【技术实现步骤摘要】
本专利技术涉及计算机图像处理领域，具体涉及一种基于深度学习的作物种子计数方法及系统。
技术介绍
1、种子计数是农业生产中一个重要的步骤，它关系到粮食安全、农业效益和农民收入等方面。种子计数的准确性和效率对于种子质量的评估、作物产量的预测以及农作物育种的研究都至关重要。近年来，随着科学技术的进步，种子计数技术也在不断发展。
2、在科技不发达时期种子计数主要依靠人工进行，但这种方法效率低下且容易出错。随着计算机视觉技术的发展，种子计数逐渐向自动化方向发展。而现在一般采用光电式计数、压电式计数和机器视觉计数，光电式计数是一种常见的机械计数方法。它通过利用光电传感器检测种子通过的光电信号来实现计数。这种方法计数速度较快，但需要将种子按照单个通过光电传感器，对于种子粘连或密度较高的情况，容易出现计数错误。压电式计数是一种利用压电材料的压电效应进行计数的方法。通过将种子置于压电材料上，计数时种子的压力会引起压电材料的电压变化，从而实现计数。这种方法对种子粘连有一定的容忍度，但对种子形状和大小有一定的限制。
3、机器视觉计数是...
【技术保护点】
1.一种基于深度学习的作物种子计数方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于深度学习的作物种子计数方法，其特征在于，在S300中，所述神经网络计数模型包括特征提取网络；
3.根据权利要求2所述一种基于深度学习的作物种子计数方法，其特征在于，所述特征提取网络包括多个3×3卷积核，且每两个3×3卷积核串联设置。
4.根据权利要求3所述一种基于深度学习的作物种子计数方法，其特征在于，在S300中，所述神经网络计数模型还包括多尺度回归网络，所述多尺度回归网络与所述特征提取网络连接，所述多尺度回归网络由三路并行全卷积层构...
【技术特征摘要】
1.一种基于深度学习的作物种子计数方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于深度学习的作物种子计数方法，其特征在于，在s300中，所述神经网络计数模型包括特征提取网络；
3.根据权利要求2所述一种基于深度学习的作物种子计数方法，其特征在于，所述特征提取网络包括多个3×3卷积核，且每两个3×3卷积核串联设置。
4.根据权利要求3所述一种基于深度学习的作物种子计数方法，其特征在于，在s300中，所述神经网络计数模型还包括多尺度回归网络，所述多尺度回归网络与所述特征提取网络连接，所述多尺度回归网络由三路并行全卷积层构成，用于根据所述特征提取网络提取的特征生成预测密度图。
5.根据权利要求1所述一种基于深度学习的作物种子计数方法，其特征在于，所述s500，将所述预测密度图和所述预测密度图对应的真值密度图同时输入判别器中，根据判别器的判别结...
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。