CN115661551B - 一种基于分裂注意力残差网络的小麦植株识别方法 - Google Patents

一种基于分裂注意力残差网络的小麦植株识别方法 Download PDF

Info

Publication number
CN115661551B
CN115661551B CN202211569735.7A CN202211569735A CN115661551B CN 115661551 B CN115661551 B CN 115661551B CN 202211569735 A CN202211569735 A CN 202211569735A CN 115661551 B CN115661551 B CN 115661551B
Authority
CN
China
Prior art keywords
module
split
wheat plant
convolution
branch
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211569735.7A
Other languages
English (en)
Other versions
CN115661551A (zh
Inventor
牛太阳
马朝硕
刘文龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinochem Agriculture Holdings
Original Assignee
Sinochem Agriculture Holdings
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sinochem Agriculture Holdings filed Critical Sinochem Agriculture Holdings
Priority to CN202211569735.7A priority Critical patent/CN115661551B/zh
Publication of CN115661551A publication Critical patent/CN115661551A/zh
Application granted granted Critical
Publication of CN115661551B publication Critical patent/CN115661551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供了一种基于分裂注意力残差网络的小麦植株识别方法，包括以下步骤：训练基于卷积神经网络的神经网络模型S‑Res2Net；通过无人机拍摄获取小麦植株图片；将获取到的小麦植株图片输入神经网络模型S‑Res2Net中，神经网络模型S‑Res2Net对小麦植株图片按品种进行分类；对分类后的小麦植株图片截取中下方区域部分并保存；本发明结合ResNeSt和Res2Net网络模型的结构特点，将Split‑Attention模块与Res2Net单元模块进行组合，即展现分层的残差连接使感受野在更细粒度级别上的变化能够捕获细节和全局特性，同时增加分散注意力机制更增加细粒度级别上的识别效果。

