一种面向小麦产量估计的图像分割方法，步骤包括：小麦处于成熟期时，使用无人机采集田间小麦穗部图像；通过步骤一采集到的图像构建小麦穗部分割数据集，并进行标注，通过旋转和图像倒置处理方式扩充数据集；搭建基于改进Yolov8网络的小麦穗部图像分割网络，对图像分割网络进行训练；利用步骤三训练好的图像分割网络对小麦穗部图像进行分割，并根据分割情况对麦穗进行自动计数且计算小麦穗部掩膜面积；输出经步骤四处理后的穗部图像和分割结果；其中，处理后的图像标注出麦穗数量及穗部掩膜总像素。本发明专利技术能够高效准确地提取小麦穗部特征，提高小麦产量的估测精度，为小麦相关研究提供更为客观、准确的依据。
【技术实现步骤摘要】
本专利技术涉及一种面向小麦产量估计的图像分割方法，属于机器视觉和深度学习。
技术介绍
1、小麦作为中国主要的三大粮食作物之一，加强其研究对国家的农业经济发展、社会稳定具有重要的意义。小麦麦穗作为小麦主要表型特征，和小麦产量有直接联系。因此，对小麦麦穗进行计数，并以成熟期小麦穗部为预测依据所估测的小麦产量与最终实际产量最接近，方便农业相关人员进行管理决策。
2、传统的农作物计数主要通过人为的观察测量获得，这种测量方法得到的数据量十分有限且效率低下、主观性强。随着机器学习的快速发展，其被广泛应用到农作物表型特征研究领域。深度学习作为机器学习一个分支，在图像识别领域取得了重大突破。多项研究表明，基于深度学习的方法分析农作物表型特征比传统机器学习性能更优。现阶段，通过深度学习提取小麦穗部特征的研究相对较少，如何结合图像处理技术对麦穗进行计数，继而为小麦相关研究提供更为客观、准确的依据，是当前亟需解决的问题。
技术实现思路
1、本专利技术提供一种面向小麦产量估计的图像分割方法，该方法能够高效准确地提取小麦穗部特征，提高小麦产量的估测精度，为小麦相关研究提供更为客观、准确的依据。
2、为了实现上述目的，本专利技术提供一种面向小麦产量估计的图像分割方法，包括如下步骤：
3、步骤一、小麦处于成熟期时，使用无人机采集田间小麦穗部图像；
4、步骤二、通过步骤一采集到的图像构建小麦穗部分割数据集，并进行标注，通过旋转和图像倒置处理方式扩充数据集；
<
p>5、步骤三、搭建基于改进yolov8网络的小麦穗部图像分割网络，对图像分割网络进行训练，得到预测模型；6、步骤四、利用步骤三训练好的图像分割网络对小麦穗部图像进行分割，并根据分割情况对麦穗进行自动计数且计算小麦穗部掩膜面积；
7、步骤五、输出经步骤四处理后的穗部图像和分割结果；其中，处理后的穗部图像标注出麦穗数量及穗部掩膜总像素。
8、进一步地，所述步骤一中的无人机采用大疆御2系列，有效像素1200万，有变焦功能，图传分辨率1080p，既能保证了采集速度，也能确保图像质量；由于成熟期小麦穗生长密集，所以设定飞行高度为1.4m，使得获取到的图像中小麦穗尽可能避免重叠，方便后续小麦穗计数及掩膜像素计算。
9、进一步地，所述步骤二中对采集到的图像进行旋转的旋角为15～25度，图像倒置的概率为0.3～0.5；以0.3～0.5的概率对图像进行图像通道翻转。
10、进一步地，所述步骤三中对改进后的yolov8网络进行训练，改进点包括使用c2f_simam模块替代原本主干网络中的c2f模块、引入渐进特征金字塔网络重构颈部网络以及用asddet分割头代替原yolov8分割头。
11、进一步地，所述步骤三中对改进后的yolov8网络进行训练，使用c2f_simam模块替代原主干网络中部分c2f模块，用于提高主干网络特征提取能力，具体的特征提取过程为：
12、(1)输入图像大小为640×640×3，经过一个通道数为64、步长为2的cbs模块，得到320×320×64的特征图p1，p1进入一个通道数为128、步数为2的cbs模块，得到160×160×128的特征图p2，p2进入通道数为128的c2f模块，初步提取160×160×128的特征图特征，经过一个通道数为256、步长为2的cbs模块，得到80×80×256的特征图p3，p3进入通道数为128的c2f_simam模块，提取到低层特征图c3；
13、(2)c3经过一个通道数为512、步长为2的cbs模块，得到80×80×512的特征图p4，p4进入通道数为512的c2f_simam模块，提取到中层特征图c4；
14、(3)c4经过一个通道数为1024、步长为2的cbs模块，得到80×80×1024的特征图p5，p5进入通道数为1024的c2f_simam模块，得到20×20×1024的特征图，接着进入通道数为1024的sppf模块，对特征图进行池化操作，得到最终高层特征图c5。
15、进一步地，所述的c2f_simam模块是在c2f模块最后一个卷积层之前加入无参数的注意力机制simam，对提取到的局部特征进行加权，增强特征表达能力，并对每个神经元定义了能量函数，且能量越低，神经元与周围神经元区别越大、重要性越高，最小能量函数定义为：
16、
17、式中，用于评估神经元的重要性，t为当前输入特征目标神经元，和分别为通道中所有神经元的均值和方差；
18、c2f_simam模块使用缩放算子进行特征优化，优化公式为：
19、
20、式中，为缩放算子，e为所有跨通道和空间维度的汇总，sigmoid函数用于限制e值过大。
21、进一步地，所述步骤三中改进yolov8网络通过引入渐进特征金字塔网络重构颈部网络进行特征融合，通过使用asddet分割头代替原yolov8分割头；其中，特征融合在多层次融合过程中，afpn网络利用自适应特征融合为不同层的特征分配空间权重，具体特征融合操作过程为：
