System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于农业精密播种技术和深度学习领域,具体是涉及到一种气振式精密播种机育秧盘播种效果检测方法及系统。
技术介绍
1、播种在农业生产过程中,处于非常重要的地位,随着现代农业的高速发展,对播种的质量与效率的要求也越来越高。气振式精密播种机具有播种精度高、不易伤种、受种子形状影响小等优点,且能够满足对超级杂交稻2±1粒/穴精密育秧播种的技术要求,被广泛应用在精少量播种领域,是生产率较高的精密播种装置。气振式精密播种机在播种工作过程中,为了及时掌握播种效果,调控播种量或实现补种,以及评价气振式精密播种机性能,亟待进行育秧盘播种效果检测。
2、目前气振式精密播种机育秧盘播种效果主要依靠人工进行检测,工人通过人眼观察育秧盘中水稻籽粒,该方法效率低且人工检测时间越长,工人的视觉疲劳会导致检测准确率下降。另外图像处理技术已经被应用于育秧盘播种效果检测,相关研究人员通常采用传统的机器视觉方法,但检测时间过长,无法满足实时检测的需求,并且水稻种子特征主要通过人工设计并提取,存在主观性。其次,模型参数量大,计算量大,检测时间长,无法实现气振式精密播种机育秧盘播种效果实时检测需求。
技术实现思路
1、针对现有技术中存在不足,本专利技术提供了一种气振式精密播种机育秧盘播种效果检测方法及系统,以提升检测育秧盘播种效果的效率和准确率。
2、本专利技术是通过以下技术手段实现上述技术目的的。
3、一种气振式精密播种机育秧盘播种效果检测方法,其特征在于:
4、采
5、对育秧盘播种图像进行预处理;
6、对预处理后的播种图像进行标注,制作育秧盘播种图像数据集;
7、改进yolov5目标检测网络,将所述育秧盘播种图像数据集输入改进的yolov5目标检测网络进行训练与测试,得到训练好的育秧盘播种检测网络模型;
8、将训练好的育秧盘播种检测网络模型部署到工控机上,实时采集育秧盘图像,并传送给工控机中的育秧盘播种检测网络模型,获取育秧盘中每穴的水稻数目;
9、所述改进yolov5目标检测网络包括替换小目标检测层、添加坐标注意力模块、在骨干网络和颈部网络中引入spd-conv构建块。
10、进一步的技术方案,所述替换小目标检测层具体为:在输入图像尺寸为640×640时,backbone网络经过5次下采样后,提取到特征层l1-l5,特征层l3-l5在neck网络中作为有效特征层进行网络构建;将特征层l2增加为有效特征层,并对4个有效特征层进行3次上采样和2次下采样,以实现特征融合;将head网络中最低分辨率的特征图20×20替换为高分辨率160×160的特征图。
11、进一步的技术方案,所述添加坐标注意力模块是在neck网络c3模块中的bottleneck第2个卷积后引入坐标注意力模块。
12、更进一步的技术方案,所述坐标注意力模块包括坐标信息嵌入和坐标注意力生成。
13、更进一步的技术方案,所述坐标信息嵌入是将全局池化换成两个一维向量的编码操作,对于输入特征,使用尺寸为(h,1)和(1,w)的池化核沿着水平和竖直坐标方向对每个通道进行编码,高度为h和宽度为w的第c个通道特征输出分别为:
14、
15、
16、其中,是在高度上第c通道的特征输出,是在宽度上第c通道的特征输出,h为特征图高,w为特征图宽,xc为第c通道的输入。
17、更进一步的技术方案,所述坐标注意力生成为:先将宽度特征图和高度特征图进行拼接,得到特征层[c,1,h+w],使用卷积、标准化和非线性激活函数进行特征转化;再分成两个特征层[c,h,1]和[c,1,w],利用两个1x1卷积和sigmoid函数得到高度和宽度上的注意力权重;最后将输入特征与注意力权重进行乘法加权操作,得到坐标注意力模块的输出。
18、进一步的技术方案,所述在骨干网络和颈部网络中引入spd-conv构建块具体为:使用空间到深度层与非跨步卷积层取代backbone网络中5处、neck网络中2处的跨步卷积层与池化层;所述空间到深度层将原始特征图切分成子特征图,对子特征图进行下采样,并拼接为具有特征鉴别信息的中间特征图;所述非跨步卷积层负责最大程度上保留中间特征图中包含的所有判别特征信息。
19、进一步的技术方案,通过预测框相交的数量计算育秧盘中每穴的水稻数目。
20、进一步的技术方案,所述对育秧盘播种图像进行预处理包括滤波、去噪、畸变矫正、图像均衡化处理。
21、一种气振式精密播种机育秧盘播种效果检测系统,包括:
22、图像采集模块,用于采集育秧盘播种图像;
23、图像预处理模块,用于对采集的育秧盘播种图像进行滤波、去噪、畸变矫正、图像均衡化处理;
24、图像数据集制作模块,用于对预处理后的育秧盘播种图像进行标注,制作育秧盘播种图像数据集;
25、网络模型构建与训练模块,用于构建育秧盘播种检测网络模型,将育秧盘播种图像数据集输入构建的改进的yolov5目标检测网络进行训练与测试,得到训练好的育秧盘播种检测网络模型;
26、育秧盘播种在线检测模块,用于将实时采集育秧盘图像输入育秧盘播种检测网络模型,获取育秧盘中每穴的水稻数目。
27、本专利技术的有益效果为:
28、(1)本专利技术对改进的yolov5目标检测网络进行训练与测试,得到育秧盘播种检测网络模型,其中改进的yolov5目标检测网络包括替换小目标检测层、添加坐标注意力模块以及在骨干网络和颈部网络中引入spd-conv构建块;利用改进的yolov5目标检测网络得到的育秧盘播种检测网络模型,能够准确快速地识别出育秧盘播种的情况,提升育秧盘播种检测的效率和准确率。相较于未改进的yolov5s网络和从原始yolov5s网络基础上直接增加检测头,这种方法不仅降低了模型大小和参数量,还提高了该网络在检测密集、较小目标水稻籽粒时的精度。
