System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种面向复杂环境的果树花芽目标检测与白点率估算方法技术_技高网

一种面向复杂环境的果树花芽目标检测与白点率估算方法技术

技术编号:40089561 阅读:7 留言:0更新日期:2024-01-23 15:59
本发明专利技术提出一种面向复杂环境的果树花芽目标检测与白点率估算方法,涉及图像处理的技术领域,将无人机遥感技术与人工智能算法相结合,利用果树花芽期的无人机遥感影像训练构建的花芽目标检测网络,得到白点顶芽检测模型和非白点顶芽检测模型,利用白点顶芽检测模型实现复杂环境下的果树芽体目标检测;此外,提出白点率作为用于定量化花芽期长势的数据指标,利用非白点顶芽检测模型得到非白点顶芽的目标检测结果,利用果树的白点顶芽和非白点顶芽的目标检测结果,计算得到果树的白点率,在实现复杂环境下花芽目标识别的同时,获取得到花芽生长定量化指标。

【技术实现步骤摘要】

本专利技术涉及图像处理的,更具体地,涉及一种面向复杂环境的果树花芽目标检测与白点率估算方法


技术介绍

1、近年来,随着中国数字经济的迅速发展,农业数字化已经成为中国数字化转型的重要组成部分,尤其是精准农业技术的应用。精准农业技术可以通过卫星遥感、激光测距等技术,以人工智能技术为依托,实现对农作物的精准化自动化监测管理,更好地利用耕地资源潜力、科学合理利用物资投入,以提高农作物产量和品质、降低生产成本、减少农业活动带来的污染。此外,利用人工智能技术,可以对果树的花芽、花穗、果实等进行分类和识别,以便更好地助长、管理和销售。

2、近年来,大数据的快速发展和高性能计算的普及促进了深度学习的蓬勃发展,在许多领域取得了显著成就。目前,深度学习结合各种机制和模块,已经在目标检测领域发展比较迅速,能够通过神经网络学习到物体的特征,从而提高目标检测的精度和效率,在果树芽体的检测任务中也有着不错的表现。

3、“白点”指出现在花芽顶端的花穗原基,也是成花诱导完成的标志。其中,“荔枝花芽分化阶段观”的提出引入了“白点”作为“成花诱导期”和“花穗发端发育期”分界标识的概念,使荔枝花芽分化和成花机制的研究更具目的性和针对性。花芽分化是叶芽转化为花芽的生理过程,即果树由营养生长转换成生殖生长的过程,因此精确化检测花芽目标以及定量化花芽分化对实践生产具有指导价值。

4、现有技术提出了一种果树芽体的识别方法,获取果树芽体的图像数据并标注芽体坐标和芽体类别;根据所述图像数据以及所述芽体坐标构建芽体目标检测模型,根据剪裁后的所述图像数据以及所述芽体类别构建芽体类别识别模型;根据所述芽体目标检测模型以及所述芽体类别识别模型,对果树芽体图像进行识别。然而在该方案虽然能够实现果树芽体自动分类识别,但难以适应复杂环境的检测条件。

5、无人机可以稳定高效地采集影像数据,通过人工智能技术对无人机影像进行分析,能够更好地获得果树在不同环境下的图像数据。因此,如何将基于人工智能算法的遥感图像处理与无人机技术结合并进一步深化,实现更精确的果树芽体目标检测及白点率计算,是推进农业生产数字化转型进程中亟待研究的重要课题。


技术实现思路

1、为解决当前复杂环境下的果树芽体目标检测准确度较低的问题,本专利技术提出一种面向复杂环境的果树花芽目标检测与白点率估算方法,采集无人机遥感影像作为数据集,训练得到白点顶芽检测模型和非白点顶芽检测模型,实现对白点顶芽的和非白点顶芽的目标检测定位以及白点率估算。

2、为了达到上述技术效果,本专利技术的技术方案如下:

3、一种面向复杂环境的果树花芽目标检测与白点率估算方法,包括:

4、s1.获取果树花芽期的无人机遥感影像;

5、s2.标记遥感影像中白点顶芽的矩形目标框与非白点顶芽的矩形目标框,获取矩形目标框的位置参数,将白点顶芽与非白点顶芽的矩形目标框的位置参数转换为参数文件并分别与遥感影像配对,得到白点顶芽遥感影像数据集和非白点顶芽遥感影像数据集;

6、s3.构建花芽目标检测网络,利用白点顶芽遥感影像数据集对花芽目标检测网络进行训练,得到白点顶芽检测模型;利用非白点顶芽遥感影像数据集对花芽目标检测网络架构进行训练,得到非白点顶芽检测模型;

7、s4.将待检测区域的无人机遥感影像输入训练好的白点顶芽检测模型,得到果树的白点顶芽的目标检测结果;

8、s5.对白点顶芽目标检测结果进行分离处理,将分离处理后的白点顶芽目标检测结果输入到非白点顶芽检测模型中,得到非白点顶芽的目标检测结果,利用果树的白点顶芽和非白点顶芽的目标检测结果,计算得到果树的白点率。

9、本技术方案通过无人机遥感技术与人工智能算法相结合,将果树花芽期的无人机遥感影像用于训练花芽目标检测网络,利用训练得到白点顶芽检测模型和非白点顶芽检测模型,高效准确地实现复杂环境下的果树芽体目标检测及白点率计算。

10、优选地,在步骤s1中,所述利用无人机拍摄果树花芽期的无人机遥感影像,其中,拍摄方向包含多个,拍摄条件包括晴天、阴天、顺光和逆光,有利于令后续果树花芽目标检测适应自然光照下的多种环境。