22、(1)从主干网络中提取每个阶段最后一层特征，从底部到顶部分别为c3、c4、c5，c3特征图经过cbs模块，获得一个80×80×64的0级特征图，c4特征图经过cbs模块获得一个40×40×128的1级特征图，将0级特征与1级特征进行中低层特征融合，得到新特征向量表示为：
23、
24、式中，分别表示0级特征和1级特征在等级l下的空间权重，l＝0、1，且满足表示n等级到l等级的位置(i,j)的特征向量；
25、(2)融合后的0级和1级特征，进入basicblock模块；
26、(3)c5特征图经过cbs模块，获得一个20×20×256的2级特征图；
27、(4)将步骤(2)得到的融合特征和2级特征一同依次进入低级特征空间，即asff_3-1模块后，得到三个特征在低层融合的特征图0级特征为p’3、通过中级特征空间，即asff_3-2模块后，得到三个特征在中层融合的特征图1级特征为p’4、通过高级特征空间，即asff_3-3模块后得到三个特征在高层融合的特征图2级特征为p’5，三个特征融合后得到新特征向量表示为：
28、
29、分别表示0级特征、1级特征和2级特征在等级l下的空间权重，l＝0、1、2，且满足
30、(5)将得到的三个多层次融合的特征图输出颈部网络；
31、使用asddet分割头进行特征分割的具体过程为：
32、(1)将颈部网络的输出三个特征图p’3、p’4、p’5作为三个asddet检测头的输入；
33、(2)p’3作为分辨率最大的特征图，多出一条proto分支进行原生掩码预测，经过3×3、步长为1的卷积提取特征，进行上采样提高分辨率，再经过3×3、步长为1的卷积提取高分辨率特征，以及1×本文档来自技高网
...
【技术保护点】
1.一种面向小麦产量估计的图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤一中的无人机采用大疆御2系列，有效像素1200万，有变焦功能，图传分辨率1080P，设定飞行高度为1.4m。
3.根据权利要求1或2所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤二中对采集到的图像进行旋转的旋角为15～25度，图像倒置的概率为0.3～0.5；以0.3～0.5的概率对图像进行图像通道翻转。
4.根据权利要求1所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤三中对改进后的Yolov8网络进行训练，改进点包括使用C2f_SimAm模块替代原本主干网络中的C2f模块、引入渐进特征金字塔网络重构颈部网络以及用AsDDet分割头代替原Yolov8分割头。
5.根据权利要求4所述的面向小麦产量估计的图像分割方法，其特征在于，所述的使用C2f_SimAm模块替代原主干网络中部分C2f模块，用于提高主干网络特征提取能力，具体的特征提取过程为：
6.根据权利要求5所述的面向小麦产量估计的图像分割方法，其特征在于，所述的C2f_SimAm模块是在C2f模块最后一个卷积层之前加入无参数的注意力机制SimAm，对提取到的局部特征进行加权，并对每个神经元定义能量函数，且能量越低，神经元与周围神经元区别越大、重要性越高，最小能量函数定义为
7.根据权利要求4所述的面向小麦产量估计的图像分割方法，其特征在于，所述的改进Yolov8网络通过引入渐进特征金字塔网络重构颈部网络进行特征融合，并通过使用AsDDet分割头代替原Yolov8分割头；其中，特征融合在多层次融合过程中，AFPN网络利用自适应特征融合为不同层的特征分配空间权重，具体特征融合操作过程为：
8.根据权利要求1所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤四中对图像进行分割及根据分割情况对麦穗进行自动计数且计算小麦穗部掩膜面积的具体过程为：
9.根据权利要求8所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤五的具体过程为：对数据集预测完成后，将显示穗部总数及穗部掩码总像素的图像及分割结果输出，得到田间小麦穗的生长情况，包括麦穗数和麦穗饱和度；其中，麦穗饱和度是根据麦穗分割掩膜图像素为依据判断，为预测小麦产量提供数据信息。
...
【技术特征摘要】
1.一种面向小麦产量估计的图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤一中的无人机采用大疆御2系列，有效像素1200万，有变焦功能，图传分辨率1080p，设定飞行高度为1.4m。
3.根据权利要求1或2所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤二中对采集到的图像进行旋转的旋角为15～25度，图像倒置的概率为0.3～0.5；以0.3～0.5的概率对图像进行图像通道翻转。
4.根据权利要求1所述的面向小麦产量估计的图像分割方法，其特征在于，所述步骤三中对改进后的yolov8网络进行训练，改进点包括使用c2f_simam模块替代原本主干网络中的c2f模块、引入渐进特征金字塔网络重构颈部网络以及用asddet分割头代替原yolov8分割头。
5.根据权利要求4所述的面向小麦产量估计的图像分割方法，其特征在于，所述的使用c2f_simam模块替代原主干网络中部分c2f模块，用于提高主干网络特征提取能力，具体的特征提取过程为：
6.根据权利要求5所述的面向小麦产量估计的图像分割方法，其特征...
【专利技术属性】
技术研发人员：冯慧，段纳，霍世昕，
申请(专利权)人：江苏师范大学，
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。