Description

一种基于分裂注意力残差网络的小麦植株识别方法
技术领域
本发明涉及智慧农业技术领域，特别涉及一种基于分裂注意力残差网络的小麦植株识别方法。
背景技术
小麦作为我国的主要粮食作物，其产量对国家粮食安全有着重要的影响。小麦产量很大因素取决于小麦品种，假冒种子在市场上屡见不鲜。如何高效快捷保证种植者权益成为亟待解决的问题。
随着农业生产机械化和信息化水平的不断提高，根据品种植株特征之间的差距，基于无人机拍摄小麦田图像结合计算机视觉技术，使得解决小米植株品种的识别问题成为可能。由于各小麦品种植株之间差异不大而无人机拍摄面积过大，更加缩小植株间的差距，对较小视觉特征进行识别的困难较大，因此在大田环境下对小麦植株品种识别的报道较少；
为此，提出一种基于分裂注意力残差网络的小麦植株识别方法。
发明内容
有鉴于此，本发明实施例希望提供一种基于分裂注意力残差网络的小麦植株识别方法，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
本发明实施例的技术方案是这样实现的：一种基于分裂注意力残差网络的小麦植株识别方法，包括以下步骤：
训练基于卷积神经网络的神经网络模型S-Res2Net；
通过无人机拍摄获取小麦植株图片；
将获取到的小麦植株图片输入神经网络模型S-Res2Net中，神经网络模型S-Res2Net对小麦植株图片按品种进行分类；
对分类后的小麦植株图片截取中下方区域部分并保存；
所述神经网络模型S-Res2Net训练时，包括以下步骤：
收集无人机拍摄的小麦田植株图片，针对图片特性，对图片中下方裁剪图片最清晰、特征最明显的区域带入改进的分裂注意力残差网络进行训练。
进一步优选的：所述神经网络模型S-Res2Net网络流程由一个Stem、三个S-ResNet-A模块、一个S-Res2Net模块、五个S-ResNet-B模块、一个S-Res2Net模块、三个S-ResNet-C模块和Maxpooling层构成。
进一步优选的：所述Stem分为四部分，其中：
第一部分由3x3和5x5卷积层串联组成；
第二部分为两路操作，一路为3x3的平均池化操作，一路为3x3卷积操作，将两路结果结合；
第三部分将网络分为四路，一路为未处理直接输出，一路为经过3x3和1x1串联卷积层输出，一路为经过1x1、5x1、1x5和5x5串联的卷积层输出，一路为R2N-mod模块，然后将四路输出结合；
最后一部分与第二部分的两路操作相同。
进一步优选的：所述S-ResNet-A模块分为4个分支，其中：
（1）、未经处理直接输出；
（2）、经过一次1x1的卷积处理；
（3）、经过一次1x1的卷积处理和一次3x3卷积处理；
（4）、经过一次1x1的卷积处理和两次3x3的卷积处理；
S-ResNet-A模块输出时：先将2、3、4部分输出进行结合然后经过一个Split-Attention模块处理，最后与1分支输出进行结合然后经过Split-Attention模块输出；
S-ResNet-B模块分为4个分支，其中：
（1）、未经处理直接输出；
（2）、经过一次1x1的卷积处理；
（3）、经过一次1x1的卷积处理和一次3x3卷积处理；
（4）经过一次1x5和5x1的卷积处理；
S-ResNet-B模块输出时：先将2、3部分输出进行结合然后经过一个1x1卷积处理，最后与1、4分支输出进行结合然后经过Split-Attention模块输出输出；
S-ResNet-C模块分为3个分支，其中：
（1）、未经处理直接输出；
（2）、经过一次1x1的卷积处理；
（3）、经过一次1x1的卷积处理和一次3x3卷积处理；
S-ResNet-C模块输出时：先将2、3部分输出进行结合然后经过一个1x1卷积处理，最后与1分支输出进行结合然后经过Split-Attention模块输出。
进一步优选的：所述S-Res2Net模块：在第一个1x1卷积后，将输入划分到s个子集，定义为
Figure 237051DEST_PATH_IMAGE001
，每一个特征都有相同的尺度大小，通道是输入特征的/>
Figure 536707DEST_PATH_IMAGE002
，除了/>
Figure 1187DEST_PATH_IMAGE003
其他的子特征都有相应的CBAM卷积核，定义为/>
Figure 201224DEST_PATH_IMAGE004
，其输出为/>
Figure 460167DEST_PATH_IMAGE005
，子特征/>
Figure 745655DEST_PATH_IMAGE003