11、优选地,步骤s2包括以下步骤:

12、s21.在无人机遥感影像上分别标记果树花芽期的白点顶芽的矩形目标框和非白点顶芽的矩形目标框;

13、s22.分别获取标记完成后的白点顶芽和非白点顶芽的矩形目标框的数据参数,所述数据参数包括矩形目标框在影像中的左上角坐标、右下角坐标以及矩形框的像素长宽;

14、s23.将白点顶芽和非白点顶芽的矩形目标框的数据参数转换为参数文件,将白点顶芽和非白点顶芽的参数文件与其对应的遥感影像进行配对,得到白点顶芽遥感数据集和非白点顶芽遥感数据集。

15、优选地,所述花芽目标检测网络包括特征提取模块、多头注意力机制模块、空洞卷积金字塔池化层、基于知识蒸馏的领域自适应模块和检测头;

16、所述特征提取模块用于提取输入的遥感影像的多层次特征,所述多层次特征包括底层空间特征和高层语义特征;

17、所述空洞卷积金字塔池化层用于对高层语义特征进行初步定位和分类;

18、所述多头注意力机制模块用于捕获底层空间特征的全局信息,得到新的特征图;

19、所述领域自适应模块将特征图与已预先训练好的教师模型进行知识蒸馏,再将知识蒸馏后的特征与初步分类后的高层语义特征进行级联,使其相互自适应;

20、所述检测头用于进行全连接层输出,得到输入的遥感图像的分类类别、定位框位置以及置信度分数。

21、优选地,所述特征提取模块采用resnet101结构作为主干网络,所述多头注意力机制模块的输入端连接resnet101的第二层,所述空洞卷积金字塔池化层的输入端连接resnet101的第四层。

22、优选地,所述多头注意力机制模块对输入的底层空间特征进行位置编码,然后进行自注意力机制计算,过滤掉跳跃连接中无关或噪声区域,将得到自注意力计算结果作为输出特征图,过滤掉跳跃连接中无关或噪声区域。

23、在此,利用多头注意力机制模块提取图像特征中的长程结构信息,将特征图中的每个元素之间建立关联,扩大感受野。

24、优选地,将数据参数转换yolo数据格式的参数文件,所述检测头为yolo检测头。

25、优选地,所述基于知识蒸馏的领域自适应模块中包括教师-学生模型,利用提取训练好的教师模型对学生模型进行监督训练;

26、在训练过程中,将教师模型和学生模型之间的输出预测值的差值构建为知识蒸馏的损失函数;将知识蒸馏的损失函数和学生模型的损失函数相加得到总损失函数;利用总损失函数进行梯度更新直到收敛,最终得到一个更高性能和精度的学生模型。

27、优选地,在步骤s3中,利用白点顶芽遥感影像数据集调整花芽目标检测网络的训练参数,得到训练好的白点顶芽检测模型;利用非白点顶芽遥感影像数据集调本文档来自技高网...

【技术保护点】

1.一种面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,包括:

2.根据权利要求1所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,在步骤S1中,所述利用无人机拍摄果树花芽期的无人机遥感影像,其中,拍摄方向包含多个,拍摄条件包括晴天、阴天、顺光和逆光。

3.根据权利要求1所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,步骤S2包括以下步骤:

4.根据权利要求3所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,所述花芽目标检测网络包括特征提取模块、多头注意力机制模块、空洞卷积金字塔池化层、基于知识蒸馏的领域自适应模块和检测头;

5.根据权利要求4所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,所述特征提取模块采用ResNet101结构作为主干网络,所述多头注意力机制模块的输入端连接ResNet101的第二层,所述空洞卷积金字塔池化层的输入端连接ResNet101的第四层。

6.根据权利要求5所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,所述多头注意力机制模块对输入的底层空间特征进行位置编码,然后进行自注意力机制计算,过滤掉跳跃连接中无关或噪声区域,将得到自注意力计算结果作为输出特征图。

7.根据权利要求5所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,所述基于知识蒸馏的领域自适应模块中包括教师-学生模型,利用提取训练好的教师模型对学生模型进行监督训练;

8.根据权利要求4所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,将数据参数转换YOLO数据格式的参数文件,所述检测头为YOLO检测头。

9.根据权利要求1至8任一项所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,在步骤S3中,利用白点顶芽遥感影像数据集调整花芽目标检测网络的训练参数,得到训练好的白点顶芽检测模型;利用非白点顶芽遥感影像数据集调整花芽目标检测网络的训练参数,得到训练好的非白点顶芽检测模型;

10.根据权利要求9所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,步骤S5包括以下步骤:

...

【技术特征摘要】

1.一种面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,包括:

2.根据权利要求1所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,在步骤s1中,所述利用无人机拍摄果树花芽期的无人机遥感影像,其中,拍摄方向包含多个,拍摄条件包括晴天、阴天、顺光和逆光。

3.根据权利要求1所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,步骤s2包括以下步骤:

4.根据权利要求3所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,所述花芽目标检测网络包括特征提取模块、多头注意力机制模块、空洞卷积金字塔池化层、基于知识蒸馏的领域自适应模块和检测头;

5.根据权利要求4所述的面向复杂环境的果树花芽目标检测与白点率估算方法,其特征在于,所述特征提取模块采用resnet101结构作为主干网络,所述多头注意力机制模块的输入端连接resnet101的第二层,所述空洞卷积金字塔池化层的输入端连接resnet101的第四层。

6.根据权利要求5所述的面向复杂环境的果树花芽目标检测...

【专利技术属性】
技术研发人员:石茜朱方杰
申请(专利权)人:广州飞鸟互联科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1