【技术实现步骤摘要】
本专利技术涉及基于深度学习的目标检测领域，特别是涉及一种面向玉米循环清理作业的小目标检测方法。
技术介绍
1、作为全球性栽培和驯化的作物，玉米具有环境适应性强、产量稳定和用途广泛等优点，是重要的粮食和饲料来源，营养价值丰富，综合利用价值较高，广泛应用于畜牧、养殖和医疗卫生等领域。基于正常籽粒在形状、比重、体积和密度等方面与残粒、坏粒和杂质之间存在的显著差异，利用多物理场耦合的方式对混合体进行抛掷、吹散、运移和筛分操作，以获得更加纯净、标准的粮食作物过程中，清选系统的性能直接影响着籽粒的损失率和含杂率，同时对后续的高效干燥、保质运输和安全贮藏至关重要。
2、目前机械设备能够一定程度上提高清理效率，但是参数设置依然需要操作者跟踪监督整个清选过程并凭借经验来完成，耗时且昂贵。因此，实时的粮情感知能够为清选策略的适应性和动态调整提供重要的指导和参考。
3、通过结合目标定位和识别检测技术，目标检测技术能够在给定图像中实现对边界框坐标的精准回归并检测出目标的具体所属类别，被广泛应用于人脸识别、医学图像处理和农产品加工等领域。不同的数据增强策略能够扩充并丰富数据集的规模和多样性，进而增强检测模型的鲁棒性和泛化能力。传统的目标检测算法针对不同的检测对象设计相应的特征提取模块，由于过度依赖专业的手工特征同时需要手动调节大量参数，其鲁棒性和可扩展性较差。目标检测技术凭借着强大的特征提取能力，基于深度学习，能够利用多结构的网络模型自适应地捕获图像的深层语义信息，大幅提升常规目标的检测效率与精度。然而，受限于较少像素导致的视觉特
4、收获玉米的循环清理过程中，设计以rgb含杂玉米图像为输入的端到端小目标检测网络实时反馈除杂过程中的粮情，基于杂质的种类和分布有针对性地对参数和策略进行动态调整对于实现高效且低损的智慧玉米清选具有重要的应用价值。
技术实现思路
1、针对现有技术中存在的不足，本专利技术目的是提供一种面向循环玉米清理作业的小目标检测方法，能够端到端地感知收获玉米在循环清理作业中杂质的种类和分布，进而为清选参数与策略的动态设置与调整提供实时的粮情反馈。
2、为解决上述技术问题，本专利技术提供的技术方案是：
3、一种面向玉米循环清理作业的小目标检测方法，包括如下步骤：
4、(1)在多物理场耦合的收获玉米清理设备的进出料口设置图像采集模块，实时连续地捕获传送带上含杂玉米图像，进行一致化处理后，得到数据集，基于图像增强方法对数据集扩充，作为训练和测试小目标检测模型的数据输入，小目标检测模型包含：特征学习网络、适应性区域生成网络和输出层；
5、(2)引入efficientnetb7作为步骤(1)特征学习网络的骨干框架，嵌入跨层级融合机制，对深层级的特征矩阵进行卷积和上采样操作，并与浅层特征矩阵进行融合，生成跨层级融合特征，获取含多尺度映射的跨层级融合特征图；
6、所述步骤(2)中，获取含多尺度映射的跨层级特征图，具体步骤如下：
7、(2.1)深层特征图通过核尺寸为1的卷积操作进行维度变换，降至与前一层特征相同的深度，得到变更深层特征图；
8、(2.2)浅层特征图通过核尺寸为3的卷积操作进一步捕获图像的显著特征，得到的变更浅层特征图，与步骤(2.1)中得到的变更深层特征图相加并基于双线性插值进行上采样；
9、(3)基于步骤(2)生成的跨层级融合特征，结合收获玉米籽粒与杂质的分布特征与几何性质，利用适应性区域生成网络通过连续的卷积操作对生成的全面覆盖图像中所有目标的初始锚框进行分类和坐标参数回归，为输出层提供候选框，即“感兴趣区域”；
10、所述初始锚框的横纵比设置为1∶1，1∶2和2∶1，区域尺度为642，1282和2562；
11、(4)将步骤(3)得到的“感兴趣区域”映射到步骤(2)得到的跨层级融合特征，在roi池化与展平处理后串联排列两个全连接层，并通过并联两个具有不同功能与神经元数量的全连接层对候选框最终的属性信息与坐标参数进行分类与回归，完成对待检测目标的分类与定位。
