【技术实现步骤摘要】
本专利技术属于农业，涉及葡萄，具体涉及一种基于叶片的葡萄早期品种识别方法。
技术介绍
1、葡萄是多年生草本植物，品种多样且价值差距较大，农户种植过程中易出现误种现象，因此葡萄品种早期鉴定成为迫切需求。移植的葡萄幼苗需要2～3年才能结果，但是其叶子却可以在几个月内成熟，此外葡萄叶片含有大量种属信息且具有成熟早、易采集的优点，为葡萄早期品种鉴定提供依据。
2、传统叶片分类方法通常使用数学模型和图像处理技术来分析特征，以便从图像中提取有用的信息。根据不同的算法能够提取图像的颜色、纹理、形状和空间关系等特征进而对叶片进行分类。虽然基于图像特征分析的方法在某些场景下取得了不错的准确率，但是这些方法仍然存在问题。在特征的选择和定义上很大程度依赖算法设计人员的判断和长时间调试的误差处理，专业性要求高。
3、深度学习通过神经网络自动提取特征，充分利用深度卷积网络中的高层语义信息，具有简单、高效等优点。但是大部分分类分割网络主要关注于利用深度卷积网络中的高层语义信息，因为是从一个大的感受野中提取出的特征信息，所以仅仅利用深度网络中的高层特征会导致输出的不准确性，并且漏检了一些关键的低层细节，例如边缘、纹理、形状信息。因此，急需提出一种较高精度的深度学习模型实现葡萄品种早期识别。目前基于叶片分类已有的研究和技术中仍存在以下几点不足：
4、第一，由于田间背景复杂，葡萄叶片类间相似度高的问题，给葡萄叶片细粒度分类带来了挑战，需要增加更多叶片特征信息的提取实现精准分类。融合统计特征信息，可以增加特征信息的提取，为最后叶
5、第二，针对叶片的分类任务上，深度学习模型在进行特征提取的过程中，对提取到的特征通道信息给与了相同的关注度，如果在深度学习模型中添加注意力机制，可以提升重要信息的权重，将关注点选择性的聚合到部分重要信息上。
6、第三，在实际叶片拍摄过程中，因为拍摄距离不同，在特征提取过程中特征信息提取有所差异。通过引入金字塔多尺度模块，不同大小的目标都可以在相应的尺度下拥有合适的特征表示，通过融合多尺度信息，在不同尺度下对不同大小的目标进行预测，可以很好地提升模型的性能。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于，提供一种基于叶片的葡萄早期品种识别方法，以解决现有技术中的葡萄早期品种识别的精度有待进一步提升的技术问题。
2、为了解决上述技术问题，本专利技术采用如下技术方案予以实现：
3、一种基于叶片的葡萄早期品种识别方法，该方法包括以下步骤：
4、步骤一，葡萄叶片拍摄：
5、通过拍摄图片的方式获取多类葡萄品种的成熟叶片的叶片图像。
6、步骤二，构建数据集：
7、通过筛选去除叶片区域不完整的叶片图像后，使用双线性插值法对叶片图像的分辨率进行统一放缩，形成葡萄叶片分类数据集。
8、步骤三，引入分割模型实现背景剔除：
9、从步骤二的葡萄叶片分类数据集中的训练集中随机选取多张的叶片图像，经过像素级的图像标注，然后作为分割数据集；采用语义分割网络进行训练和测试，找到在叶片分割场景下性能最优的模型，即为分割模型。
10、然后采用分割模型对葡萄叶片分类数据集进行预测，生成相同数量的二值预测标签图像，然后进行叶片区域提取处理，获得去除背景后的叶片图像。
11、步骤四，构建葡萄叶片细粒度分类模型：
12、步骤s401，采用resnet50模型作为构建葡萄叶片细粒度分类模型的基础网络。
13、步骤s402，构建resnet50se模型：
14、将se注意力机制加入到步骤s401的resnet50模型的每个残差结构中，对网络提取的特征进行校正，得到resnet50se模型。
15、步骤s403，构建resstm模型：
16、在步骤s402构建的resnet50se模型的基础上，引入量化和计数算子，通过统计的方式来描述纹理特征；构建stm模块对统计信息进行特征提取，最终获得resstm模型。
17、步骤s404，构建多尺度特征融合结构的分类模型：
18、在步骤403构建的resstm模型的基础上，采用图像金字塔的空间金字塔结构构建三个平行的主干分类网络；建立一个由两层步长为2的卷积层组成的多尺度金字塔特征融合模块，形成多尺度特征融合结构的分类模型，叶片图像经过该多尺度特征融合结构的分类模型后会得到尺寸分别为原始图像1/2和1/4的两幅特征图，该多尺度特征融合结构的分类模型即为葡萄叶片细粒度分类模型。
