[發(fā)明專利]一種基于計(jì)算機(jī)視覺(jué)半監(jiān)督偽標(biāo)簽學(xué)習(xí)的小麥頭檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110849609.6
• 申請(qǐng)日: 2021-07-27
• 公開(kāi)（公告）號(hào): CN113554627B
• 公開(kāi)（公告）日: 2022-04-29
• 發(fā)明（設(shè)計(jì)）人: 鐘必能;張子凱;鄭耀宗;梁?jiǎn)⒒?/a>;李先賢
• 申請(qǐng)（專利權(quán)）人: 廣西師范大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 桂林市華杰專利商標(biāo)事務(wù)所有限責(zé)任公司 45112
• 代理人: 陸夢(mèng)云

本發(fā)明公開(kāi)了一種基于計(jì)算機(jī)視覺(jué)半監(jiān)督偽標(biāo)簽學(xué)習(xí)的小麥頭檢測(cè)方法，其特征在于，所述方法包括：訓(xùn)練不同的小麥頭檢測(cè)模型和半監(jiān)督偽標(biāo)簽學(xué)習(xí)策略。這種方法具有在各種場(chǎng)景下小麥識(shí)別的高魯棒性和高精確度，能實(shí)現(xiàn)智能識(shí)別小麥頭、以減少人力的消耗、提高識(shí)別效率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能、智慧農(nóng)業(yè)技術(shù)領(lǐng)域，具體是一種基于計(jì)算機(jī)視覺(jué)半監(jiān)督偽標(biāo)簽學(xué)習(xí)的小麥頭檢測(cè)方法。

背景技術(shù)

小麥?zhǔn)侨蛐缘募Z食作物，隨著我國(guó)對(duì)農(nóng)業(yè)現(xiàn)代化的推進(jìn)，用現(xiàn)代人工智能技術(shù)來(lái)提高小麥產(chǎn)量，輔助農(nóng)業(yè)生產(chǎn)管理成為一個(gè)重要的探索性問(wèn)題。傳統(tǒng)農(nóng)業(yè)的種植完全依靠人力的工作，這是一個(gè)極其耗時(shí)耗力的過(guò)程，而且整個(gè)過(guò)程無(wú)法持續(xù)保持高效工作且不出錯(cuò)，另外，傳統(tǒng)農(nóng)業(yè)由于無(wú)法實(shí)時(shí)監(jiān)管農(nóng)作物的生長(zhǎng)情況，一定程度上也影響了農(nóng)作物的產(chǎn)量。在推進(jìn)農(nóng)業(yè)現(xiàn)代化的過(guò)程中，利用智能化算法來(lái)實(shí)現(xiàn)自動(dòng)監(jiān)測(cè)小麥的生長(zhǎng)情況，能夠促使傳統(tǒng)農(nóng)業(yè)加快邁向現(xiàn)代化種植、智能化管理的新農(nóng)業(yè)時(shí)代。在計(jì)算機(jī)視覺(jué)領(lǐng)域，盡管經(jīng)過(guò)眾多學(xué)者的多年研究，目標(biāo)檢測(cè)算法有了很大的進(jìn)步，但在實(shí)際場(chǎng)景中仍然具有很大的挑戰(zhàn)，諸如不同地域的小麥品種不同、性狀多樣、生長(zhǎng)周期不一致等，因此構(gòu)建一個(gè)能夠在不同場(chǎng)景都保持高魯棒性和高精確度的檢測(cè)模型至關(guān)重要。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，而提供一種基于計(jì)算機(jī)視覺(jué)半監(jiān)督偽標(biāo)簽學(xué)習(xí)的小麥頭檢測(cè)方法。這種方法具有在各種場(chǎng)景下小麥識(shí)別的高魯棒性和高精確度，能實(shí)現(xiàn)智能識(shí)別小麥頭、以減少人力的消耗、提高識(shí)別效率。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種基于計(jì)算機(jī)視覺(jué)半監(jiān)督偽標(biāo)簽學(xué)習(xí)的小麥頭檢測(cè)方法，所述方法包括：訓(xùn)練不同的小麥頭檢測(cè)模型和半監(jiān)督偽標(biāo)簽學(xué)習(xí)策略，其中，

