【技术实现步骤摘要】
本专利技术涉及杂草检测领域，尤其涉及一种用于多场景下杂草检测方法及装置。
技术介绍
1、随着农业现代化的发展，精准农业技术在提高作物产量和减少资源浪费方面发挥了重要作用。在这一过程中，智能化除草技术逐渐成为研究的重要领域之一。通过对田间杂草的早期识别和控制，农民能够大幅减少农药的使用量，从而降低环境污染并提高经济效益。然而，如何在复杂的田间环境中实现高效、精准的杂草检测，仍然是一个亟待攻克的难题。
2、根据杂草的出现时间、密度和种类，如果不加以控制，杂草可能会导致粮食总产量损失。因此，减少除草剂的使用选择喷洒设备得到了广泛的研究。此类设备必须基于对目标信息的准确感知才能实现无人精准除草，而要解决的关键问题之一是如何实现田间多种杂草的精确检测。
3、在针对农田杂草检测实际场景的考虑中，现有杂草检测算法在多场景下的不同种类杂草检测时缺乏高准确性，同时其庞大的复杂主干网络限制了在计算能力较弱的杂草监控终端中的应用。
技术实现思路
1、本专利技术提供了一种用于多场景下杂草检测方法及装置，本专利技术采用多场景下杂草检测的重参数化大卷积核特征提取网络模型(rlcfe-net)，既能提高杂草检测的性能，又能降低模型大小，对于智慧农业中杂草检测边缘设备的实地部署检测效果显著，详见下文描述：
2、第一方面、一种用于多场景下杂草检测方法，所述方法包括：
3、采集并标记不同场景下的杂草数据，并构建数据集，继而进行数据集评估；
4、将重参数化大卷
5、基于重参数化特征提取检测网络对多场景下杂草进行检测。
6、其中，所述重参数化特征提取-网络为：
7、cspelan的一级由部分张量块和部分过渡层组成，在部分张量块中，通过通道x0＝[x0′，x0″]将阶段中的基础层的特征图分成两部分；在x0′和x0″之间，前者直接连接到阶段的末端，后者将通过张量块，部分过渡层中涉及的所有步骤如下：
8、首先，张量层的输出，[x0"，x1，x2，x3]将经历过渡层，过渡层的输出xt将与x0′级联并经历另一过渡层，生成输出xu；前馈传递和权重更新的等式分别为；
9、xk＝wk*[x0″,x1,x2],
10、xt＝wt*[x0″,x1,x2,x3],
11、xu＝wu*[x0′,xt],
12、其中，*表示卷积算子，[x0,x1,x2,x3]表示连接x0,x1,x2,x3，wk,wt,wu和xk,xt,xu分别是第k、t and u个张量层的权重和输出；
13、wk′＝fk(wk,{g0″,g1,g2}),
14、wt′＝ft(wt,{g0″,g1,g2,g3}),
15、wu′＝fu(wu,{g0′,gt}),
16、其中，fk,ft,fu是第k,t and u个张量层的权重更新函数，g1,g2,g3,gt表示传播到第1,2,3,t个张量层的梯度。
17、其中，所述重参数化大卷积核特征提取-融合模块为：
18、原来的卷积核：w∈rk×k,
19、插零项后：w’∈r((k-1)r+1)×((k-1)r+1),
20、通过步长为r转置卷积实现：w＝conv_transpose2d(w,i,stride＝r)。
21、其中，所述空间金字塔池化网络为：一个平均池化层与一个最大池化层经过两次先串行后并行的操作。
22、其中，所述dysample上采样器为：
23、给定一大小为c×h1×w1的特征图，以及一个大小为2×h2×w2的采样集s，其中第一维的2表示x和y坐标，grid_sample函数使用s中的位置对假设的双线性插值x进行重新采样，生成大小为c×h2×w2的x’，定义为：
24、x’＝grid_sample(x,s),
25、给定一上采样尺度因子s和一大小为c×h×w的特征图x，使用一个线性层，其输入和输出通道数分别为c和2s2，生成大小为2s2×h×w的偏移量o；通过像素洗牌模块将其重塑为2×sh×sw，采样集s是偏移量o和原始采样网格g的和，即：
26、o＝linear(x),
27、s＝g+o,
28、通过grid_sample和采样集s，生成大小为2×sh×sw的上采样特征图x’。
29、其中，所述方法还包括：
30、采用边缘设备部署和图形用户界面模拟实地部署的测试。
31、第二方面、一种用于多场景下杂草检测装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法。
32、第三方面、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法。
33、本专利技术提供的技术方案的有益效果是：
34、1、本专利技术提出了一个特征提取-融合模块(drbncspelan4)在处理输入数据经过特征提取和空间变换时，避免了信息的丢失；本专利技术设计了新的空间金字塔池化(asppfelan)网络，与以往同类型单一最大池化层相比，引入平均池化层对杂草纹理和背景的特征进行了全面的提取；本专利技术引入了dysample上采样器，从点采样的角度构建上采样器，这种方法更加节省资源高效；
35、2、本专利技术采用的多场景下杂草检测的rlcfe-net网络模型在三种数据集上进行模型评估，整体性能超越了现有的一阶段目标检测器以及同等类型功能模型，同时该模型能够有效提高平均检测精度和降低模型复杂度。
本文档来自技高网...【技术保护点】
1.一种用于多场景下杂草检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述重参数化特征提取-网络为：
3.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述重参数化大卷积核特征提取-融合模块为：
4.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述空间金字塔池化网络为：一个平均池化层与一个最大池化层经过两次先串行后并行的操作。
5.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述DySample上采样器为：
6.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述方法还包括：采用边缘设备部署和图形用户界面模拟实地部署的测试。
7.一种用于多场景下杂草检测装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-6中的任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存
...【技术特征摘要】
1.一种用于多场景下杂草检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述重参数化特征提取-网络为：
3.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述重参数化大卷积核特征提取-融合模块为：
4.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述空间金字塔池化网络为：一个平均池化层与一个最大池化层经过两次先串行后并行的操作。
5.根据权利要求1所述的一种用于多场景下杂草检测方法，其特征在于，所述dysample上...
【专利技术属性】
技术研发人员：贾振红，郭澳，葛宝泉，曲晓倩，王佳佳，周刚，赵晖，
申请(专利权)人：新疆大学，
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。