19、步骤五，葡萄早期品种识别：
20、拍摄葡萄的叶片图像，然后使用双线性插值法对叶片图像的分辨率进行统一放缩，采用步骤三中获得的训练完成后的分割模型对葡萄的叶片图像进行预测，生成二值预测标签图像，然后进行叶片区域提取处理，获得去除背景后的叶片图像；将去除背景后的叶片图像输入到步骤四中获得的训练完成后的葡萄叶片细粒度分类模型中，获得葡萄早期品种的识别结果。
21、本专利技术还具有如下技术特征：
22、步骤一中，优选的，葡萄品种的种类为12类，每类至少获取100张图像，图像的分辨率统一为3000×3000。
23、步骤二中，优选的，对叶片图像的分辨率进行统一放缩为224×224。
24、步骤二中，优选的，将葡萄叶片分类数据集中的80％的叶片图像进行增强，形成训练集；将葡萄叶片分类数据集中的20％的叶片图像形成测试集。
25、步骤二中，优选的，训练集中抽取20％的叶片图像随机作为验证集。
26、步骤三中，优选的，语义分割数据集的叶片图像占葡萄叶片分类数据集的叶片图像总量的35％。
27、本专利技术与现有技术相比，具有如下技术效果：
28、(ⅰ)本专利技术基于resnet卷积神经网络，提出了一种分阶段的细粒度葡萄叶片品种分类集成模型，解决了目前葡萄早期品种识别存在的人工识别专业性要求高、背景复杂、类间识别精度低等问题。通过构建统计纹理模块，构建融合统计纹理信息，丰富提取特征信息。引入注意力机制，提升对重要特征信息的关注度。并且设计了金字塔多尺度融合模块，使模型可以在不同尺度下对不同大小的目标进行预测，增强模型分类精度和鲁棒性。
29、(ⅱ)本专利技术重新构造了resnet50模型结构，形成新的网络模型resstm，通过设计统计纹理模块，增加模型对统计纹理信息的特征提取，融合更多的特征信息，提高模型分类精度。
30、(ⅲ)本专利技术在resnet50模型的bottleneck基础上，添加se注意力机制，形成新的网络模型resnet50se模型结构，使得模型根据重要程度对提取到的特征信息赋予不同的权重，提升模型对重要分类特征的关注度。
31、(ⅳ)本专利技术在分类阶段设计了多尺度融合模块，扩大模型感受野的同时增加模型对各个尺度输入图像的适应性，极大程本文档来自技高网...
【技术保护点】
1.一种基于叶片的葡萄早期品种识别方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于叶片的葡萄早期品种识别方法，其特征在于，步骤一中，优选的，葡萄品种的种类为12类，每类至少获取100张图像，图像的分辨率统一为3000×3000。
3.如权利要求1所述的基于叶片的葡萄早期品种识别方法，其特征在于，步骤二中，优选的，对叶片图像的分辨率进行统一放缩为224×224。
4.如权利要求1所述的基于叶片的葡萄早期品种识别方法，其特征在于，步骤二中，优选的，将葡萄叶片分类数据集中的80％的叶片图像进行增强，形成训练集；将葡萄叶片分类数据集中的20％的叶片图像形成测试集。
5.如权利要求1所述的基于叶片的葡萄早期品种识别方法，其特征在于，步骤二中，优选的，训练集中抽取20％的叶片图像随机作为验证集。
6.如权利要求1所述的基于叶片的葡萄早期品种识别方法，其特征在于，步骤三中，优选的，语义分割数据集的叶片图像占葡萄叶片分类数据集的叶片图像总量的35％。
【技术特征摘要】
1.一种基于叶片的葡萄早期品种识别方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于叶片的葡萄早期品种识别方法，其特征在于，步骤一中，优选的，葡萄品种的种类为12类，每类至少获取100张图像，图像的分辨率统一为3000×3000。
3.如权利要求1所述的基于叶片的葡萄早期品种识别方法，其特征在于，步骤二中，优选的，对叶片图像的分辨率进行统一放缩为224×224。
4.如权利要求1所述的基于叶片的葡萄早期品种...
【专利技术属性】
技术研发人员：张宏鸣，唐恒翱，孙志同，沈寅威，黄小星，张婷，阳光，高郑杰，牛当当，宋荣杰，苏凯悦，
申请(专利权)人：西北农林科技大学，
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。