【技术实现步骤摘要】
本申请涉及图像检测，尤其涉及一种棉田杂草识别方法及装置。
技术介绍
1、棉花在全球纺织原料中占据核心地位，对农业产业具有显著影响。尽管现代种植技术，如转基因棉花和高效灌溉方法，已经提高了产量和抗虫性，但杂草对棉花种植仍存在着显著的威胁。这些杂草不仅与棉花争夺土壤养分、水分和光照资源，而且可能成为病害的宿主，进一步导致棉花产量和品质的降低。目前，化学除草剂是常用的杂草控制手段，但过度使用可能导致土壤和水质污染、杂草抗药性增强以及公共健康风险，从而影响农业的可持续性。
2、机器视觉技术在杂草检测领域已逐渐崭露头角，对于实现精准除草至关重要。它依赖成像传感器与先进的计算机算法，可以准确区分农作物与杂草，并进行针对性的控制。然而，现有研究大多仅局限于将目标分类为“作物”与“杂草”这两种类别的识别与检测，不同的杂草种类对除草剂的选择有不同的适应性与抗药性，所以需要进一步识别更多杂草类别。因此，现亟需一种高精度的棉田杂草识别方法。
技术实现思路
1、本申请的主要目的在于提供一种棉田杂草识别方法及装置，旨在解决现有棉田杂草识别方法精度低的技术问题。
2、为实现上述目的，本申请提供了一种棉田杂草识别方法，所述方法包括：
3、对源植物图像进行预处理，获得目标植物图像；所述源植物图像为棉田拍摄图像；
4、通过预设多重注意力网络对所述目标植物图像进行多重特征过滤，获得目标识别特征；
5、根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的
6、在一实施例中，所述预设多重注意力网络包括多重注意力骨干网络和颈部网络；
7、所述通过预设多重注意力网络对所述目标植物图像进行多维度特征过滤，获得关键识别特征的步骤，包括：
8、通过所述预设多重注意力骨干网络对所述目标植物图像进行多维度特征过滤，获得关键识别特征；
9、通过所述颈部网络对所述关键识别特征进行多尺度特征融合，获得目标识别特征。
10、在一实施例中，所述多重注意力骨干网络包括多尺度注意力特征模块和初始注意力特征模块；
11、所述通过所述预设多重注意力骨干网络对所述目标植物图像进行多维度特征过滤，获得关键识别特征的步骤，包括：
12、通过所述多尺度注意力特征模块对所述目标植物图像进行空间维度的特征过滤，获得初始识别特征；
13、通过所述初始注意力特征模块对所述初始识别特征进行通道维度的特征过滤，获得关键识别特征。
14、在一实施例中，所述多尺度注意力特征模块为装配有高效多尺度注意力模块的c2f模块；
15、所述通过所述多尺度注意力特征模块对所述目标植物图像进行空间维度的特征过滤，获得初始识别特征的步骤，包括：
16、通过所述多尺度注意力特征模块对所述目标植物图像进行并行特征提取，获得初始图像特征；
17、通过所述多尺度注意力特征模块对所述初始图像特征进行预设跨通道特征交互分析，获得中间图像特征；
18、通过所述多尺度注意力特征模块进行预设全局分析，获得初始识别特征。
19、在一实施例中，所述根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的异常坐标的步骤，包括：
20、根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的初始标注坐标；
21、通过预设损失函数和所述初始标注坐标确定目标杂草对应的异常坐标；所述预设损失函数为focal eiou函数。
22、在一实施例中，所述预设多尺度特征网络包括卷积神经网络、渐进特征金字塔网络和分类网络；
23、根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的初始标注坐标的步骤，包括：
24、通过所述卷积神经网络对所述目标识别特征进行特征提取，获得多尺度特征；
25、通过所述渐进特征金字塔网络对所述多尺度特征进行特征融合，获得异常识别特征；
26、根据所述分类网络和所述异常识别特征确定目标杂草对应的初始标注坐标。
27、在一实施例中，所述通过所述渐进特征金字塔网络对所述多尺度特征进行特征融合，获得异常识别特征的步骤，包括：
28、通过所述渐进特征金字塔网络确定所述多尺度特征对应的目标融合权重；
29、通过所述渐进特征金字塔网络基于所述目标融合权重对所述多尺度特征进行分级卷积融合，获得异常识别特征。
