【技术实现步骤摘要】
本专利技术主要涉及信息处理和图像识别，具体为基于尺度交互蒸馏网络的薄壳山核桃果形识别方法及系统。
技术介绍
1、薄壳山核桃果形识别是农业生产中的重要环节，早期的薄壳山核桃果形识别方法主要依靠人工观察核桃的外形、大小、颜色等特征进行分类。然而这类方法需要识别人员具有丰富的实践经验，存在效率低、准确性差、难以实现标准化（容易受到主观因素的影响）等缺点，不利于有利于核桃产业的机械化发展。
2、近年来，随着计算机视觉技术的快速发展，基于图像的薄壳山核桃果形识别方法逐渐成为研究热点。随着机器学习技术的快速发展，开展基于机器视觉的果实及果形识别研究已成为一种趋势，可大大减轻劳动压力, 提高工作效率, 有利于推动相关产业的机械化发展。在此背景下，国内外学者开展了大量针对果实及果形识别的研究。传统基于机器学习的果实及果形识别方法主要基于果实的颜色、纹理、形状等特征，利用不同的算法和分类器来提取和识别这些特征，如支持向量机、hough变换等。这些方法虽然在一定程度上可以实现果实及果形的识别，但也存在一些缺点，如特征提取器的构建需要大量的人工干预和专业知识，特征提取的效果受到图像质量和环境因素的影响，分类器的泛化能力和准确率不高，检测速度不够快等。
3、近年来，深度学习模型在水果分类、植物鉴定、作物分类、杂草分类、质量评价等多个农业应用得到了广泛应用，并取得了显著性能。虽然深度学习模型在多种农业应用中取得了较大成功，但是由于薄壳山核桃果形类间差异小，且易受光照、拍摄角度和距离等因素的影响，鲜有专门进行薄壳山核桃果形识别的模型
4、综上，现有的大多数果形识别方法都存在以下问题：（1）特征提取能力不足。现有方法主要依赖于颜色、纹理等传统特征进行识别，而这些特征容易受到光照、拍摄角度和距离等因素的影响，导致识别精度不高。（2）尺度无关性差。现有方法大多无法有效地处理不同尺度下的果形图像，导致识别结果不一致。（3）鲁棒性差。现有方法大多无法有效地应对背景干扰等因素，导致识别结果不稳定。
技术实现思路
1、本专利技术技术方案针对现有技术解决方案过于单一的技术问题，提供了显著不同于现有技术的解决方案，主要提供了基于尺度交互蒸馏网络的薄壳山核桃果形识别方法及系统，用以解决上述
技术介绍
中提出的特征提取能力不足、尺度无关性差和鲁棒性差的技术问题。
2、本专利技术解决上述技术问题采用的技术方案为：
3、一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，包括如下步骤：
4、s1、构建薄壳山核桃果形识别数据集，并划分训练样本集、验证样本集和测试样本集；
5、s2、对训练样本集及验证样本集提取全局上下文特征；
6、s3、基于步骤s2，定位全局图像中感兴趣目标区域，并对感兴趣目标区域进行采样得到局部图像；
7、s4、利用局部分支网络对采样的局部图像进行处理，提取局部上下文特征；
8、s5、利用多尺度上下文注意力融合模块将全局上下文特征和局部上下文特征进行融合，得到具有尺度无关性和背景无关信息的鲁棒性和判别性表征；
9、s6、利用学习到的鲁棒性和判别性表征进行薄壳山核桃果形识别，并利用尺度知识蒸馏方案提取全局上下文特征和局部上下文特征之间的预测分布，从而产生更一致的识别结果。
10、进一步地，步骤s5中的具体操作为：
11、s5-1、将全局上下文特征和局部上下文特征通过通道缩减进行拼接和压缩；
12、s5-2、基于步骤s5-1，沿其空间宽度和高度进行行池化和列池化，得到行池化特征和列池化特征；
13、s5-3、基于行池化特征和列池化特征，对变换矩阵和进行估计；
14、s5-4、采用双线性注意变换分别从全局上下文特征和局部上下文特征中获取全局感知交互特征和局部感知交互特征；
15、s5-5、将全局感知交互特征和局部感知交互特征相结合，学习具有尺度无关性和背景无关信息的鲁棒性和判别性表征。
16、进一步地，步骤s6中，所述尺度知识蒸馏方案为：
17、令和分别表示输入图像和相应的类标签，预测分布表示为：
18、，
19、式中，表示网络预测得到正确类标签的概率，表示网络对第k类的预测分数，代表待学习的参数， t > 0，表示蒸馏温度参数；
20、并设置一种尺度正则化损失约束，以匹配同一类的局部图像和全局图像之间的预测分布，所述尺度正则化损失约束表示为：
21、式中，表示 kullback-leibler (kl) 散度；和分别为局部分支和全局分支中的参数。
22、进一步地，步骤s6之后，进行操作：
23、s7、对验证集计算性能验证指标，判断模型是否训练完成；如果达到验证指标，停止训练；否则，重复步骤2-7；
24、s8、采用测试集进行识别测试，并统计识别结果，计算总体识别准确率。
