行合并，构建训练集
。
[0024]结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，基于农作物区域中的农作物的实际分蘖数，构建分蘖数变化曲线，包括：
[0025]获取图像采集设备在农作物区域中的图像采集区域，并将农作物区域中除图像采集区域以外的区域确定为非图像采集区域；
[0026]基于预设时间间隔对非图像采集区域进行农作物的分蘖数采样，得到至少两组农作物的实际分蘖数；
[0027]将时间作为第一坐标，将农作物分蘖数作为第二坐标，并将每组农作物的实际分蘖数作为点，构建分蘖数变化曲线
。
[0028]结合第一方面，在第六种可能的实现方式中，模型训练方法还包括：
[0029]根据农作物区域的农作物种植密度，对农作物样本图像进行截取处理
。
[0030]第二方面，本申请提供一种分蘖数预测方法，分蘖数预测方法包括：
[0031]利用图像采集设备对目标农作物区域进行图像采集，得到目标农作物图像；
[0032]将目标农作物图像输入至分蘖数确定模型，得到目标农作物区域的农作物分蘖数，其中，分蘖数确定模型根据如第一方面的模型训练方法得到
。
[0033]第三方面，本申请提供一种模型训练装置，模型训练装置包括：
[0034]样本图像得到模块，用于利用图像采集设备对农作物区域进行图像采集，得到农作物样本图像；
[0035]训练集构建模块，用于基于农作物区域中的农作物的实际分蘖数，对农作物样本图像进行标注，构建训练集；
[0036]预设模型构建模块，用于根据
swin
‑
transfomer
网络结构，构建预设模型；
[0037]预设模型训练模块，用于将训练集输入至预设模型，利用损失函数训练预设模型，得到分蘖数确定模型
。
[0038]第四方面，本申请提供一种分蘖数预测装置，分蘖数预测装置包括：
[0039]目标图像得到模块，用于利用图像采集设备对目标农作物区域进行图像采集，得到目标农作物图像；
[0040]分蘖数得到模块，用于将目标农作物图像输入至分蘖数确定模型，得到目标农作物区域的农作物分蘖数，其中，分蘖数确定模型根据如第一方面的模型训练方法得到
。
[0041]第五方面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种模型训练方法，其特征在于，所述模型训练方法包括：利用图像采集设备对农作物区域进行图像采集，得到农作物样本图像；基于所述农作物区域中的农作物的实际分蘖数，对所述农作物样本图像进行标注，构建训练集；根据
swin
‑
transfomer
网络结构，构建预设模型；将所述训练集输入至所述预设模型，利用损失函数训练所述预设模型，得到分蘖数确定模型
。2.
根据权利要求1所述的模型训练方法，其特征在于，所述根据
swin
‑
transfomer
网络结构，构建预设模型，包括：将所述
swin
‑
transfomer
网络结构的中间模块的第一子模块与第三子模块连接，并将所述
swin
‑
transfomer
网络结构的中间模块的第二子模块与第四子模块连接；将所述第一子模块
、
所述第二子模块
、
所述第三子模块及所述第四子模块的卷积层均更新为可分离卷积层；将所述
swin
‑
transfomer
网络结构的输出模块的全连接层更新为预设数量的
1x1
全卷积层，得到预设模型
。3.
根据权利要求1所述的模型训练方法，其特征在于，所述损失函数为：其中，所述
L
δ
(y
，
f(x))
为所述损失函数，所述
δ
为所述损失函数的超参数，所述
y
为农作物的实际分蘖数，所述
f(x)
为所述预设模型输出的农作物分蘖数
。4.
根据权利要求1所述的模型训练方法，其特征在于，所述利用多个图像采集设备对农作物区域进行图像采集，得到农作物样本图像，包括：利用多个图像采集设备间隔地对农作物区域进行图像采集，得到农作物样本图像，其中，每个所述图像采集设备垂直设置于所述农作物区域的预设高度位置，且每个所述图像采集设备与农作物区域的边界距离大于或等于预设距离
。5.
根据权利要求1所述的模型训练方法，其特征在于，所述农作物样本图像包括正样本图像和负样本图像，所述正样本图像为处于种植阶段的农作物图像，所述负样本图像为处于非种植阶段的农作物图像，所述基于所述农作物区域中的农作物的实际分蘖数，对所述农作物样本图像进行标注，构建训练集，包括：基于所述农作物区域中的农作物的实际分蘖数，构建分蘖数变化曲线；根据所述分蘖数变化曲线，对每个所述正样本图像进行标注；基于预设分...

【专利技术属性】
技术研发人员：曾平平，孙亚洲，宋扬，籍延宝，郭柏成，马斌，李昊杰，
申请(专利权)人：中联智慧农业股份有限公司，
类型：发明
国别省市：