都和
Figure 748246DEST_PATH_IMAGE006
相加，然后输入到/>
Figure 537210DEST_PATH_IMAGE007
，增加s时减小参数，省略/>
Figure 232634DEST_PATH_IMAGE008
的3x3卷积，输出公式为：
Figure 5418DEST_PATH_IMAGE009
输出后将得到的s个结果输入到Split-Attention模块。
进一步优选的：所述Split-Attention模块，首先将多个输入按通道合并，然后经过Global pooling ，然后经过全连接层、标准化层和Relu激活层，继续将合并好的数据按合并前拆分，经过softmax层然后与输入合并，合并后将每个输入对应的输入再相加。
进一步优选的：识别所述小麦植株图片时，还包括使用分类网络的损失函数，交叉熵损失函数：
Figure 546121DEST_PATH_IMAGE010
其中m表示样本数，n表示样本所属的不同方向类别个数，
Figure 720750DEST_PATH_IMAGE011
表示样本i所属类别j，/>
Figure 321496DEST_PATH_IMAGE012
表示预测的样本i属于类别j的概率；
还包括使用优化函数：
Figure 83041DEST_PATH_IMAGE013
其中
Figure 427434DEST_PATH_IMAGE014
Figure 190991DEST_PATH_IMAGE015
,/>
Figure 493796DEST_PATH_IMAGE016
是偏差修正，并有
Figure 710014DEST_PATH_IMAGE017
V和S初始值均为0，
Figure 123678DEST_PATH_IMAGE018
为0.001，/>
Figure 741741DEST_PATH_IMAGE019
为0.9，/>
Figure 949868DEST_PATH_IMAGE020
为0.999，/>
Figure 918961DEST_PATH_IMAGE021
为/>
Figure 605158DEST_PATH_IMAGE022
，/>
Figure 343306DEST_PATH_IMAGE023
为调节数，t为步数，/>
Figure 477661DEST_PATH_IMAGE018
为学习率，S为梯度平方的移动平均数，/>
Figure 668470DEST_PATH_IMAGE019
和/>
Figure DEST_PATH_IMAGE024
为指数衰减率，/>
Figure 689516DEST_PATH_IMAGE025
为避免分母为零的小数，V为梯度分量，L为损失。
一种基于分裂注意力残差网络的小麦植株识别系统，包括：
获取模块，所述获取模块用于获取通过无人机拍摄得到的小麦植株图片；
识别模块，所述识别模块用于通过神经网络模型S-Res2Net识别小麦植株图片信息；
损失补偿模块，所述损失补偿模块用于通过损失函数进行数值补偿，提高模型对小麦植株图片的识别精度；
分类模块，所述分类模块用于对小麦植株图片按品种进行分类；
存储模块，所述存储模块用于对分类后的小麦植株图片截取中下方区域部分并保存。
一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如上述所述的基于分裂注意力残差网络的小麦植株识别方法的步骤。
一种存储介质，存储有能够实现如上述任一项所述的基于分裂注意力残差网络的小麦植株识别方法的程序指令。
本发明实施例由于采用以上技术方案，其具有以下优点：
本发明结合ResNeSt和Res2Net网络模型的结构特点，将Split-Attention模块与Res2Net单元模块进行组合，即展现分层的残差连接使感受野在更细粒度级别上的变化能够捕获细节和全局特性，同时增加分散注意力机制更增加细粒度级别上的识别效果。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的流程图；
图2为本发明 神经网络模型S-Res2Net主流程图；
图3为本发明Stem的结构图；
图4为本发明S-ResNet-A模块、S-ResNet-B模块和S-ResNet-C模块的结构图；
图5为本发明 S-Res2Net模块的结构图；
图6为本发明Split Attention模块的结构图;
图7为本发明的系统模块示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
