申请/专利权人：吉林农业大学

申请日：2022-11-08

公开（公告）日：2024-04-05

公开（公告）号：CN115661544B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/77;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2023.02.17#实质审查的生效;2023.01.31#公开

摘要：本发明公开了基于N‑MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法，属于图像识别和深度学习技术领域，包括图像采集模块、图像预处理模块、图像特征提取模块及显示模块；图像采集模块加载一张菠菜幼苗图片或视频中的一帧作为输入；将采集的图像输入到图像处理模块进行图像预处理，处理好的待检测图像继续输入到图像特征提取模块中，图像特征提取模块将图像预处理模块发送的菠菜叶片图像进行特征提取并分级，并通过显示模块输出等级结果。本发明应用卷积神经网络，根据菠菜叶片图像识别菠菜幼苗的水分胁迫等级并分类，从而实现快速有效的菠菜幼苗水分胁迫检测以监测作物状态，为作物灌溉提供科学指导。

主权项：1.基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类方法，其特征在于，具体包括如下内容：图像采集模块加载一张菠菜幼苗图片或视频中的一帧作为输入；将采集的图像输入到图像处理模块进行图像预处理，处理好的待检测图像继续输入到图像特征提取模块中，图像特征提取模块将图像预处理模块发送的菠菜叶片图像进行特征提取并分级，并通过显示模块输出等级结果；所述图像特征提取模块将图像预处理模块发送的菠菜叶片图像进行特征提取并分级，具体包括如下内容：S1：构建菠菜幼苗不同水分胁迫数据集并进行数据清洗，具体如下：采集菠菜幼苗不同水分胁迫原图像，并将不清晰和不完整的图像删除；S2：对图像进行数据增强操作并划分训练集和测试集，具体如下：将清洗后的图像进行数据增强操作，然后把增强后的数据进行划分，划分为训练集和测试集；S3：构建菠菜幼苗水分胁迫等级分类模型，具体如下：S31、基于MobileNetXT网络模型，选用Relu6作为激活函数，获得特征图；S32、将提取的特征图输入改进的沙漏残差模块，再通过分组卷积模块进行卷积操作，得到图像的深层特征；S33、在N-MobileNetXt网络中引入NCAM注意力机制，构造菠菜幼苗水分胁迫等级分类模型；S4：将数据集输入到菠菜幼苗水分胁迫等级分类模型中进行训练，获得训练好的分级模型，具体如下：将训练集的图像数据输入到菠菜幼苗水分胁迫等级分类模型中进行训练，提取图像特征，然后使用测试集进行测试调参，最终获得菠菜幼苗水分胁迫等级分类模型；S5：获取待分级的菠菜幼苗图像，输入分类模型中，输出水分胁迫等级，具体如下：获取待分级的菠菜幼苗图像，并按照步骤S1中的图像预处理操作处理图像，得到符合模型输入大小的待检测菠菜幼苗图像，将其输入分类模型中进行分类，输出菠菜幼苗水分胁迫等级结果，完成对菠菜幼苗的水分胁迫无损分类任务；步骤S3中，所述改进的沙漏残差模块用于特征提取，所述NCAM注意力机制模块用于增强图像特征，所述分组卷积模块用于特征图压缩；所述沙漏残差模块包括拓展层模块及投影层模块，其中，投影层模块采用1×1卷积网络结构，用于将高维特征映射到低维空间，拓展层模块采用1×1卷积网络结构，用于将低维空间映射到高维空间，维度扩张倍数确定为5倍时准确率和模型大小最优；所述NCAM注意力机制包括NAM注意力、同平均池化层及最大池化层三个并行支路，三个并行分支共同连接由多层感知机构成的共享网络，在共享网络中，首先经过SimConv卷积实现通道数压缩，然后连接PReLU激活函数，最后再通过一个SimConv层扩张到原通道数；经过共享网络后，生成对应的三个输出结果，对其输出数据进行逐元素相加；最后通过sigmoid激活函数得到NCAM的输出结果；所述分组卷积模块用于将特征图分为四组后，参数量变为原本的四分之一，有效减轻模型的计算压力。

全文数据：

权利要求：

百度查询： 吉林农业大学 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法

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