【技术实现步骤摘要】
本专利技术涉及图像识别，尤其涉及一种作物物候细粒度识别方法、装置、设备及介质。
技术介绍
1、为了提高作物产量，减少资源(能源、化肥、燃料等)浪费，并及时收获作物，监测作物生长是农业系统十分重要的内容。在监测过程中，准确识别作物物候期是指导喷药的重要参考指标，是决定作物养分数量和类型的重要因素，但获取作物物候的基本方法依赖于人类对植物的观察，而人工的方法存在工作量大、准确率低、无法实时监测等问题。为了更好的区分作物的生长阶段，1991年，lancashire等提出了bbch物候度量表，将植物生长和发育过程划分为80个主要阶段，涵盖了从种子萌发、发芽、叶片生长、开花和衰老的各个物候期[4]，且bbch量表可以定义不同作物生长阶段，为后来的学者提供了物候期信息指南。然而，bbch量表是通过植物叶片数量、形状等表型性状对作物物候进行分类，对于作物相近的物候期，其表型性状差异较小，增加了人工观察的难度，也为自动化的方法提出了挑战。
2、人工识别作物物候是通过视觉方式观察作物的外部形态及结构变化进行判断的，这使得能够用新技术来区分作物...
【技术保护点】
1.一种作物物候细粒度识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种作物物候细粒度识别方法，其特征在于，所述AResNet50模型采用ReLu激活函数和交叉熵损失函数应用于模型的全连接层和卷积层，其中ResNet50模型的全连接层调整为BN层+全连接层。
3.根据权利要求2所述的一种作物物候细粒度识别方法，其特征在于，所述AResNet50模型采用小批量随机梯度下降算法进行训练，以优化模型参数。
4.根据权利要求1所述的一种作物物候细粒度识别方法，其特征在于，所述双重注意力机制包括通道注意力机制和空间注意力机制。
5.根...
【技术特征摘要】
1.一种作物物候细粒度识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种作物物候细粒度识别方法，其特征在于，所述aresnet50模型采用relu激活函数和交叉熵损失函数应用于模型的全连接层和卷积层，其中resnet50模型的全连接层调整为bn层+全连接层。
3.根据权利要求2所述的一种作物物候细粒度识别方法，其特征在于，所述aresnet50模型采用小批量随机梯度下降算法进行训练，以优化模型参数。
4.根据权利要求1所述的一种作物物候细粒度识别方法，其特征在于，所述双重注意力机制包括通道注意力机制和空间注意力机制。
5.根据权利要求1所述的一种作物物候细粒度识别方法，其特征在于，所述将待识别图像输入至表型相似度模型结合高阶特征得到作物的表型相似度，具体包括如下步骤：
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。