下面结合附图对本发明的实施例进行详细说明。
如图1-7所示，本发明实施例提供了一种基于分裂注意力残差网络的小麦植株识别方法，包括以下步骤：
训练基于卷积神经网络的神经网络模型S-Res2Net；
通过无人机拍摄获取小麦植株图片；
将获取到的小麦植株图片输入神经网络模型S-Res2Net中，神经网络模型S-Res2Net对小麦植株图片按品种进行分类；
对分类后的小麦植株图片截取中下方区域部分并保存；
神经网络模型S-Res2Net训练时，包括以下步骤：
收集无人机拍摄的小麦田植株图片，针对图片特性，对图片中下方裁剪图片最清晰、特征最明显的区域带入改进的分裂注意力残差网络进行训练。
本发明借鉴ResNeSt和Res2Net模型结构思路，结合两模型结构提出新的神经网络模型S-Res2Net网络来做小麦植株识别；该模型融合了两个网络模型的分散注意力机制和动态嵌套残差层的特点；模型的主流程见图2。
神经网络模型S-Res2Net网络流程由一个Stem、三个S-ResNet-A模块、一个S-Res2Net模块、五个S-ResNet-B模块、一个S-Res2Net模块、三个S-ResNet-C模块和Maxpooling层构成。
Stem分为四部分，其中：
第一部分由3x3和5x5卷积层串联组成；
第二部分为两路操作，一路为3x3的平均池化操作，一路为3x3卷积操作，将两路结果结合；
第三部分将网络分为四路，一路为未处理直接输出，一路为经过3x3和1x1串联卷积层输出，一路为经过1x1、5x1、1x5和5x5串联的卷积层输出，一路为R2N-mod模块，然后将四路输出结合；
最后一部分与第二部分的两路操作相同。
如图4左，S-ResNet-A模块分为4个分支，其中：
（1）、未经处理直接输出；
（2）、经过一次1x1的卷积处理；
（3）、经过一次1x1的卷积处理和一次3x3卷积处理；
（4）、经过一次1x1的卷积处理和两次3x3的卷积处理；
S-ResNet-A模块输出时：先将2、3、4部分输出进行结合然后经过一个Split-Attention模块处理，最后与1分支输出进行结合然后经过Split-Attention模块输出；
如图4中，S-ResNet-B模块分为4个分支，其中：
（1）、未经处理直接输出；
（2）、经过一次1x1的卷积处理；
（3）、经过一次1x1的卷积处理和一次3x3卷积处理；
（4）、经过一次1x5和5x1的卷积处理；
S-ResNet-B模块输出时：先将2、3部分输出进行结合然后经过一个1x1卷积处理，最后与1、4分支输出进行结合然后经过Split-Attention模块输出输出；
如图4右，S-ResNet-C模块分为3个分支，其中：
（1）、未经处理直接输出；
（2）、经过一次1x1的卷积处理；
（3）、经过一次1x1的卷积处理和一次3x3卷积处理；
S-ResNet-C模块输出时：先将2、3部分输出进行结合然后经过一个1x1卷积处理，最后与1分支输出进行结合然后经过Split-Attention模块输出。
S-Res2Net模块：在第一个1x1卷积后，将输入划分到s个子集，定义为
Figure 282171DEST_PATH_IMAGE001
，每一个特征都有相同的尺度大小，通道是输入特征的/>
Figure 832101DEST_PATH_IMAGE002
，除了/>
Figure 510207DEST_PATH_IMAGE003
其他的子特征都有相应的CBAM卷积核，定义为/>
Figure 69365DEST_PATH_IMAGE004
，其输出为/>
Figure 516527DEST_PATH_IMAGE005
，子特征/>
Figure 237358DEST_PATH_IMAGE003
都和/>
Figure 402760DEST_PATH_IMAGE006
相加，然后输入到/>
Figure 1494DEST_PATH_IMAGE007
，增加s时减小参数，省略/>
Figure 568742DEST_PATH_IMAGE008
的3x3卷积，输出公式为：
Figure 194895DEST_PATH_IMAGE009
输出后将得到的s个结果输入到Split-Attention模块。
每一个CBAM的操作都可以潜在的接受所有其左边的特征信息， 每一个输出都能增大感受野，所以每一个S-Res2Net模块都能获取不同数量和不同感受野大小的特征组合，增强CBAM能力。然后将得到的s个结果输入到Split-Attention模块。
CBAM：Convolutional Block Attention Module，表示卷积模块的注意力机制模块，是一种结合了空间（spatial）和通道（channel）的注意力机制模块。
Split-Attention模块，首先将多个输入按通道合并，然后经过Global pooling ，然后经过全连接层、标准化层和Relu激活层，继续将合并好的数据按合并前拆分，经过softmax层然后与输入合并，合并后将每个输入对应的输入再相加。
识别小麦植株识别图片时，还包括使用分类网络的损失函数，交叉熵损失函数：
Figure 847593DEST_PATH_IMAGE010
其中m表示样本数，n表示样本所属的不同方向类别个数，
Figure 748553DEST_PATH_IMAGE011
表示样本i所属类别j，/>
Figure 904728DEST_PATH_IMAGE012
表示预测的样本i属于类别j的概率；
还包括使用优化函数：
使用梯度分量V，梯度的指数移动平均值和将学习率
Figure 232941DEST_PATH_IMAGE018
除以S的平方根，平方梯度的指数移动平均值来学习率分量而起作用，公式表示为：
Figure 107356DEST_PATH_IMAGE013
其中
Figure 546428DEST_PATH_IMAGE014
Figure 88268DEST_PATH_IMAGE015
,/>
Figure 321803DEST_PATH_IMAGE016
是偏差修正，并有
Figure 683514DEST_PATH_IMAGE017
V和S初始值均为0，
Figure 427741DEST_PATH_IMAGE018
为0.001，/>
Figure 558508DEST_PATH_IMAGE019
为0.9，/>
Figure 228524DEST_PATH_IMAGE020
为0.999，/>
Figure 77531DEST_PATH_IMAGE021
为/>
Figure 592826DEST_PATH_IMAGE022
。
一种基于分裂注意力残差网络的小麦植株识别系统，包括：
获取模块，获取模块用于获取通过无人机拍摄得到的小麦植株图片；
识别模块，识别模块用于通过神经网络模型S-Res2Net识别小麦植株图片信息；
损失补偿模块，损失补偿模块用于通过损失函数进行数值补偿，提高模型对小麦植株图片的识别精度；
分类模块，分类模块用于对小麦植株图片按品种进行分类；
存储模块，存储模块用于对分类后的小麦植株图片截取中下方区域部分并保存。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
一种计算机设备，计算机设备包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行如上述所述任一项的基于分裂注意力残差网络的小麦植株识别方法的步骤。
处理器被称为CPU（Central Processing Unit，中央处理单元）。处理器是一种集成电路芯片，具有信号的处理能力。
处理器还可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等
一种存储介质，存储有能够实现如上述所述任一项的基于分裂注意力残差网络的小麦植株识别方法的程序指令。
其中，该程序指令可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式所述方法的全部或部分步骤。
本发明结合ResNeSt和Res2Net网络模型的结构特点，将Split-Attention模块与Res2Net单元模块进行组合，即展现分层的残差连接使感受野在更细粒度级别上的变化能够捕获细节和全局特性，同时增加分散注意力机制更增加细粒度级别上的识别效果；在收集到的12种小麦无人机图像进行训练和测试，最终识别正确率为85.69%。
本发明基于无人机拍摄小麦田图像识别小麦植株品种；
本发明结合ResNeSt和Res2Net模型中模块特点构造新网络模型S-Res2net模型；
本发明将Split-Attention模块与Res2Net单元模块进行组合，即展现分层的残差连接使感受野在更细粒度级别上的变化能够捕获细节和全局特性，同时增加分散注意力机制更增加细粒度级别上的识别效果。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (5)

