【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种植物花朵花苞识别模型训练方法、计数方法及装置。
技术介绍
1、蝴蝶兰是全球最重要的兰花作物，占所有销售兰花的市场份额的79％。整个亚洲市场的蝴蝶兰预计每年为8400万盆，其中中国占6000万，日本占1400万，东南亚占1000万。在上市销售之前，盆花必须进行分级以确保质量的一致性。计算花朵数量是质量分类的重要步骤。然而，花朵数量通常是通过手动计数得出的。手动计数既耗时又劳累，而且手动计数的稳定性难以保证。因此，开发有效且无损的花朵计数方法以估计蝴蝶兰盆花的质量是至关重要的。与此相类似的，很多观赏植物在售卖过程中都需要根据花朵花苞数进行质量评级。
2、随着机器视觉技术在农业领域的应用越来越广泛，机器视觉提供一种可行的解决方案。通过机器视觉量化花朵数量通常需要两个步骤：检测植物上的花朵位置和计算花朵数量。为了实现准确的花朵计数，首先必须完成精确的花朵检测。早期的花朵检测研究主要基于聚类分割、阈值分割或传统的机器学习。传统的检测方法严重依赖颜色和纹理等生物特征或人工特征来提取信息，当应用领域或环境发生变化时，其泛化能力会显著下降。
3、深度学习方法越来越多地被用于农业领域，为自动花朵检测提供了强大的特征学习能力。用深度神经网络进行花朵检测的现有研究已经取得了良好的精度。然而，目前的研究主要集中在检测各种树木上密集且数量众多的花朵，包括果树和茶树。基于检测结果的计数结果通常用于疏花或果实产量预测，这允许对错误检测有一定的容忍度。相比之下，观赏植物中的花朵数量可以直接影响分级结果
技术实现思路
1、鉴于此，本专利技术实施例提供了一种植物花朵花苞识别模型训练方法、计数方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，解决现有技术无法针对花朵之间遮挡重叠导致的花朵花苞计数误差。
2、本专利技术的一个方面提供了一种植物花朵花苞识别模型训练方法，包括：
3、获取训练样本集，所述训练样本集中包含多个样本，每个样本包含一张植物样本图片，并标记无遮挡花朵、有遮挡花朵以及花苞的位置和类别作为标签；
4、获取初始深度学习网络模型，所述初始深度学习网络模型为包含骨干网络、颈部结构和头部结构的yolo目标检测算法，所述初始深度学习网络模型以植物样本图片为输入，以无遮挡花朵、有遮挡花朵以及花苞的位置和类别为输出；
5、采用所述训练样本集对所述初深度学习网络模型进行训练，构建损失函数并更新模型参数，得到植物花朵花苞识别模型。
6、在一些实施例中，所述骨干网络包括依次连接的第一基础卷积模块、第二基础卷积模块、第一c3模块组、第三基础卷积模块、第二c3模块组、第四基础卷积模块、第三c3模块组、第五基础卷积模块和快速空间金字塔池化模块；其中，所述第一c3模块组、所述第二c3模块组和所述第三c3模块组中c3模块的数量分别为1、3和3；
7、所述颈部结构包括依次连接的第六基础卷积模块、第一上采样模块、第一张量拼接模块、第四c3模块组、第七基础卷积模块、第二上采样模块、第二张量拼接模块和第五c3模块组；其中，所述第六基础卷积模块的输入为所述快速空间金字塔池化模块的输出，所述第一张量拼接模块的输入包括所述第一上采样模块和所述第三c3模块组的输出，所述第二张量拼接模块的输入包括所述第二上采样模块和所述第二c3模块组的输出；所述第五c3模块组的输出导入第八基础卷积模块运算后，与所述第七基础卷积模块的输出共同输入第三张量拼接模块；所述第三张量拼接模块的输出导入第六c3模块组；其中，所述第四c3模块组、所述第五c3模块组和所述第六c3模块组中c3模块的数量分别为2:2:2；
8、所述头部结构包括第一动态检测头模块、第二动态检测头模块、第一卷积层和第二卷积层；所述第五c3模块组的输出依次经过所述第一动态检测头模块和所述第一卷积层，所述第六c3模块组的输出依次经过所述第二动态检测头模块和所述第二卷积层；所述第一卷积层和所述第二卷积层的输出通过卷积通道输出所述无遮挡花朵、所述有遮挡花朵以及所述花苞的定位结果和计数结果。
9、在一些实施例中，所述第一基础卷积模块、所述第二基础卷积模块、所述第三基础卷积模块、所述第四基础卷积模块、所述第五基础卷积模块、所述第六基础卷积模块、所述第七基础卷积模块和所述第八基础卷积模块均封装了卷积、批归一化和激活函数的组合操作；
10、所述c3模块包括连续的三个基础卷积层模块，第一个基础卷积层模块的步幅为2，第二个和第三个基础卷积层模块的步幅为1，各基础卷积层模块之间均加入归一化层和激活函数层。
11、在一些实施例中，所述快速空间金字塔池化模块包括连续设置的第九基础卷积模块、第一最大池化层、第二最大池化层和第三最大池化层，所述第九基础卷积模块输出的特征图、所述第一最大池化层输出的特征图、所述第二最大池化层输出的特征图以及所述第三最大池化层输出的特征图在通道维度上拼接后输出。