30、此外，为实现上述目的，本申请还提出一种棉田杂草识别装置，所述棉田杂草识别装置包括：
31、图像预处理模块，用于对源植物图像进行预处理，获得目标植物图像；
32、特征提取模块，用于通过预设多重注意力网络对所述目标植物图像进行多重特征过滤，获得目标识别特征；
33、杂草标注模块，用于根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的异常坐标，并基于所述异常坐标在所述目标植物图像中对所述目标杂草进行标注。
34、在一实施例中，所述预设多重注意力网络包括多重注意力骨干网络和颈部网络；所述多重注意力骨干网络包括多尺度注意力特征模块和初始注意力特征模块；
35、所述特征提取模块，还用于通过所述多尺度注意力特征模块对所述目标植物图像进行空间维度的特征过滤，获得初始识别特征；
36、所述特征提取模块，还用于通过所述初始注意力特征模块对所述初始识别特征进行通道维度的特征过滤，获得关键识别特征；
37、所述特征提取模块，还用于通过所述颈部网络对所述关键识别特征进行多尺度特征融合，获得目标识别特征。
38、在一实施例中，所述杂草标注模块，还用于根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的初始标注坐标；
39、所述杂草标注模块，还用于通过预设损失函数和所述初始标注坐标确定目标杂草对应的异常坐标；所述预设损失函数为focal eiou函数。
40、本申请公开了一种棉田杂草识别方法及装置，该方法包括：对源植物图像进行预处理，获得目标植物图像；源植物图像为棉田拍摄图像；通过预设多重注意力网络对目标植物图像进行多重特征过滤，获得目标识别特征；根据预设多尺度特征网络和目标识别特征确定目标杂草对应的异常坐标，并基于异常坐标在目标植物图像中对目标杂草进行标注。本申请提出一种融合多尺度特征和多重注意力的棉田杂草检测方法，通过改进的预设多重注意力网络对采集的源植物图像进行多维度的特征提取，获得高精度的目标识别特征，同时通过分离检测头的预设多尺度特征网络进行快速精确的目标定位，从而确保棉田中杂草的高效准确识别。
本文档来自技高网...【技术保护点】
1.一种棉田杂草识别方法，其特征在于，所述棉田杂草识别方法包括：
2.如权利要求1所述的棉田杂草识别方法，其特征在于，所述预设多重注意力网络包括多重注意力骨干网络和颈部网络；
3.如权利要求2所述的棉田杂草识别方法，其特征在于，所述多重注意力骨干网络包括多尺度注意力特征模块和初始注意力特征模块；
4.如权利要求3所述的棉田杂草识别方法，其特征在于，所述多尺度注意力特征模块为装配有高效多尺度注意力模块的C2f模块；
5.如权利要求3所述的棉田杂草识别方法，其特征在于，所述根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的异常坐标的步骤，包括：
6.如权利要求5所述的棉田杂草识别方法，其特征在于，所述预设多尺度特征网络包括卷积神经网络、渐进特征金字塔网络和分类网络；
7.如权利要求6所述的棉田杂草识别方法，其特征在于，所述通过所述渐进特征金字塔网络对所述多尺度特征进行特征融合，获得异常识别特征的步骤，包括：
8.一种棉田杂草识别装置，其特征在于，所述棉田杂草识别装置包括：
9.如权
10.如权利要求8所述的棉田杂草识别装置，其特征在于，
...【技术特征摘要】
1.一种棉田杂草识别方法，其特征在于，所述棉田杂草识别方法包括：
2.如权利要求1所述的棉田杂草识别方法，其特征在于，所述预设多重注意力网络包括多重注意力骨干网络和颈部网络；
3.如权利要求2所述的棉田杂草识别方法，其特征在于，所述多重注意力骨干网络包括多尺度注意力特征模块和初始注意力特征模块；
4.如权利要求3所述的棉田杂草识别方法，其特征在于，所述多尺度注意力特征模块为装配有高效多尺度注意力模块的c2f模块；
5.如权利要求3所述的棉田杂草识别方法，其特征在于，所述根据预设多尺度特征网络和所述目标识别特征确定目标杂草对应的异常坐标的步骤，包括：
...
【专利技术属性】
技术研发人员：帖军，龙吕佳，孙阳光，施朦，郑禄，杜小坤，田莎莎，程林辉，王艺，
申请(专利权)人：中南民族大学，
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。