1.一种基于分裂注意力残差网络的小麦植株识别方法，其特征在于，包括以下步骤：
训练基于卷积神经网络的神经网络模型S-Res2Net；
通过无人机拍摄获取小麦植株图片；
将获取到的小麦植株图片输入神经网络模型S-Res2Net中，神经网络模型S-Res2Net对小麦植株图片按品种进行分类；
对分类后的小麦植株图片截取中下方区域部分并保存；
所述神经网络模型S-Res2Net训练时，包括以下步骤：
收集无人机拍摄的小麦田植株图片，针对图片特性，对图片中下方裁剪图片最清晰、特征最明显的区域带入改进的分裂注意力残差网络进行训练；
所述神经网络模型S-Res2Net网络流程由一个Stem、三个S-ResNet-A模块、一个S-Res2Net模块、五个S-ResNet-B模块、一个S-Res2Net模块、三个S-ResNet-C模块和Maxpooling层构成；
所述Stem分为四部分，其中：
第一部分由3x3和5x5卷积层串联组成；
第二部分为两路操作，一路为3x3的平均池化操作，一路为3x3卷积操作，将两路结果结合；
第三部分将网络分为四路，一路为未处理直接输出，一路为经过3x3和1x1串联卷积层输出，一路为经过1x1、5x1、1x5和5x5串联的卷积层输出，一路为R2N-mod模块，然后将四路输出结合；
最后一部分与第二部分的两路操作相同；
所述S-ResNet-A模块分为4个分支，其中：
第1分支、未经处理直接输出；
第2分支、经过一次1x1的卷积处理；
第3分支、经过一次1x1的卷积处理和一次3x3卷积处理；
第4分支、经过一次1x1的卷积处理和两次3x3的卷积处理；
S-ResNet-A模块输出时：先将第2、3、4分支输出进行结合然后经过一个Split-Attention模块处理，最后与第1分支输出进行结合然后经过Split-Attention模块输出；
S-ResNet-B模块分为4个分支，其中：
第1分支、未经处理直接输出；
第2分支、经过一次1x1的卷积处理；
第3分支、经过一次1x1的卷积处理和一次3x3卷积处理；
第4分支、经过一次1x5和5x1的卷积处理；
S-ResNet-B模块输出时：先将第2、3分支输出进行结合然后经过一个1x1卷积处理，最后与第1、4分支输出进行结合然后经过Split-Attention模块输出；
S-ResNet-C模块分为3个分支，其中：
第1分支、未经处理直接输出；
第2分支、经过一次1x1的卷积处理；
第3分支、经过一次1x1的卷积处理和一次3x3卷积处理；
S-ResNet-C模块输出时：先将第2、3分支输出进行结合然后经过一个1x1卷积处理，最后与第1分支输出进行结合然后经过Split-Attention模块输出；
所述S-Res2Net模块：在第一个1x1卷积后，将输入划分到s个子特征，定义为xI,I∈{1,2,…,s}，每一个特征都有相同的尺度大小，通道是输入特征的1/s，除了xI其他的子特征都有相应的CBAM卷积核，定义为KI，其输出为yI，子特征xI都和KI+1相加，然后输入到KI，增加s时减小参数，省略xI的3x3卷积，输出公式为：
Figure FDA0004240943630000021
输出后将得到的s个结果输入到Split-Attention模块；
所述Split-Attention模块，首先将多个输入按通道合并，然后经过Global pooling，然后经过全连接层、标准化层和Relu激活层，继续将合并好的数据按合并前拆分，经过softmax层然后与输入合并，合并后将每个输入对应的输入再相加。
2.根据权利要求1所述的一种基于分裂注意力残差网络的小麦植株识别方法，其特征在于：识别所述小麦植株图片时，还包括使用分类网络的损失函数，交叉熵损失函数：
Figure FDA0004240943630000031
其中m表示样本数，n表示样本所属的不同方向类别个数，yij表示样本i所属类别j，p(xij)表示预测的样本i属于类别j的概率；
还包括使用优化函数：
Figure FDA0004240943630000032
其中
Figure FDA0004240943630000033
Figure FDA0004240943630000034
Figure FDA0004240943630000035
是偏差修正，并有
Figure FDA0004240943630000036
Figure FDA0004240943630000041
V和S初始值均为0，α为0.001，β1为0.9，β2为0.999，∈为10-8，ω为调节数，t为步数，α为学习率，S为梯度平方的移动平均数，β1和β2为指数衰减率，∈为避免分母为零的小数，V为梯度分量，L为损失。
3.一种根据权利要求1-2任意一项所述的基于分裂注意力残差网络的小麦植株识别系统，其特征在于，包括：
获取模块，所述获取模块用于获取通过无人机拍摄得到的小麦植株图片；
识别模块，所述识别模块用于通过神经网络模型S-Res2Net识别小麦植株图片信息；
损失补偿模块，所述损失补偿模块用于通过损失函数进行数值补偿，提高模型对小麦植株图片的识别精度；
分类模块，所述分类模块用于对小麦植株图片按品种进行分类；
存储模块，所述存储模块用于对分类后的小麦植株图片截取中下方区域部分并保存。
4.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-2中任一项权利要求所述的基于分裂注意力残差网络的小麦植株识别方法的步骤。
5.一种存储介质，其特征在于，存储有能够实现如权利要求1-2中任一项权利要求所述的基于分裂注意力残差网络的小麦植株识别方法的程序指令。
CN202211569735.7A 2022-12-08 2022-12-08 一种基于分裂注意力残差网络的小麦植株识别方法 Active CN115661551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211569735.7A CN115661551B (zh) 2022-12-08 2022-12-08 一种基于分裂注意力残差网络的小麦植株识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211569735.7A CN115661551B (zh) 2022-12-08 2022-12-08 一种基于分裂注意力残差网络的小麦植株识别方法