25、具体地，步骤s1中，所述训练样本集、验证样本集和测试样本集均包括原始图片及与原始图片对应的果形类别标签。
26、具体地，步骤s2中，通过预训练的resnet18中的卷积层作为全局分支子网络提取输入图片的全局上下文特征；
27、其中表示输入的全局图像，表示全局分支子网络，表示中待学习的参数。
28、具体地，步骤s3中，通过结构化关键区域定位模块定位全局图像中感兴趣目标区域，步骤s3具体为：
29、s3-1、进行能量聚集运算，即通过下式定量描述全局上下文特征中各空间元素的重要程度：
30、其中表示能量图，表示通道，为的通道数， h和 w分别代表特征的高和宽；
31、s3-2、将的元素按最小-最大比例缩放到[0,1]范围内，并进行上采样，从而得到缩放后的能量图；
32、s3-3、对能量图进行结构化操作，将沿空间高度和宽度聚合为一维结构化能量向量：
33、其中，和分别表示沿空间高度和宽度方向的一维结构化能量向量；和分别表示缩放后的能量图的空间宽度和高度；
34、 s3-4、通过贪婪边界搜索确定局部目标的边界框的宽度边界和；用表示的能量和，表示从到沿空间宽度的能量，它们可以通过下述公式计算：
35、其中，宽度边界和可以通过在约束条件下确定最小的面积来求解，其中表示预定义的能量阈值；
36、s3-5、采用与步骤s3-4类似的方式确定局部目标的边界框的高度边界和，进而通过求得的边界坐标，对全局图像采样得到局部图像。
37、具体地，步骤s4中，所述局部上下文特征表示为：
38、其中，代表局部分支子网络，表示中待学习的参数。
39、具体地，步骤s5具体为：
40、s5-1、将全局上下文本文档来自技高网...
【技术保护点】
1.一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S5中的具体操作为：
3.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S6中，所述尺度知识蒸馏方案为：
4.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S6之后，进行操作：
5.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S1中，所述训练样本集、验证样本集和测试样本集均包括原始图片及与原始图片对应的果形类别标签。
6.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S2中，通过预训练的ResNet18中的卷积层作为全局分支子网络提取输入图片的全局上下文特征；
7.根据权利要求6所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S3中，通过结构化关键区域定位模
8.根据权利要求7所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S4中，所述局部上下文特征表示为：
9.根据权利要求8所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤S5具体为：
10.一种基于尺度交互蒸馏网络的薄壳山核桃果形识别系统，其特征在于：包括处理器和存储器，所述存储器中存储计算机程序，计算机程序在处理器中运行时，执行权利要求1-9任一项所述的基于尺度交互蒸馏网络的薄壳山核桃果形识别方法。
...【技术特征摘要】
1.一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤s5中的具体操作为：
3.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤s6中，所述尺度知识蒸馏方案为：
4.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤s6之后，进行操作：
5.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤s1中，所述训练样本集、验证样本集和测试样本集均包括原始图片及与原始图片对应的果形类别标签。
6.根据权利要求1所述的一种基于尺度交互蒸馏网络的薄壳山核桃果形识别方法，其特征在于：步骤s...
【专利技术属性】
技术研发人员：陈智坤，赵宁，井光花，路强强，张昭，周莎，
申请(专利权)人：陕西省西安植物园陕西省植物研究所，
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。