申请/专利权人：河南省农业科学院农业经济与信息研究所

申请日：2023-11-18

公开（公告）日：2024-03-08

公开（公告）号：CN117671416A

主分类号：G06V10/774

分类号：G06V10/774;G06V10/764;G06V10/82;G06V10/26;G06V20/10;G06V20/17

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明公开了一种基于计算机视觉技术的小麦倒伏自动分类方法，倒伏是制约小麦产量的关键因素，针对现有小麦倒伏区域面积统计费时费力、倒伏分类方法较为单一、模型预测精度低的问题，本发明基于无人机遥感平台获取小麦倒伏可见光图像，自建小麦倒伏图像数据集，采用分割模型U‑Net、PSPNet、DeepLabv3+和ACSNet自动提取小麦倒伏区域，结果表明，通过4种方法对小麦倒伏区域提取比较，ACSNet对小麦倒伏检测的分割效果较好，其Precision、Recall、DSC和IoU分别为87.5％、91.7％、87.0％、88.6％，FLOPs较低，具有较强的准确性和鲁棒性，经测试，ACSNet对小麦倒伏预测结果与真实结果接近，识别的平均相对误差为4.5％，本发明通过ACSNet能够有效提取小麦倒伏信息，为无人机遥感小麦受灾面积及评估损失提供支撑。

主权项：1.一种基于计算机视觉技术的小麦倒伏自动分类方法，其特征在于：方法包括以下步骤：S1：区域选择：实验采用完全随机区组设计，种植密度195万株hm2，共有82个小麦品种，每个小区冬小麦新品种种植6行，3次重复，小区面积12平方米，试验田管理措施高于普通大田；S2：数据采集：当实验种植遇到大风、暴雨异常天气，造成小麦倒伏，通过无人机遥感平台获取小麦灌浆期可见光倒伏图像，规划5条航线，获得原始图像700张；S3：模型构建和研究：将S2中收集到的700张原始图像经过水平翻转、旋转、随机裁剪、亮度调整进行数据增强和图像去噪，共获得25000张图像。利用Labelme将小麦倒伏区域标注为前景，其它区域标注为背景，按照8:1:1的比例将数据集分为训练集、验证集和测试集。为了方便网络训练，将原始图像统一裁剪为512像素×512像素，再通过卷积层、池化层和全连接层组成，对输入数据进行自动特征提取和分类；S4：模型学习：本发明共选择了四种最先进的深度学习模型：U-Net、PSPNet、DeepLabV3+和ACSNet，所有模型都使用迁移学习方法进行了预训练；S5：ACSNet网络结构改进：该网络主要包括输入端Input、局部上下文注意模块LCA、全局上下文模块GCM、自适应选择模块ASM和输出端Output，通过LCA和GCM模块的互补选择和跨层增强，ACSNet能够充分利用局部和全局上下文信息，提高小麦倒伏分割的准确性和稳定性，这种网络结构能够适应不同形状和大小的目标，并提高分割结果的稳定性和鲁棒性；S6：提出损失函数训练过程：所述S5中，ACSNet采用自适应上下文选择的编码器－解码器结构，在较高层次上采样的特征图进行分类损失的计算，有效地利用了网络的分辨率和语义信息，通过自适应动态调整损失函数和经典的分类损失函数的结合使用，可以在保证计算效率的同时，可以获得较好的分割效果；S7：结果分析：采用精准率Pre、召回率Rec、Dice相关系数DSC和IoUIntersectionoverUnion指数作为评价指标，以上指标取值在0～1之间，值越大，表明评估效果越好。本发明使用参数量、计算量FLOPs、模型大小及耗时评估模型性能；S8：定性与定量分析：通过S1-S7步骤的比较，得到ACSNet比U-Net、DeepLabV3+计算量低，但分割精准率高。因此，ACSNet可以使网络在训练过程中能够解决均衡难易度和正负样本不均衡问题。

全文数据：

权利要求：

百度查询： 河南省农业科学院农业经济与信息研究所 一种基于计算机视觉技术的小麦倒伏自动分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD