【技术实现步骤摘要】
本专利技术涉及农作物识别以及图像处理领域 ，尤其涉及一种叶菜类幼苗识别和移栽夹持位置检测方法及装置。
技术介绍
1、蔬菜移栽是蔬菜生产的关键环节，移栽质量将直接影响作物产量；由于叶菜类幼苗（例如甘蓝幼苗）的叶面积大，在机械化育苗移栽过程中，叶和茎容易受到损伤；据统计，目前秧苗（又称幼苗）机械化移栽的损伤率约为7%-10%；为解决甘蓝秧苗移栽中损伤率高的问题，有必要对甘蓝等农作物的秧苗机械化移栽过程进行研究，以降低秧苗损伤率。
2、目前，蔬菜移栽机的取苗装置按照夹取的方式不同主要分为插入夹取式、顶出式及顶出夹取式、夹茎式以及针对非标苗盘的取苗机构；夹持茎部式取苗机构能够减少对苗体及其根系的损伤，其取苗操作简便，尤其适用于苗茎较为粗壮的钵苗，取苗效果显著且对钵苗造成的伤害小，在实际生产中具有广泛应用。
3、相关技术中，通常是提取物体的关键图像信息，并根据图像信息控制机器人的运动对豆科植物、水果蔬菜和鲜花等秧苗移栽过程进行研究，而当秧苗移栽的目标是甘蓝等叶类蔬菜秧苗时，需要选择合适的夹持位置以保护秧苗叶片或根茎在移栽时不受损伤，否则会影响作物的质量；而且，现有技术在移栽时从幼苗中人工筛选出壮苗以提高甘蓝成活率，人工筛选的效率低，且容易出现因操作不当而损伤幼苗，造成经济损失。
技术实现思路
1、本专利技术提供一种叶菜类幼苗识别和移栽夹持位置检测方法及装置，用以解决现有技术移栽叶类蔬菜秧苗时容易出现幼苗叶、茎损伤，且移栽效率低的缺陷，提高了叶菜类幼苗移栽效率和幼苗成活
2、本专利技术提供一种叶菜类幼苗识别和移栽夹持位置检测方法，包括：
3、获取待测幼苗图像；
4、基于检测模型对所述待测幼苗图像进行幼苗识别和移栽夹持位置检测，得到幼苗识别结果和移栽夹持位置检测结果；
5、其中，所述检测模型基于以样本幼苗图像为训练样本，以病害幼苗类型和健康幼苗类型为样本标签，以复杂样本挖掘损失函数对卷积神经网络进行训练得到；所述健康幼苗类型对应样本标签标注有两个夹持位置关键点，所述病害幼苗类型对应样本标签与所述健康幼苗类型对应样本标签的格式和数据长度分别对齐；所述复杂样本挖掘损失函数基于focal loss函数、损失值排序理论和样本分层方法确定。
6、根据本专利技术提供的一种叶菜类幼苗识别和移栽夹持位置检测方法，所述检测模型通过如下步骤获取：
7、基于所述卷积神经网络从样本幼苗图像中提取出所述表型特征；
8、基于focal loss函数根据所述表型特征计算各样本幼苗图像的focal loss损失值；并根据所述focal loss损失值更新各样本幼苗图像的历史损失值，确定各样本幼苗图像的历史难度数据；
9、根据所述focal loss损失值和所述历史难度数据计算各样本幼苗图像的综合损失，并通过非最大抑制排序方法对所述各样本幼苗图像的综合损失进行排序，得到排序后的综合损失；
10、根据分层阈值对所述排序后的综合损失进行分层，得到多个分层损失，对每个分层损失按比例采样，得到多个采样损失，不同分层损失对应不同的采样损失；
11、计算各采样损失的平均值，并将所述平均值进行累加，得到目标损失；
12、根据所述目标损失对所述卷积网络进行优化训练，在满足网络收敛的条件下，得到所述检测模型。
13、根据本专利技术提供的一种叶菜类幼苗识别和移栽夹持位置检测方法， 所述检测模型还通过如下步骤获取：
14、构建移栽场景下的样本幼苗对应的穴盘数据集；
15、基于迁移学习利用imagenet大数据集对所述卷积神经网络的第1-n层进行预训练，得到预训练后的卷积神经网络；n为大于2的正整数；
16、根据所述穴盘数据集对预训练后的卷积神经网络的输出层的网络参数进行微调，得到所述检测模型。
17、根据本专利技术提供的一种叶菜类幼苗识别和移栽夹持位置检测方法，所述卷积神经网络包括改进倒置瓶颈块结构，所述卷积神经网络设有多个通道以扩展特征；所述卷积神经网络还包括可变形卷积网络，所述可变形卷积网络用于引入可学习的偏移量，并采取专用窗口模式对输入特征图进行非均匀地采样；所述卷积神经网络用于通过无界范围的聚合权重为每个位置使用专用滑动窗口；所述滑动窗口的形状和所述聚合权重输入无关。
18、根据本专利技术提供的一种叶菜类幼苗识别和移栽夹持位置检测方法，所述卷积神经网络包括基于尺度变化的注意力模块；
19、基于尺度变化的注意力模块用于通过下式从所述样本幼苗图像中提取出所述表型特征：
20、；
21、其中， am (x, i)为所述表型特征；x为网络输入张量； i为对所述样本幼苗图像对应的注意图的输出大小， f(x, i)表示平均池化函数； p1 (x, i)为关联概率， n表示输出池张量的个数； p1 (x, i)满足如下条件：
22、和。
23、根据本专利技术提供的一种叶菜类幼苗识别和移栽夹持位置检测方法，在所述从所述样本幼苗图像中提取出所述表型特征之前，所述方法还包括：
24、通过双线性插值算法对所述样本幼苗图像进行精细缩放处理，得到处理后的样本幼苗图像；
25、采用图像增强技术对所述处理后的样本幼苗图像进行数据扩充，得到扩充后的样本幼苗图像。
26、本专利技术还提供一种叶菜类幼苗识别和移栽夹持位置检测装置，包括：
27、图像获取模块，用于获取待测幼苗图像；
28、检测模块，用于基于检测模型对所述待测幼苗图像进行幼苗识别和移栽夹持位置检测，得到幼苗识别结果和移栽夹持位置检测结果；
29、其中，所述检测模型基于以样本幼苗图像为训练样本，以病害幼苗类型和健康幼苗类型为样本标签，以复杂样本挖掘损失函数对卷积神经网络进行训练得到；所述健康幼苗类型对应样本标签标注有两个夹持位置关键点，所述病害幼苗类型对应样本标签与所述健康幼苗类型对应样本标签的格式和数据长度分别对齐；所述复杂样本挖掘损失函数基于focal loss函数、损失值排序理论和样本分层方法确定。
30、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述叶菜类幼苗识别和移栽夹持位置检测方法。
31、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述叶菜类幼苗识别和移栽夹持位置检测方法。
32、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器本文档来自技高网...
【技术保护点】
1.一种叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，包括：
2.根据权利要求1所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，所述检测模型通过如下步骤获取：
3.根据权利要求1所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于， 所述检测模型还通过如下步骤获取：
4.根据权利要求1-3任一项所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，所述卷积神经网络包括改进倒置瓶颈块结构，所述卷积神经网络设有多个通道以扩展特征；
5.根据权利要求1-3任一项述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，所述卷积神经网络包括基于尺度变化的注意力模块；
6.根据权利要求2所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，在所述从所述样本幼苗图像中提取出所述表型特征之前，所述方法还包括：
7.一种叶菜类幼苗识别和移栽夹持位置检测装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述叶菜类幼苗识别和移栽夹持位置检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述叶菜类幼苗识别和移栽夹持位置检测方法。
...【技术特征摘要】
1.一种叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，包括：
2.根据权利要求1所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，所述检测模型通过如下步骤获取：
3.根据权利要求1所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于， 所述检测模型还通过如下步骤获取：
4.根据权利要求1-3任一项所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，所述卷积神经网络包括改进倒置瓶颈块结构，所述卷积神经网络设有多个通道以扩展特征；
5.根据权利要求1-3任一项述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在于，所述卷积神经网络包括基于尺度变化的注意力模块；
6.根据权利要求2所述的叶菜类幼苗识别和移栽夹持位置检测方法，其特征在...
【专利技术属性】
技术研发人员：吴华瑞，韩笑，朱华吉，缪祎晟，郭旺，
申请(专利权)人：北京市农林科学院信息技术研究中心，
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。