[發明專利]基于改進多列卷積神經網絡的作物苗期植株計數方法

在審

• 申請號: 202210975343.4
• 申請日: 2022-08-15
• 公開（公告）號: CN115424257A
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 羊海潮;袁皓煜;尹子琴;李毅
• 申請（專利權）人: 大理大學
• 主分類號: G06V20/68
• 分類號: G06V20/68;G06V10/52;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 蘇州中合知識產權代理事務所(普通合伙) 32266
• 代理人: 阮梅

1.基于改進多列卷積神經網絡的作物苗期植株計數方法，其特征在于，包括如下步驟：

獲取待估計苗期植株圖像；

將待估計苗期植株圖像輸入預設的苗期植株計數模型中，所述苗期植株計數模型包括多列卷積分支注意力編碼器、多分支融合模塊以及上采樣可視化模塊，其中，所述多列卷積神經網絡模型用于提取不同尺度大小的特征；所述多分支特征融合模塊用于將不同尺度大小的特征進行融合并將融合后的特征通過1維卷積濾波層進行注意力映射；所述上采樣可視化模塊用于將映射后的特征恢復密度圖的分辨率，獲得估計的苗期植株密度圖；

計算苗期植株密度圖中像素點概率值并進行累加，得到待估計苗期植株圖像中苗期植株的數量。

2.根據權利要求1所述的基于改進多列卷積神經網絡的作物苗期植株計數方法，其特征在于，所述多列卷積神經網絡模型包括并列連接的分支1、分支2和分支3，所述分支1中引入位置注意力模塊，用于得到位置注意力特征，所述分支3中引入通道注意力模塊，用于得到通道注意力特征。

3.根據權利要求2所述的基于改進多列卷積神經網絡的作物苗期植株計數方法，其特征在于，所述分支1的結構，如下所示：

Conv1：卷積核大小為9×9，通道數量為16，步長為4；

最大池化層：過濾器大小為2×2，步長為2；

Conv2：卷積核大小為7×7，通道數量為32，步長為3；

最大池化層：過濾器大小為2×2，步長為2；

位置注意力模塊；

Conv3：卷積核大小為7×7，通道數量為16，步長為3；

Conv4：卷積核大小為7×7，通道數量為8，步長為3。

4.根據權利要求3所述的基于改進多列卷積神經網絡的作物苗期植株計數方法，其特征在于，所述位置注意力模塊的處理過程，如下所示：

將分支1提取的特征F_B1分別輸入到三個不同的1×1卷積層中并使用重組或轉置操作，獲得三個特征圖P_B1:1、P_B1:2和P_B1:3；

對特性圖P_B1:1和P_B1:3使用矩陣乘法和Softmax運算，將權重和歸一化為和為1的概率分布，得到位置注意圖P_B1:a，計算公式如下：

其中表示第i個位置對第j個位置的影響，

對P_B1:a和P_B1:1之間應用矩陣乘法，然后將輸出維度重組為特征F_B1大小，對于F_B1的最終和操作，使用一個可學習的因子來縮放輸出，計算公式如下：

其中，λ是可學習參數。

5.根據權利要求2所述的基于改進多列卷積神經網絡的作物苗期植株計數方法，其特征在于，所述分支3的結構，如下所示：

Conv1：卷積核大小為5×5，通道數量為24，步長為2；

最大池化層：過濾器大小為2×2，步長為2；

Conv2：卷積核大小為3×3，通道數量為48，步長為1；

最大池化層：過濾器大小為2×2，步長為2；

通道注意力模塊；

Conv3：卷積核大小為3×3，通道數量為24，步長為1；

Conv4：卷積核大小為3×3，通道數量為12，步長為1。