12、进一步地，所述步骤(1)中，捕获循环作业过程中传送带上的细粒度rgb含杂玉米图像的设备选用具备高帧率采样性能的全局快门相机与可变光圈的定焦相机，进行数据获取，具体步骤如下：
13、(1.1)筛除信息规模小于预设和信息质量低于预设的图像，对质量高于预设的含杂玉米图像进行一致化处理，规范至统一的分辨率；
14、(1.2)通过增加噪声、调整亮度与对比度、翻转和旋转的增强方式对数据集进行扩充。
15、进一步地，所述步骤(1.1)中统一的分辨率为600*600。
16、进一步地，所述步骤(3)中，针对输入图像的拍摄场景与条件，同时考虑收获玉米中各类目标的物理特性与分布特征，通过设置适应于含杂玉米图像小目标检测任务的区域尺度和横纵比，生成能够完整的覆盖图像信息的初始锚框；
17、具体步骤如下：
18、(3.1)利用核尺寸为3的卷积操作遍历步骤(2)中的跨层级融合特征图中的每个位置，获得维度相同的过渡层矩阵；
19、(3.2)在步骤(3.1)中的过渡层矩阵上并联两个核尺寸为1的卷积操作，对初始锚框前背景的分类与坐标进行调整；
20、在所述过渡层矩阵的基础上并联两个卷积操作对初始锚框属性信息分类和坐标参数回归，在位置调整与边缘细化后为输出层提供候选框。
21、进一步地，所述步骤(4)中，坐标参数的回归层神经元数量为属性信息分类层神经元数量的四倍，具体步骤如下：
22、(4.1)将步骤(3)得到的“感兴趣区域”依次映射于步骤(2)获得的跨层级融合特征中，进行roi池化和展平操作，得到一维特征向量；
23、(4.2)在步骤(4.1)得到的一维特征向量后串联两个分别具有1024个神经元的全连接层；
24、(4.3)在步骤(4.2)中第二个全连接层后并联两个全连接层分别用于进行目标属性信息的分类和目标坐标参数的回归。
25、本专利技术的有益效果：
26、本专利技术提出的方法可视为适应性区域生成网络和剩下的检测器网络两个部分并通过交替优化的方式实现参数的更新。利用imagenet预训练模型初始化特征学习网络，并对适应性区域生成网络进行端到端的训练。然后，再次利用imagenet预训练模型对特征学习网络进行初始化并基于适应性区域生成网络生成的候选框来训练检测器网络。最后，两个部分共享相同的卷积层并依次对适应性区域生成网络和检测器网络中特有的层进行微调，从而形成了统一的网络。
27、本专利技术能够基于输入的含杂玉米图像利用提出的端到端小目标检测网络实时捕获循环清理作业过程中杂质的种类和分布，进而为清选策略的适应性和动态调整本文档来自技高网...
【技术保护点】
1.一种面向玉米循环清理作业的小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向玉米循环清理作业的小目标检测方法，其特征在于，
3.根据权利要求2所述的一种面向玉米循环清理作业的小目标检测方法，其特征在于，
4.根据权利要求1所述的一种面向玉米循环清理作业的小目标检测方法，其特征在于，
5.根据权利要求1所述的一种面向玉米循环清理作业的小目标检测方法，其特征在于，
【技术特征摘要】
1.一种面向玉米循环清理作业的小目标检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种面向玉米循环清理作业的小目标检测方法，其特征在于，
3.根据权利要求2所述的一种面向玉米循环清...
【专利技术属性】
技术研发人员：李栋，于昊泽，汪立君，张潇，李伟，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：
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。