[發(fā)明專利]麥穗檢測方法、電子裝置和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110684484.6
• 申請日: 2021-06-21
• 公開（公告）號: CN113313063A
• 公開（公告）日: 2021-08-27
• 發(fā)明（設(shè)計）人: 郭洪飛;李嘉明;何智慧;任亞平;韓世林;朝寶
• 申請（專利權(quán)）人: 暨南大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京卓特專利代理事務(wù)所(普通合伙) 11572
• 代理人: 段宇

1.一種麥穗檢測方法，其特征在于，所述檢測方法包括：

獲取待檢測的第一小麥圖像；

分別利用第一注意力機制檢測模型和第二注意力機制檢測模型對所述第一小麥圖像進行處理，得到所述第一小麥圖像對應(yīng)的第一標(biāo)簽數(shù)據(jù)和第二標(biāo)簽數(shù)據(jù)，其中，所述第一注意力機制檢測模型是根據(jù)樣本小麥圖像和與所述樣本小麥圖像對應(yīng)的標(biāo)簽數(shù)據(jù)訓(xùn)練得到的，所述第二注意力機制檢測模型是根據(jù)第一標(biāo)簽圖像和所述第一標(biāo)簽圖像所對應(yīng)的實測標(biāo)簽數(shù)據(jù)訓(xùn)練得到的，所述第一標(biāo)簽圖像是根據(jù)所述樣本小麥圖像和所述第一標(biāo)簽數(shù)據(jù)生成的訓(xùn)練數(shù)據(jù)；

基于預(yù)設(shè)融合算法對所述第一標(biāo)簽數(shù)據(jù)和第二標(biāo)簽數(shù)據(jù)進行融合處理，并根據(jù)融合處理后的標(biāo)簽數(shù)據(jù)確定麥穗檢測結(jié)果，其中，所述標(biāo)簽數(shù)據(jù)包括：麥穗的預(yù)測框數(shù)據(jù)、預(yù)測框中圖像為麥穗的預(yù)測概率。

2.根據(jù)權(quán)利要求1所述的麥穗檢測方法，其特征在于，獲取待檢測的第一小麥圖像之后，所述方法包括：對所述小麥圖像進行圖像增強處理，生成多張增強的第一小麥圖像，其中，所述圖像增強處理至少包括圖像平移、圖像旋轉(zhuǎn)和圖像轉(zhuǎn)置。

3.根據(jù)權(quán)利要求1所述的麥穗檢測方法，其特征在于，根據(jù)融合處理后的標(biāo)簽數(shù)據(jù)確定麥穗檢測結(jié)果，包括：

將所述第一標(biāo)簽數(shù)據(jù)和所述第二標(biāo)簽數(shù)據(jù)所對應(yīng)的所有預(yù)測框數(shù)據(jù)進行加權(quán)邊框融合處理，得到融合后的標(biāo)簽數(shù)據(jù)；其中，所述預(yù)測框數(shù)據(jù)包括預(yù)測框的位置信息和置信度；

將融合處理后的標(biāo)簽數(shù)據(jù)中，對應(yīng)置信度大于預(yù)設(shè)閾值的標(biāo)簽數(shù)據(jù)作為麥穗檢測結(jié)果。

4.根據(jù)權(quán)利要求1所述的麥穗檢測方法，其特征在于，基于預(yù)設(shè)融合算法對所述第一標(biāo)簽數(shù)據(jù)和第二標(biāo)簽數(shù)據(jù)進行融合處理，包括：

將所述第一標(biāo)簽數(shù)據(jù)和第二標(biāo)簽數(shù)據(jù)中的所有預(yù)測框數(shù)據(jù)按置信度降序排列，得到第一預(yù)測表，并分別建立空的第一融合表和空的第二融合表；

循環(huán)遍歷所述第一預(yù)測表中的每組預(yù)測框數(shù)據(jù)，并在第一融合表中搜索與所述每組預(yù)測框數(shù)據(jù)相匹配的預(yù)測框數(shù)據(jù)，并獲取搜索結(jié)果；

根據(jù)所述搜索結(jié)果，將遍歷到的預(yù)測框數(shù)據(jù)分別按預(yù)設(shè)的寫入方式寫入所述第二融合表所對應(yīng)的預(yù)設(shè)位置，并根據(jù)所述第二融合表在所述預(yù)設(shè)位置處的多個所述預(yù)測框數(shù)據(jù)，更新處于所述第一融合表中與所述預(yù)設(shè)位置對應(yīng)的位置處的預(yù)測框數(shù)據(jù)；

對所述第一融合表中的預(yù)測框數(shù)據(jù)進行基于模型數(shù)的置信度調(diào)整，根據(jù)完成置信度調(diào)整的所述第一融合表中的所述預(yù)測框數(shù)據(jù)確定融合后的標(biāo)簽數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的麥穗檢測方法，其特征在于，所述方法還包括：

在未搜索到與遍歷到的預(yù)測框數(shù)據(jù)相匹配的預(yù)測框數(shù)據(jù)的情況下，將所述遍歷到的預(yù)測框數(shù)據(jù)分別寫入所述第一融合表和所述第二融合表的末尾位置；

在搜索到與遍歷到的預(yù)測框數(shù)據(jù)相匹配的預(yù)測框數(shù)據(jù)的情況下，將所述遍歷到的預(yù)測框數(shù)據(jù)寫入至所述第二融合表的第一預(yù)設(shè)位置，對處于所述第一預(yù)設(shè)位置處的多組預(yù)測框數(shù)據(jù)的置信度進行加權(quán)，并根據(jù)加權(quán)后的置信度更新處于所述第一融合表中與所述第一預(yù)設(shè)位置對應(yīng)的位置處的預(yù)測框數(shù)據(jù)，其中，所述第一預(yù)設(shè)位置包括，索引值與所述第一融合表中的第二預(yù)設(shè)位置相同的位置；所述第二預(yù)設(shè)位置包括與遍歷到的預(yù)測框數(shù)據(jù)相匹配的預(yù)測框數(shù)據(jù)所在的位置。

6.根據(jù)權(quán)利要求1所述的麥穗檢測方法，其特征在于，分別利用第一注意力機制檢測模型和第二注意力機制檢測模型對所述第一小麥圖像進行處理，得到所述第一小麥圖像對應(yīng)的第一標(biāo)簽數(shù)據(jù)和第二標(biāo)簽數(shù)據(jù)，包括：

利用所述第一注意力機制檢測模型從所述第一小麥圖像中提取第一圖像特征；對所述第一圖像特征進行預(yù)測，生成所述第一標(biāo)簽數(shù)據(jù)，其中，所述第一標(biāo)簽數(shù)據(jù)包括第一預(yù)測框數(shù)據(jù)和第一預(yù)測概率；以及利用所述第二注意力機制檢測模型從所述第一小麥圖像中提取第二圖像特征，生成所述第二標(biāo)簽數(shù)據(jù)，其中，所述第二標(biāo)簽數(shù)據(jù)包括第二預(yù)測框數(shù)據(jù)和第二預(yù)測概率。