12、在一些实施例中，所述方法还包括：将所述训练样本集按照设定比例划分为训练集和测试集，采用所述训练集对所述初深度学习网络模型进行训练，构建损失函数并更新模型参数，得到所述植物花朵花苞识别模型；
13、采用所述测试集对所述植物花朵花苞识别模型进行参数调优。
14、另一方面，本专利技术还提供一种植物花朵花苞计数方法，该方法包括以下步骤：
15、获取针对目标植物多个视角采集的待识别图像；
16、将所述待识别图像输入如上述植物花朵花苞识别模型训练方法中的植物花朵花苞识别模型，得到无遮挡花朵数、有遮挡花朵数和花苞的位置和类别识别结果；
17、对各待识别图像对应的无遮挡花朵数、有遮挡花朵数和花苞数进行统计，按照预设规则确定所述目标植物的花朵数计数值和花苞数计数值。
18、在一些实施例中，获取针对目标植物多个视角采集的待识别图像，包括：
19、获取针对目标植物在三个视角待识别图像，各视角沿水平方向分布，各视角间的角度均为120°。
20、在一些实施例中，按照预设规则确定所述目标植物的花朵数计数值和花苞数计数值，包括：
21、将每个视角所述待识别图像中的无遮挡花朵数和有遮挡花朵数求和，得到每个视角所述待识别图像的花朵数；
22、将各视角对应所述待识别图像中，最大的花苞数作为所述目标植物的花苞数计数值，最大的花朵数作为所述目标植物的花朵数计数值。
23、另一方面，本专利技术还提供一种植物花朵花苞计数装置，所述装置包括：
24、旋转台，用于盛放植物；
25、图像采集设备，设置在所述旋转台的侧面，用于按照设定角度采集所述植物的图像；
26本文档来自技高网...
【技术保护点】
1.一种植物花朵花苞识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的植物花朵花苞识别模型训练方法，其特征在于，所述骨干网络包括依次连接的第一基础卷积模块、第二基础卷积模块、第一C3模块组、第三基础卷积模块、第二C3模块组、第四基础卷积模块、第三C3模块组、第五基础卷积模块和快速空间金字塔池化模块；其中，所述第一C3模块组、所述第二C3模块组和所述第三C3模块组中C3模块的数量分别为1、3和3；
3.根据权利要求2所述的植物花朵花苞识别模型训练方法，其特征在于，所述第一基础卷积模块、所述第二基础卷积模块、所述第三基础卷积模块、所述第四基础卷积模块、所述第五基础卷积模块、所述第六基础卷积模块、所述第七基础卷积模块和所述第八基础卷积模块均封装了卷积、批归一化和激活函数的组合操作；
4.根据权利要求1所述的植物花朵花苞识别模型训练方法，其特征在于，所述快速空间金字塔池化模块包括连续设置的第九基础卷积模块、第一最大池化层、第二最大池化层和第三最大池化层，所述第九基础卷积模块输出的特征图、所述第一最大池化层输出的特征图、所述第二最大池化层输出
5.根据权利要求1所述的植物花朵花苞识别模型训练方法，其特征在于，所述方法还包括：将所述训练样本集按照设定比例划分为训练集和测试集，采用所述训练集对所述初深度学习网络模型进行训练，构建损失函数并更新模型参数，得到所述植物花朵花苞识别模型；
6.一种植物花朵花苞计数方法，其特征在于，该方法包括以下步骤：
7.根据权利要求6所述的植物花朵花苞计数方法，其特征在于，获取针对目标植物多个视角采集的待识别图像，包括：
8.根据权利要求6所述的植物花朵花苞计数方法，其特征在于，按照预设规则确定所述目标植物的花朵数计数值和花苞数计数值，包括：
9.一种植物花朵花苞计数装置，其特征在于，所述装置包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
...【技术特征摘要】
1.一种植物花朵花苞识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的植物花朵花苞识别模型训练方法，其特征在于，所述骨干网络包括依次连接的第一基础卷积模块、第二基础卷积模块、第一c3模块组、第三基础卷积模块、第二c3模块组、第四基础卷积模块、第三c3模块组、第五基础卷积模块和快速空间金字塔池化模块；其中，所述第一c3模块组、所述第二c3模块组和所述第三c3模块组中c3模块的数量分别为1、3和3；
3.根据权利要求2所述的植物花朵花苞识别模型训练方法，其特征在于，所述第一基础卷积模块、所述第二基础卷积模块、所述第三基础卷积模块、所述第四基础卷积模块、所述第五基础卷积模块、所述第六基础卷积模块、所述第七基础卷积模块和所述第八基础卷积模块均封装了卷积、批归一化和激活函数的组合操作；
4.根据权利要求1所述的植物花朵花苞识别模型训练方法，其特征在于，所述快速空间金字塔池化模块包括连续设置的第九基础卷积模块、第一最大池化层、第二最大池化层和第三最大池化层，所述第九基础卷积模块输...
【专利技术属性】
技术研发人员：杨意，张观康，马术涛，朱文鼎，黄灿增，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。