[發(fā)明專利]一種基于改進CenterNet的植物冠層密集葉片計數(shù)方法

有效

• 申請?zhí)枺?/td>: 202110598653.4
• 申請日: 2021-05-31
• 公開（公告）號: CN113191334B
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計）人: 陸聲鏈;陳文康;李幗
• 申請（專利權(quán)）人: 廣西師范大學(xué)
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/44;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標事務(wù)所有限責(zé)任公司 45112
• 代理人: 周雯

本發(fā)明公開了一種基于改進CenterNet的植物冠層葉片計數(shù)方法，該方法通過改進CenterNet網(wǎng)絡(luò)模型結(jié)構(gòu)和優(yōu)化損失過程函數(shù)，在網(wǎng)絡(luò)輸入端加入空間轉(zhuǎn)深度模塊，將輸入圖像轉(zhuǎn)化為不同深度模塊，同時引入CBAM注意力模塊，以便檢測不同分辨率下的葉片邊緣信息；然后運用空洞卷積的空間金字塔池化提取不同尺度下的圖像感受野特征并融合輸入DLA?34主干網(wǎng)絡(luò)中；最后運用逆向空間轉(zhuǎn)深度模塊將不同DLA?34網(wǎng)絡(luò)在不同階段得到的特征信息連起來，以保留密集、不規(guī)則葉片的特征，還使用smooth_L1函數(shù)對原CenterNet網(wǎng)絡(luò)使用的目標預(yù)測損失函數(shù)進行了優(yōu)化，克服了不同感受野下重疊葉片和不規(guī)則葉片的檢測問題，可以在復(fù)雜自然環(huán)境下對不同生長時期、不同遮擋程度的植物冠層葉片進行計數(shù)。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識別技術(shù)領(lǐng)域，具體是一種基于改進CenterNet的植物冠層密集葉片計數(shù)方法。

背景技術(shù)

植物表型研究是研究在特定條件下植物所表現(xiàn)出的可觀察的結(jié)構(gòu)、功能等形態(tài)特征及其變化規(guī)律，正成為學(xué)術(shù)和產(chǎn)業(yè)界公認的核心研究和應(yīng)用領(lǐng)域之一，是解決面向未來的農(nóng)業(yè)挑戰(zhàn)的核心技術(shù)領(lǐng)域之一。植物的表型參數(shù)會隨著植物器官的生長而變化，準確和快速的獲取植物表型信息可幫助了解作物的產(chǎn)量規(guī)律、提高作物產(chǎn)量。因此，植物表型信息的快速檢測技術(shù)成為現(xiàn)代農(nóng)業(yè)和信息技術(shù)的研究熱點，并且在科學(xué)研究和提高農(nóng)作物的生產(chǎn)力中起著至關(guān)重要的作用。與此同時，在計算機視覺方面也涌現(xiàn)出了大量更為準確、高效的圖像處理算法與技術(shù)，在為植物圖像處理領(lǐng)域的發(fā)展帶來了新機遇的同時也提出了更多的挑戰(zhàn)。

許多研究者圍繞該問題開展了大量研究，提出了一些解決方法。例如，部分研究者提出使用基于顏色的葉片分割技術(shù)，通過HSV色彩空間的分水嶺分割方法從具有復(fù)雜背景的植物圖像中提取葉子區(qū)域，并將現(xiàn)有提取的葉片模板與隱藏數(shù)據(jù)進行匹配，以提高對葉片分割的準確性。此外還有學(xué)者提出基于形狀特征的圖像分割技術(shù)，采用主動輪廓法，并設(shè)置相應(yīng)的參數(shù)限制分割輪廓，提取圖片中的葉片輪廓。近年來，有研究者提出了基于卷積神經(jīng)網(wǎng)絡(luò)的葉片識別方法，這些方法一般首先獲取葉片的RGB圖片，并進行預(yù)處理和標注，構(gòu)建葉片數(shù)據(jù)集，設(shè)置好網(wǎng)絡(luò)模型的參數(shù)后，將訓(xùn)練集放入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，最后就能得到葉片檢測模型。此外，也有人利用基于圖像計算的方法，獲取待測葉片的初始輪廓圖像，通過幾何形態(tài)學(xué)方法對圖像進行篩選，獲取目標葉片的輪廓，再通過輪廓特征進行分割識別。

現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)的葉片識別方法中，一個缺點是在統(tǒng)計葉片時，過于注重對單個目標的識別精度，沒有考慮卷積神經(jīng)網(wǎng)絡(luò)的深度和檢測速度；另一個不足是在優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)時，往往降低了識別精度，缺少對指定目標的識別信息。基于圖像計算或區(qū)域分割方法對葉片計數(shù)的主要缺點是缺乏對復(fù)雜環(huán)境下，重疊、密集葉片的識別，僅能大致的將明顯的葉片輪廓或者特性描述分割出來，而丟失了一些被遮擋葉片的細節(jié)，統(tǒng)計不到準確的葉片數(shù)量。

不同品種的葉片個體、顏色、生長特性等特征隨著生長周期的不同而表現(xiàn)出不同的差異，即使是同一種類的不同葉片，形態(tài)特征也不盡相同，不同品種的葉片更是有不同的性狀特征。由于不同植物在其形狀、紋理等幾何參數(shù)上存在著巨大的差異，而且在不同的自然環(huán)境下，植物還會受到光照條件、葉片重疊、病蟲災(zāi)害等因素都會影響葉片的識別。因此，在葉片計數(shù)時，考慮葉片自身的因素和復(fù)雜環(huán)境的影響是十分必要的。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，而提供一種基于改進CenterNet的植物冠層密集葉片計數(shù)方法，該方法對CenterNet算法進行了進一步的改進，其思想是先優(yōu)化算法中的目標大小預(yù)測損失函數(shù)，再用空間轉(zhuǎn)深度模塊結(jié)合CBAM注意力模塊強調(diào)不同尺度下葉片的特征，最后運用空洞卷積的空間金字塔池化(ASPP)與深層特征網(wǎng)絡(luò)采用密集連接，克服不同感受野下重疊葉片和不規(guī)則葉片的檢測問題，可以在復(fù)雜自然環(huán)境下對不同生長時期、不同遮擋程度的植物冠層葉片進行計數(shù)。

實現(xiàn)本發(fā)明目的的技術(shù)方案是：