29、(2)本专利技术改进的yolov5目标检测网络包括替换小目标检测层,具体是将特征层l2增加为有效特征层,并对4个有效特征层进行3次上采样和2次下采样以实现特征融合;将head网络中最低分辨率的特征图20×20替换为高分辨率160×160的特征图,提高了该网络在检测密集、较小目标水稻籽粒时的精度,避免由于水稻籽粒目标过小,发生漏检的情况。
30、(3)本专利技术改进的yolov5目标检测网络包括添加坐标注意力模块,降低无用背景的干扰;具体是在yolov5目标检测neck网络c3模块中的bottleneck第2个卷积后引入坐标注意力模块,而坐标注意力模块分为坐标信息嵌入和坐标注意力生成;坐标信息嵌入是将全局池化换成两个一维向量的编码操作,对于输入特征,使用尺寸为(h,1)和(1,w)的池化核沿着水平和竖直坐标方向对每个通道进行编码;坐标注意力生成为:先将宽度特征本文档来自技高网...
【技术保护点】
1.一种气振式精密播种机育秧盘播种效果检测方法,其特征在于:
2.根据权利要求1所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述替换小目标检测层具体为:在输入图像尺寸为640×640时,Backbone网络经过5次下采样后,提取到特征层L1-L5,特征层L3-L5在Neck网络中作为有效特征层进行网络构建;将特征层L2增加为有效特征层,并对4个有效特征层进行3次上采样和2次下采样,以实现特征融合;将Head网络中最低分辨率的特征图20×20替换为高分辨率160×160的特征图。
3.根据权利要求1所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述添加坐标注意力模块是在Neck网络C3模块中的BottleNeck第2个卷积后引入坐标注意力模块。
4.根据权利要求3所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述坐标注意力模块包括坐标信息嵌入和坐标注意力生成。
5.根据权利要求4所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述坐标信息嵌入是将全局池化换成两个一维向量的编码操作,对于输
6.根据权利要求5所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述坐标注意力生成为:先将宽度特征图和高度特征图进行拼接,得到特征层[C,1,H+W],使用卷积、标准化和非线性激活函数进行特征转化;再分成两个特征层[C,H,1]和[C,1,W],利用两个1x1卷积和sigmoid函数得到高度和宽度上的注意力权重;最后将输入特征与注意力权重进行乘法加权操作,得到坐标注意力模块的输出。
7.根据权利要求1所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述在骨干网络和颈部网络中引入SPD-Conv构建块具体为:使用空间到深度层与非跨步卷积层取代Backbone网络中5处、Neck网络中2处的跨步卷积层与池化层;所述空间到深度层将原始特征图切分成子特征图,对子特征图进行下采样,并拼接为具有特征鉴别信息的中间特征图;所述非跨步卷积层负责最大程度上保留中间特征图中包含的所有判别特征信息。
8.根据权利要求1所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,通过预测框相交的数量计算育秧盘中每穴的水稻数目。
9.根据权利要求1所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述对育秧盘播种图像进行预处理包括滤波、去噪、畸变矫正、图像均衡化处理。
10.一种实现权利要求1-9任一项所述的气振式精密播种机育秧盘播种效果检测方法的系统,其特征在于,包括:
...【技术特征摘要】
1.一种气振式精密播种机育秧盘播种效果检测方法,其特征在于:
2.根据权利要求1所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述替换小目标检测层具体为:在输入图像尺寸为640×640时,backbone网络经过5次下采样后,提取到特征层l1-l5,特征层l3-l5在neck网络中作为有效特征层进行网络构建;将特征层l2增加为有效特征层,并对4个有效特征层进行3次上采样和2次下采样,以实现特征融合;将head网络中最低分辨率的特征图20×20替换为高分辨率160×160的特征图。
3.根据权利要求1所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述添加坐标注意力模块是在neck网络c3模块中的bottleneck第2个卷积后引入坐标注意力模块。
4.根据权利要求3所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述坐标注意力模块包括坐标信息嵌入和坐标注意力生成。
5.根据权利要求4所述的气振式精密播种机育秧盘播种效果检测方法,其特征在于,所述坐标信息嵌入是将全局池化换成两个一维向量的编码操作,对于输入特征,使用尺寸为(h,1)和(1,w)的池化核沿着水平和竖直坐标方向对每个通道进行编码,高度为h和宽度为w的第c个通道特征输出分别为:
6.根据权利要求5所述的气振式精密播种机育秧盘播...
【专利技术属性】
技术研发人员:王淑新,陈进,李耀明,程军辉,刘延彬,裴智酉,郑文勋,柯新月,陈宇航,欧阳盟,
申请(专利权)人:江苏大学,
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。