[發明專利]基于深度學習的大田稻穗分割方法

有效

• 申請號: 201811060111.6
• 申請日: 2018-09-08
• 公開（公告）號: CN109360206B
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 段凌鳳;楊萬能;馮慧;黃成龍;葉軍立;熊立仲;陳國興;周風燃;楊萬里
• 申請（專利權）人: 華中農業大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T5/00;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的大田稻穗分割方法，其特征在于，包括：

步驟A，選取穗型、遮擋程度以及穗葉混疊情況差異大的品種，選取不同光照條件的原始圖像，用于構建稻穗分割網絡模型；

步驟B，人工利用Photoshop對這些圖像進行像素級標注，稻穗像素被標注為1，背景像素被標注為0；

步驟C，對每一張圖像，均進行亮度調整，具體為保持H分量和S分量不變，V分量分別增大、減小20％，用于模擬大田環境中的光照變化，提高分割網絡的泛化能力；

步驟D，對所有訓練樣本圖像進行簡單線性迭代聚類方法(simple linear iterativeclustering，SLIC)聚類處理，對于聚類后的每個不規整區域的聚類中心，提取維度為5的向量，即X坐標、Y坐標及LAB顏色分量，接著，通過高斯混合模型，將所有區域塊聚成兩類，然后分別計算每個類別的像素面積之和，以此來確定正負樣本的平衡系數，進行樣本平衡；

步驟E，基于Caffe平臺訓練分割網絡模型，網絡的前半部分采用了ResNet-101層，并將ResNet-101中加入Squeeze and Excitation Module(SE)結構來進行特征層重要性的篩選，構成SE-ResNet結構；替換原始ResNet-101網絡模塊4和模塊5中全部的卷積層，將步長由2改成1，并將模塊4中傳統卷積層全用“dilation＝2”的空洞卷積層替換，模塊5中傳統卷積層全用“dilation＝4”的空洞卷積來替換；網絡的后半部分采用了空洞金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)和金字塔池化(Spatial Pyramid Pooling，SPP)的結構；網絡主分支結構最后的損失函數采用交叉熵損失，逐像素比較預測類別和真實類別的交叉熵，然后對整張圖像的全部像素求和后得到主分支的交叉熵損失；除了主分支，在SE-ResNet101中的模塊4之后引出了一條分支結構，該分支主要用來對模塊4之前的淺層網絡進行輔助損失計算，其損失的計算方式也是逐像素水平的交叉熵損失；最后，總體的損失是兩部分損失的加權和，其中主分支部分的交叉熵損失占主要部分，而輔助損失占的權重較小，為0.4；

步驟F，基于訓練好的網絡模型，分割稻穗。

2.根據權利要求1所述的基于深度學習的大田稻穗分割方法，其特征在于，所述步驟E中的ResNet結構主要由三個卷積層組成，第一個卷積層為降維卷積，該層采用的卷積核大小為1×1，并利用zero-padding方法來補充邊界以保證從該層輸出特征圖的空域大小不變，第三個卷積層為1×1大小的升維卷積，其也會保證輸出的特征圖的空域和輸入特征圖一致，但會增加輸出特征圖的深度，每一個卷積層后面都是先連接一個BN層，然后再接上一個Relu非線性層，殘差結構的輸出是由兩條鏈路求和構成的，左邊一條鏈路直接是原始的輸入特征圖，而右邊的一條鏈路是通過若干卷積層處理后的結果。

3.根據權利要求1所述的基于深度學習的大田稻穗分割方法，其特征在于，所述步驟E中將SE結構和ResNet101結構相結合的SE-ResNet101結構中的SE結構主要由兩部分組成，第一部分為Squeeze操作，利用全局的平均池化層來沿著空域進行特征壓縮，將一個二維的特征通道變成一個實數；第二部分是Excitation操作，該步驟使用可學習的參數w來為每個特征通道生成對應的權重，這個權重反應了每個特征通道的重要性；由于每個w的取值范圍為0到1之間，因此在SE網絡結構中使用了sigmoid非線性層來將輸出歸一化到0到1之間；最后是一個尺度化操作，即將經過Excitation的輸出權重w逐通道的乘到對應的特征通道上，從而實現根據這個重要程度去提升有用的特征并抑制對當前任務用處不大特征的目的。

4.根據權利要求1所述的基于深度學習的大田稻穗分割方法，不僅適用于復雜大田環境下的稻穗分割，其也適用于室內盆栽環境下的稻穗分割，并且也可應用于包括小麥、大麥和玉米在內的農作物的果穗分割。