申请/专利权人：武汉理工大学

申请日：2023-08-29

公开（公告）日：2024-04-12

公开（公告）号：CN117218615B

主分类号：G06V20/56

分类号：G06V20/56;G06V10/12;G06V10/75;G06V10/764;G06T7/73;G06V10/82;G06N3/0464;G06N3/048;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.12.29#实质审查的生效;2023.12.12#公开

摘要：本发明提供了一种大豆落花落荚表型调查方法，该方法包括：控制机器人移动至目标植株位置；控制机器人采集目标植株全生育期内的待识别植株图像；基于训练完备的目标识别模型，对所述待识别植株图像中的花和荚进行识别框选，确定待识别植株图像中花和荚的类别和位置框信息；基于所述待识别植株图像中花和荚的类别和位置框信息，对目标植株全生育期内的花和荚的掉落情况进行统计，得到目标植株的落花落荚表型。本发明提高落花落荚表型调查的效率和准确性，实现了对落花落荚表型的高通量表型数据采集。

主权项：1.一种大豆落花落荚表型调查方法，其特征在于，包括：控制机器人移动至目标植株位置；控制机器人采集目标植株全生育期内的待识别植株图像；基于训练完备的目标识别模型，对所述待识别植株图像中的花和荚进行识别框选，确定待识别植株图像中花和荚的类别和位置框信息；基于所述待识别植株图像中花和荚的类别和位置框信息，对目标植株全生育周期内花和荚的掉落情况进行统计，得到目标植株的落花落荚表型；所述训练完备的目标识别模型包括特征提取主干模块、注意力机制模块、特征提取金字塔模块和特征检测头模块；所述基于训练完备的目标识别模型，对所述待识别植株图像中的花和荚进行识别框选，确定待识别植株图像中花和荚的类别和位置框信息，包括：基于特征提取主干模块对所述待识别植株图像进行特征提取，确定不同尺度的多个提取特征图；基于所述注意力机制模块对所述多个提取特征图中的花和荚信息进行注意力侧重，确定带有注意力信息的多个注意力特征图；基于特征提取金字塔模块对所述多个注意力特征图进行多尺度特征融合，确定具有多尺度信息的多个融合特征图；基于特征检测头模块对所述多个融合特征图中的花和荚进行识别框选，确定待识别植株图像中花和荚的类别和位置框信息；所述多个提取特征图包括第一提取特征图、第二提取特征图和第三提取特征图，所述注意力机制模块包括第一注意力子模块、第二注意力子模块和第三注意力子模块；所述基于所述注意力机制模块对所述多个提取特征图中的花和荚信息进行注意力侧重，确定带有注意力信息的多个注意力特征图，包括：基于所述第一注意力子模块、第二注意力子模块和第三注意力子模块，分别对所述第一提取特征图、所述第二提取特征图和所述第三提取特征图的花和荚信息进行注意力侧重，得到对应的带有注意力信息的第一注意力特征图、第二注意力特征图和第三注意力特征图；其中，基于所述第一注意力子模块对所述第一提取特征图的花和荚信息进行注意力侧重，得到第一注意力特征图，包括：对第一提取特征图的高方向和宽方向进行全局平均池化，得到宽方向特征图和高方向特征图；将所述宽方向特征图和所述高方向特征图进行合并，得到合并特征图；将所述合并特征图进行降维，得到降维后的合并特征图；将所述降维后的合并特征图进行分割，得到新的宽方向特征图和高方向特征图；将所述新的宽方向特征图和高方向特征图分别进行卷积，确定恢复到原本维度的宽方向特征图和恢复到原本维度的高方向特征图；使用激活函数确定所述恢复到原本维度的宽方向特征图的第一注意力权重，以及所述恢复到原本维度的高方向特征图的第二注意力权重；基于所述第一注意力权重和所述第二注意力权重，对所述第一提取特征图进行加权操作，获得带有注意力信息的第一注意力特征图。

全文数据：

权利要求：

百度查询： 武汉理工大学 一种大豆落花落荚表型调查方法

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