1)訓(xùn)練不同的小麥頭檢測(cè)模型為：訓(xùn)練不同的基于監(jiān)督訓(xùn)練方式的第一小麥頭檢測(cè)模型和第二小麥頭檢測(cè)模型，訓(xùn)練小麥頭檢測(cè)模型所使用的數(shù)據(jù)集是全球小麥頭檢測(cè)數(shù)據(jù)集，它是由七個(gè)國(guó)家的九個(gè)研究所主導(dǎo)完成的數(shù)據(jù)集，包括東京大學(xué)、法國(guó)國(guó)家農(nóng)業(yè)科學(xué)研究所、法國(guó)營(yíng)養(yǎng)與環(huán)境研究所、法國(guó)技術(shù)研究機(jī)構(gòu)Arvalis、瑞士蘇黎世聯(lián)邦理工學(xué)院、加拿大薩斯喀徹溫大學(xué)、澳大利亞昆士蘭大學(xué)、中國(guó)南京農(nóng)業(yè)大學(xué)和英國(guó)洛桑研究所，全球小麥頭檢測(cè)數(shù)據(jù)集用于小麥頭檢測(cè)的通用解決方案，用來(lái)估計(jì)小麥頭的數(shù)量和大小，在野外圖像中進(jìn)行準(zhǔn)確的小麥頭檢測(cè)十分具有挑戰(zhàn)性，小麥的重疊、外界因素，如風(fēng)吹會(huì)造成照片模糊不清，以及許多不可預(yù)知的問(wèn)題都會(huì)使識(shí)別單個(gè)小麥頭變得困難，此外，小麥的外觀會(huì)因成熟度、顏色、基因型和頭部方向、種植密度而存在巨大差異，同時(shí)還要考慮世界各地域種植不同的小麥品種，為了讓小麥檢測(cè)模型在不同檢測(cè)環(huán)境下具備更好的泛化性能，選取全球小麥頭檢測(cè)數(shù)據(jù)集中來(lái)自歐洲地區(qū)的法國(guó)、英國(guó)和瑞士、北美地區(qū)的加拿大的3000多張圖像作為訓(xùn)練數(shù)據(jù)集，選取全球小麥頭檢測(cè)數(shù)據(jù)集中來(lái)自澳大利亞，日本和中國(guó)的1000張不同地域不同品種的小麥頭圖像作為測(cè)試數(shù)據(jù)集，第一小麥頭檢測(cè)模型以yolov5s為基準(zhǔn)模型，訓(xùn)練過(guò)程如下：

1-1)訓(xùn)練樣本從全球小麥頭檢測(cè)數(shù)據(jù)集的訓(xùn)練集部分進(jìn)行批量選取，每批次隨機(jī)讀取n張圖片,n的數(shù)值任意選擇；

1-2)讀取圖片后進(jìn)行尺度縮放為640×640像素尺寸；

1-3)對(duì)所有批量圖片進(jìn)行數(shù)據(jù)增廣，包括變換顏色空間、圖片旋轉(zhuǎn)、隨機(jī)平移、翻轉(zhuǎn)、Mosaic、仿射變換；

1-4)經(jīng)過(guò)數(shù)據(jù)增廣后的圖片批量輸入yolov5s網(wǎng)絡(luò)模型，預(yù)測(cè)得到圖片中的目標(biāo)類別和位置信息，包括目標(biāo)物體類別、預(yù)測(cè)邊界框中心點(diǎn)坐標(biāo)、寬、高，接著把第一小麥頭檢測(cè)模型的預(yù)測(cè)值與輸入圖片的目標(biāo)標(biāo)簽通過(guò)損失函數(shù)進(jìn)行損失計(jì)算，計(jì)算得到的損失值會(huì)通過(guò)反向傳播算法將梯度回傳給網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)參數(shù)的迭代更新，通過(guò)這樣的學(xué)習(xí)模式，讓模型迭代地去學(xué)習(xí)識(shí)別目標(biāo)物體，不斷擬合真實(shí)數(shù)據(jù)的分布，旨在訓(xùn)練得到一個(gè)最佳性能的識(shí)別模型，其中，第一小麥頭檢測(cè)模型的分類損失函數(shù)采用Focal loss損失函數(shù)，如公式(1)所示：