Publications (2)

Publication Number Publication Date
CN115661551A CN115661551A (zh) 2023-01-31
CN115661551B true CN115661551B (zh) 2023-06-20

Family

ID=85017578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211569735.7A Active CN115661551B (zh) 2022-12-08 2022-12-08 一种基于分裂注意力残差网络的小麦植株识别方法

Country Status (1)

Country Link
CN (1) CN115661551B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527065B (zh) * 2017-07-25 2021-02-05 北京联合大学 一种基于卷积神经网络的花卉品种识别模型建立方法
KR20200023696A (ko) * 2018-08-21 2020-03-06 한국전자통신연구원 식물 이미지 분류 방법 및 장치
CN111651980B (zh) * 2020-05-27 2023-05-23 河南师范大学 混合神经网络融合Attention机制的小麦抗寒性识别方法
CN113343799A (zh) * 2021-05-25 2021-09-03 山东师范大学 基于混合注意力残差网络实现白细胞自动分类方法及系统
CN113469112B (zh) * 2021-07-19 2022-06-21 三门峡市乡村振兴局 农作物生长状况图像识别方法及系统

Also Published As

Publication number Publication date
CN115661551A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN109344618B (zh) 一种基于深度森林的恶意代码分类方法
Jha et al. Crop Disease Detection and Classification Using Deep Learning-Based Classifier Algorithm
CN112183212A (zh) 一种杂草识别方法、装置、终端设备及可读存储介质
CN109766742B (zh) 一种玉米籽裂纹识别方法、装置、系统、设备和存储介质
CN113705723A (zh) 图像分类系统、方法和计算机设备
CN115439654A (zh) 动态约束下的弱监督农田地块精细化分割方法及系统
CN114596274A (zh) 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法
Sharma et al. A Survey on the State of Art Approaches for Disease Detection in Plants
CN113205055B (zh) 基于多尺度注意力机制的真菌显微图像分类方法及系统
CN115661551B (zh) 一种基于分裂注意力残差网络的小麦植株识别方法
CN110188592A (zh) 一种尿液有形成分细胞图像分类模型构建方法及分类方法
Murzabekova et al. Using deep learning algorithms to classify crop diseases
Rayhan et al. Classification of Grape Leaf Disease Using Convolutional Neural Network (CNN) with Pre-Trained Model VGG16
CN114418064B (zh) 一种目标检测方法、终端设备及存储介质
CN112819077B (zh) 基于新型激活函数的高光谱图像分类方法
CN115170456A (zh) 检测方法及相关设备
CN112613521A (zh) 基于数据转换的多层次数据分析系统及方法
Thangaraj et al. Classification of rice leaf diseases using deep learning
Bhuvaneswari et al. Disease Detection in Plant Leaf using LNet Based on Deep Learning
Pratama et al. Classification Of Corn Plant Diseases Using Various Convolutional Neural Network
CN111027597A (zh) 一种草莓病虫害快速分类方法及装置
CN112149719A (zh) 一种多用途一站式遥感分类方法、装置及计算机设备
CN110852371A (zh) 基于累积变异比的集成超限学习机高光谱图像分类方法
Alnawayseh et al. Classification of White Blood Cells Empowered with Auto Encoder and CNN
Roshan et al. Smart Harvest Diseases Identification using Image Processing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant