【技术实现步骤摘要】
本专利技术涉及图像处理 ，尤其涉及一种雄穗识别模型训练方法、作物去雄质量评估方法及装置。
技术介绍
1、杂交作物（如玉米）需要每年进行制种以确保种子的纯度；在玉米制种过程中，由于露头雄穗往往意味着已即将开始散粉，必须尽快去除，避免散粉后对制种纯度产生不利影响；因此，提前精准识别出未露头雄穗至关重要，这不仅可为后续指导人工清除未露头雄穗提供时间保证，而且能有效确保去雄质量。
2、近年来，无人机技术在玉米生产的各个环节中得到了推广应用，但在人工去雄后的质量评估方面，其应用仍处于起步阶段；由于玉米去雄窗口期短，利用无人机快速精准检测母本雄穗状态、评估人工去雄质量具有迫切需求。
3、相关技术中，现有技术利用特征工程和深度学习的方法构建玉米雄穗识别模型容易识别的已露头雄穗，但无法识别未露头雄穗，只能不断测试和选择适合玉米雄穗检测、满足检测精度和效率的网络结构，导致不同状态的雄穗识别效率低，识别未露头雄穗的难度大，导致玉米去雄质量评估效率和准确率较低。
技术实现思路
1、本专利技术提供一种雄穗识别模型训练方法、作物去雄质量评估方法及装置，用以解决现有技术利用特征工程和深度学习的方法难以识别未露头雄穗，只能不断测试和选择适合玉米雄穗检测、满足检测精度和效率的网络结构，导致不同状态的雄穗识别效率低，识别未露头雄穗的难度大的缺陷，提高了玉米去雄质量评估效率和准确率。
2、本专利技术提供一种雄穗识别模型训练方法，包括：
3、对制种田中的作物图像进行筛选和
4、根据目标特征对所述基础数据集中的多种状态的雄穗进行标注，得到多种状态的雄穗分别对应的标注框；根据各标注框的尺寸和分布特征更新所述基础数据集中的全部标注框，得到标注数据集；其中，所述目标特征包括相邻植株差异、叶片变化和颜色差异中的至少一项；所述多种状态包括完全露出、部分露出和未露出；
5、以所述标注数据集为训练样本，以余弦退火学习率调度为学习率策略，以预训练权重为初始权重对卷积神经网络进行迭代训练，在所述卷积神经网络收敛或者达到最大迭代次数的情况下，得到作物雄穗识别模型。
6、根据本专利技术提供的一种雄穗识别模型训练方法，在所述得到标注数据集之后，所述方法还包括：
7、基于多个检测模型分别根据样本标注数据集进行模型精度计算，得到多个模型精度计算结果，并确定所述多个模型精度计算结果中的最大值对应的检测模型为基准模型；
8、基于所述基准模型确定所述标注数据集中各状态的雄穗对应标注框的目标尺寸，并根据所述目标尺寸调整所述标注数据集中的全部标注框的尺寸，得到新的标注数据集。
9、根据本专利技术提供的一种雄穗识别模型训练方法，所述对制种田中的作物图像进行筛选和预处理，得到基础数据集包括：
10、从所述作物图像中剔除非作物目标，得到筛选后的作物图像；
11、对所述筛选后的作物图像进行图像校正、图像增强和裁剪中的至少一项操作，得到所述基础数据集。
12、根据本专利技术提供的一种雄穗识别模型训练方法，所述作物图像通过如下步骤获取：
13、通过无人机设备根据目标参数对所述制种田进行多时相拍摄，得到所述作物图像；其中，所述目标参数包括相机参数、飞行参数和环境参数；所述飞行参数包括飞行高度、速度和航线，环境参数包括光强、温度和湿度。
14、根据本专利技术提供的一种雄穗识别模型训练方法，在所述得到作物雄穗识别模型之后，所述方法还包括：
15、采用如下至少一种方式优化所述作物雄穗识别模型：
16、对所述标注数据集按照目标数据增强策略进行扩充，并根据扩充后的标注数据集对所述作物雄穗识别模型进行优化，得到优化后的作物雄穗识别模型；其中，所述目标数据增强策略包括调整图像亮度、对比度、色调、饱和度和图像阴影模拟中的至少一项；
17、按照目标更新策略对所述作物雄穗识别模型进行调整，得到优化后的作物雄穗识别模型；其中，所述目标更新策略包括筛选骨干网络、调整网络深度和宽度、特征融合策略、引入注意力机制和优化损失函数中的至少一项。
18、本专利技术还提供一种作物去雄质量评估方法，包括：
19、获取待识别作物图像；
20、基于作物雄穗识别模型对所述待识别作物图像进行处理，得到雄穗识别结果；其中，所述物雄穗识别模型通过所述雄穗识别模型训练方法训练得到；
21、根据所述雄穗识别结果进行人工去雄质量评估，得到评估结果。
22、本专利技术还提供一种雄穗识别模型训练装置，包括：
23、数据处理模块，用于对制种田中的作物图像进行筛选和预处理，得到基础数据集；
24、数据标注模块，用于根据目标特征对所述基础数据集中的多种状态的雄穗进行标注，得到多种状态的雄穗分别对应的标注框；根据各标注框的尺寸和分布特征更新所述基础数据集中的全部标注框，得到标注数据集；其中，所述目标特征包括相邻植株差异、叶片变化和颜色差异中的至少一项；所述多种状态包括完全露出、部分露出和未露出；
25、训练模块，用于以所述标注数据集为训练样本，以余弦退火学习率调度为学习率策略，以预训练权重为初始权重对卷积神经网络进行迭代训练，在所述卷积神经网络收敛或者达到最大迭代次数的情况下，得到作物雄穗识别模型。
26、本专利技术还提供一种作物去雄质量评估装置，包括：
27、图像获取模块，用于获取待识别作物图像；
28、识别模块，用于基于作物雄穗识别模型对所述待识别作物图像进行处理，得到雄穗识别结果；其中，所述物雄穗识别模型通过所述雄穗识别模型训练方法训练得到；
29、评估模块，用于根据所述雄穗识别结果进行人工去雄质量评估，得到评估结果。
30、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述雄穗识别模型训练方法或者作物去雄质量评估方法。
31、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述雄穗识别模型训练方法或者作物去雄质量评估方法。
32、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述雄穗识别模型训练方法或者作物去雄质量评估方法。
33、本专利技术提供的雄穗识别模型训练方法、作物去雄质量评估方法及装置，通过标特征对基础数据集中的多种状态的雄穗进行标注，得到多种状态的雄穗分别对应的标注框；根据各标注框的尺寸和分布特征更新基础数据集中的全部标注框，得到标注数据集；最后以标注数据集为训练样本，以余弦退火学习率调度为学习率策略，以预训练权重为初始权重对卷积神经网络进行迭代训练，得到作物雄穗识别模型，提升了对作物未露头雄穗的识别精度，进而提高了玉米去雄质量评估效率和准确率。
本文档来自技高网...【技术保护点】
1.一种雄穗识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，在所述得到标注数据集之后，所述方法还包括：
3.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，所述对制种田中的作物图像进行筛选和预处理，得到基础数据集包括：
4.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，所述作物图像通过如下步骤获取：
5.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，在所述得到作物雄穗识别模型之后，所述方法还包括：
6.一种作物去雄质量评估方法，其特征在于，包括：
7.一种雄穗识别模型训练装置，其特征在于，包括：
8.一种作物去雄质量评估装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执
...【技术特征摘要】
1.一种雄穗识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，在所述得到标注数据集之后，所述方法还包括：
3.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，所述对制种田中的作物图像进行筛选和预处理，得到基础数据集包括：
4.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，所述作物图像通过如下步骤获取：
5.根据权利要求1所述的雄穗识别模型训练方法，其特征在于，在所述得到作物雄穗识别模型之后，所述方法还包括：...
【专利技术属性】
技术研发人员：杜建军，顾生浩，樊江川，郭新宇，
申请(专利权)人：北京市农林科学院信息技术研究中心，
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。