[發(fā)明專利]一種基于最優(yōu)傳輸的田間棉花計數與定位方法

在審

• 申請?zhí)枺?/td>: 202310374489.8
• 申請日: 2023-04-04
• 公開（公告）號: CN116342574A
• 公開（公告）日: 2023-06-27
• 發(fā)明（設計）人: 李亞楠;黃雨涵;劉弈飛
• 申請（專利權）人: 武漢工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/70;G06V20/10;G06V10/40;G06V10/82;G06V10/774;G06N3/08;G06N3/0464
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 樊凡

本發(fā)明提供了一種基于最優(yōu)傳輸的田間棉花計數與定位方法，以田間棉花圖像為處理對象，構建基于最優(yōu)傳輸的網絡模型。首先以VGG19為主干框架提取特征，引入坐標注意力機制捕獲特征圖中位置信息；然后基于最優(yōu)傳輸理論計算預測密度圖與ground?truth點圖之間的傳輸代價；最后以此作為損失函數監(jiān)督密度圖回歸，進而實現田間棉花計數與定位。保存模型后實時對田間棉花進行計數與定位，為農業(yè)精細化智能管理手段提供重要依據。

技術領域

本發(fā)明屬于農業(yè)自動檢測技術領域，具體涉及一種基于最優(yōu)傳輸的田間棉花計數與定位方法。

背景技術

棉花是一種世界重要的經濟作物，也是重要的纖維和飼料來源。棉花田間管理的精準化、規(guī)范化是作物優(yōu)質高產的重要保證。其中，棉田間作物的密度信息和位置信息是促進定向高效節(jié)水灌溉、定點定量精準施肥等農業(yè)精細化智能管理手段的重要依據。

計算機視覺和機器學習技術的發(fā)展促進了農業(yè)應用領域的自動化水平。黃紫云等人在2020年發(fā)表論文“基于密度等級分類的田間棉鈴計數算法”為生成高質量密度圖，對圖像中棉鈴進行密度等級分類，將分類信息與特征相結合，以此實現了復雜田間的棉鈴計數。與早期的基于回歸的方法相比，其計數精度大幅提升。但密度圖僅能反映一張圖像中目標的個數，難以對空間分布以及位置信息做出準確判斷。宋懷波等人2012年發(fā)表論文“基于凸殼理論的遮擋蘋果目標識別與定位方法”利用形態(tài)學方法對果實目標進行處理，得到目標邊緣并進行輪廓跟蹤，利用目標邊緣的凸殼提取果實輪廓曲線，最后估計該光滑曲線段的圓心及半徑參數，實現果實的定位。這種方法需要大量的人工標注成本。同時，在目標分布密集時，作物間的大量遮擋會給模型學習帶來巨大的挑戰(zhàn)。因此，以上方法均無法滿足當前農業(yè)精細化智能管理的需要。

發(fā)明內容

本發(fā)明要解決的技術問題是：提供一種基于最優(yōu)傳輸的田間棉花計數與定位方法，用于田間棉花計數與定位。

本發(fā)明為解決上述技術問題所采取的技術方案為：一種基于最優(yōu)傳輸的田間棉花計數與定位方法，包括以下步驟：

S1：獲取田間棉花圖像，經過篩選后構建棉花圖像數據集，包括訓練集和測試集；

S2：構建基于最優(yōu)傳輸的JCCLNet網絡模型；JCCLNet網絡模型包括特征提取模塊和密度圖回歸模塊；

特征提取模塊以VGG19為主干框架提取特征，引入坐標注意力機制捕獲特征圖中的位置信息，用于提取圖像的深度特征；

密度圖回歸模塊基于最優(yōu)傳輸理論優(yōu)化經過特征提取模塊后的特征圖即初始預測密度圖，通過求解初始預測密度圖與ground-truth點標注圖之間的最優(yōu)傳輸方案，計算傳輸代價作為損失函數監(jiān)督密度圖回歸；

S3：初始化模型參數，將訓練集輸入到JCCLNet網絡模型進行參數調整；

S4：將測試集中的棉花圖像輸入到JCCLNet網絡模型中，輸出棉花的計數結果和定位結果，并計算計數誤差和定位精度，以驗證模型的有效性；

S5：將實時獲取的棉花圖像輸入至訓練好的JCCLNet網絡模型，輸出結果即為棉花計數與定位結果。

按上述方案，所述的步驟S1中，具體步驟為：

S11：按不同光照、不同分布、不同區(qū)域條件獲取田間棉花圖像；

S12：使用圖形圖像標注工具Labelme對數據集中每一幅棉花圖像中的每個棉花目標進行精確地點標注，得到ground-truth標簽；

S13：將標注后的圖像按照3：1的比例隨機分為初始訓練集和測試集。

按上述方案，所述的步驟S2中，特征提取模塊包括VGG19基礎模塊、坐標注意力模塊和回歸層；