一种基于少样本学习的穗类作物统一计数方法技术

本发明专利技术提出了一种基于少样本学习的穗类作物统一计数方法，本发明专利技术涉及六个不同的作物数据集，这些作物数据集通过地面相机和无人机捕获，视觉编码器用于增强特征嵌入，基础模型用于减轻复杂背景的影响，多尺度特征交互模块用于集成相似度度量，促进不同尺度的作物特征自动学习，增强对各种尺寸和形状的作物穗的描述能力，该模型采用两阶段训练程序，初始阶段侧重于潜在特征挖掘，以捕捉谷物的通用特征，并且随后的阶段无需额外训练即可进行推理，进而从选定的样本中提取目标作物的领域特征，以实现计数操作。本发明专利技术通过少样本学习计数多种谷物穗，可以有效降低标注成本，并提高谷物产量估算的准确性，确保粮食安全。

【技术实现步骤摘要】

本专利技术涉及少样本计数，具体是一种基于少样本学习的穗类作物统一计数方法。

技术介绍

1、谷类作物的精确计数对于估算粮食产量和确保粮食安全至关重要。通过精确量化作物头数，农民和研究人员可以在作物生长和产量估算方面得到宝贵经验。此外，在培育高产、抗逆作物品种的育种计划中，作物头数也是一个基本参数。

2、传统的谷类作物头数统计方法分为两类：人工统计和基于图像处理技术。人工计数依赖于目视检查，因此人工计数通常密集、耗时，而且容易因主观观察而出错，因此，其不适合大规模农业环境。图像处理技术则涉及提取手工制作的特征，如颜色、纹理、形态等，并通过机器学习将计数转换为分类问题。然而，由于这些方法对预定义特征具有依赖性，其在面对非均匀光照条件和背景时往往效率低下，因此这些方法在实际野外环境中可能不适用。

3、近年来，深度学习的快速进展使其在农业中的应用逐渐广泛。鉴于其捕捉二维(2d)空间信息的卓越能力，基于卷积神经网络(cnn)的计数方法相比传统图像处理技术更加出色，这些计数方法主要包括三种途径：分割、目标检测和基于密度图的回归。基于分割的计数通过本文档来自技高网...

【技术保护点】

1.一种基于少样本学习的穗类作物统一计数方法，其特征在于，包括如下操作：

2.根据权利要求1所述的一种基于少样本学习的穗类作物统一计数方法，其特征在于，所述视觉特征提纯模块使用掩码替代边界框，描绘对象的边界和形状信息，将支持图像的边界框作为提示，生成作物头部的掩码，并从嵌入特征中提取与掩码位置对齐的特征，将视觉变换器作为支持图像和查询图像的图像编码器，利用预训练的DINOv2权重进行视觉变换器嵌入，选定的特征需要经过平均池化，生成最终的原型向量。设定支持图像为IS，生成的改进掩码图像MR的表达式为：

3.根据权利要求1所述的一种基于少样本学习的穗类作物统一计数方法...

【技术特征摘要】

1.一种基于少样本学习的穗类作物统一计数方法，其特征在于，包括如下操作：

2.根据权利要求1所述的一种基于少样本学习的穗类作物统一计数方法，其特征在于，所述视觉特征提纯模块使用掩码替代边界框，描绘对象的边界和形状信息，将支持图像的边界框作为提示，生成作物头部的掩码，并从嵌入特征中提取与掩码位置对齐的特征，将视觉变换器作为支持图像和查询图像的图像编码器，利用预训练的dinov2权重进行视觉变换器嵌入，选定的特征需要经过平均池化，生成最终的原型向量。设定支持图像为is，生成的改进掩码图像mr的表达式为：

3.根据权利要求1所述的一种基于少样本学习的穗类作物统一计数方法，其特征在于，所述多尺度相似性比较模块...

【专利技术属性】
技术研发人员：范习健，王强，业巧林，金星，还红华，
申请(专利权)人：南京林业大学，
类型：发明
国别省市：