[發明專利]麥穗檢測方法、電子裝置和存儲介質

在審

• 申請號: 202110684484.6
• 申請日: 2021-06-21
• 公開（公告）號: CN113313063A
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 郭洪飛;李嘉明;何智慧;任亞平;韓世林;朝寶
• 申請（專利權）人: 暨南大學
• 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所(普通合伙) 11572
• 代理人: 段宇

本申請涉及一種麥穗檢測方法、電子裝置和存儲介質，其中，該麥穗檢測方法包括：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其進行處理，得到第一標簽數據和第二標簽數據，其中，第一注意力機制檢測模型是根據樣本小麥圖像和對應的標簽數據訓練得到的，第二注意力機制檢測模型是根據第一標簽圖像和第一標簽圖像所對應的實測標簽數據訓練得到的，第一標簽圖像是根據樣本小麥圖像和第一標簽數據生成的訓練數據；基于預設融合算法對第一標簽數據和第二標簽數據進行融合處理，并確定麥穗檢測結果。通過本申請，解決了相關技術中麥穗檢測性能差、成本高的問題，實現了麥穗的準確檢測。

技術領域

本申請涉及小麥檢測技術領域，特別是涉及麥穗檢測方法、電子裝置和存儲介質。

背景技術

小麥是世界貿易量最大的重要糧食作物,也是我國主要的糧食作物之一。育種對于確保小麥穩定產量尤為重要，當前普遍采用的小麥的育種方式是先選取培育品種在實驗田進行小面積播種，待達到實驗預期產量后，再進行大面積的推廣種植。其中，小麥產量預測是小麥培育生產中的重要步驟，而麥穗檢測可以為其提供重要的參考依據，因此如何準確的檢測出小麥麥穗，也就成為了計算機自動預測小麥產量的關鍵。

現階段小麥穗檢測主要以傳統的人工檢測和傳統深度學習檢測為主。依靠傳統的人工檢測的方式效率不高，對于一片麥田往往需要幾千張圖片才能評估整個麥田的產量，不僅耗時、耗力，而且成本高。而采用傳統的深度學習方法，例如一種麥穗計數方法及裝置中，將麥田環境下拍攝到的圖像輸入至圖像識別模型，輸出圖像的標簽；又例如一種基于深度學習點監督思想的麥穗檢測和計數方法中，小麥檢測網絡模型具體為首先通過下采樣網絡提取特征，然后通過上采樣路徑對提取的特征進行上采樣的網絡模型。直接使用傳統的深度學習方法進行小麥檢測時，其性能較差，同時由于采用的是有監督學習，即僅將預測小麥圖像輸入到模型中進行檢測，沒有對模型或預測圖像進行處理來提升小麥檢測性能，效果較差，且對于不同麥田或在擴充訓練樣本時需要重新標注不同小麥圖像進行訓練，其標注成本巨大。

目前針對相關技術中對麥穗檢測性能差、成本高的問題，尚未提出有效的解決方案。

發明內容

本申請實施例提供了一種麥穗檢測方法、電子裝置和存儲介質，以至少解決相關技術中麥穗檢測性能差、成本高的問題。

第一方面，本申請實施例提供了一種麥穗檢測方法，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的第一標簽數據和第二標簽數據，其中，所述第一注意力機制檢測模型是根據樣本小麥圖像和與所述樣本小麥圖像對應的標簽數據訓練得到的，所述第二注意力機制檢測模型是根據第一標簽圖像和所述第一標簽圖像所對應的實測標簽數據訓練得到的，所述第一標簽圖像是根據所述樣本小麥圖像和所述第一標簽數據生成的訓練數據；基于預設融合算法對所述第一標簽數據和第二標簽數據進行融合處理，并根據融合處理后的標簽數據確定麥穗檢測結果，其中，所述標簽數據包括：麥穗的預測框數據、預測框中圖像為麥穗的預測概率。

在其中一些實施例中，獲取待檢測的第一小麥圖像之后，所述檢測方法包括：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、圖像旋轉和圖像轉置。

在其中一些實施例中，根據融合處理后的標簽數據確定麥穗檢測結果包括：將所述第一標簽數據和所述第二標簽數據所對應的所有預測框數據進行加權邊框融合處理，得到融合后的標簽數據；其中，所述預測框數據包括預測框的位置信息和置信度；將融合處理后的標簽數據中，對應置信度大于預設閾值的標簽數據作為麥穗檢測結果。