【技术实现步骤摘要】
本专利技术属于目标检测，具体地说，尤其涉及一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法。
技术介绍
1、苜蓿是一种多年生开花植物，其种子成熟期是生长周期中一个重要的生长阶段。只有当种子完全成熟时，才具有最高的萌发率和生长潜力，从而能够保证下一代的正常生长和繁衍，为畜牧业的可持续发展提供有力支持。因此，在苜蓿种植和管理过程中，准确判断种子成熟度非常重要。目前，苜蓿种子成熟度的判断大多依靠人工进入实地考察，受到大田复杂环境的影响，这样的方法会浪费人力资源和时间成本，还容易受到大田中种子成熟不均匀的影响导致判断不准确，进而影响苜蓿种子的产量和商业价值。
2、现如今，目标检测技术在农业领域得到了广泛应用。然而，由于大田环境复杂，苜蓿种荚间存在重叠现象，以及苜蓿种荚小目标的特性，增加了现有目标检测算法对苜蓿种荚成熟度识别和计数的难度。
3、因此，针对大田环境复杂和苜蓿种荚小的问题，如何提高苜蓿种荚成熟度识别和计数的准确率是本领域有待解决的难题。
技术实现思路
1、为了解决上述问题，本专利技术提供了一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法，该方法提高了苜蓿种荚成熟度识别和计数的准确率。
2、本专利技术是采用以下技术方案实现的：
3、一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法，所述方法包括以下步骤：
4、采集大田中不同光照条件和遮挡情况下的苜蓿种荚图像；
5、使用标注软件对采集的图像
6、基于repvi t主干网络结构、hs-fpn多尺度特征融合网络结构、i nnerwi ou损失函数和ela模块对rt-detr模型进行改进，得到针对小目标的轻量化目标检测模型rhe-detr；
7、将构建好的苜蓿种荚数据集输入到rhe-detr目标检测模型中进行训练，得到该模型苜蓿种荚数据集训练后的权重文件；
8、将rhe-detr目标检测模型训练好的权重文件部署到边缘计算平台上对田间苜蓿种荚图像进行检测，得到苜蓿种荚实时的描框、置信度和计数结果。
9、进一步的，构建和划分苜蓿种荚数据集方法包括：对采集的图像进行锐化处理，增强图片轮廓细节等预处理操作，利用labelimg软件进行图像标注，并扩充数据集；按照8∶1∶1的比例将图像划分为训练集、验证集和测试集，完成数据集的构建。
10、进一步的，扩充数据集包括：采用mixup的方法进行数据增强，其核心公式如下:
11、
12、
13、其中，xi和xj是从训练集中随机挑选的两张图像，yi和yj是对应的one-hot标签，而λ∈(0,1)是线性组合系数，每次执行时随机生成。
14、进一步的，针对小目标的轻量化目标检测模型rhe-detr的改进包括：
15、采用轻量级的repvit网络结构作为backbone，该结构结合repvitblock和c3模块实现模型性能提升；
16、在neck中使用多级特征融合金字塔hs-fpn用于处理多尺度特征融合，并将特征选择模块中的通道注意力模块ca更换为高效局部注意力模块ela；
17、将损失函数更换为一种基于辅助边框的边框回归损失innerwiou，提高模型的泛化能力。
18、进一步的，在neck中使用多级特征融合金字塔hs-fpn处理多尺度特征融合包括：
19、通过选择性特征融合机制将筛选后的低级特征和高级特征结合起来，特征选择的融合过程如下：
20、fatt＝bl(t-conv(fhigh))
21、fout＝flow*ela(fatt)+fatt。
22、进一步的，所述ela采用一种新颖的编码方法来生成精确的位置注意力图，ela的输出过程如下：
23、yh＝σ(gn(fh(zh)))
24、yw＝σ(gn(fw(zw)))
25、y＝xc×yh×yw
26、其中，σ表示非线性激活函数,gn用于处理增强的位置信息，fh和fw表示一维卷积，zh和zw表示分别在高度h和宽度w处的输出，xc表示输入特征的尺寸，水平和垂直方向上的位置注意力分别用yh和yw表示。
27、进一步的，所述inner-wiou中引入了尺度因子比，可以控制辅助边界框的尺度大小，通过为不同数据集和检测器使用不同尺度的辅助边界框，可以克服现有方法在泛化能力方面的局限，所述inner-wiou的定义如下：
28、
29、
30、
31、
32、
33、union＝(wgt*hgt)*(ratio)2+(w*h)*(ratio)2-inter
34、
35、groundtruth(gt)框和anchor框分别表示为bgt和b，gt框的中心点和内gt框的中心点用表示，而(xc，yc)表示anchor框和内anchor框的中心点，gt框的宽度和高度分别用wgt和hgt表示，而anchor框的宽度和高度用w和h表示，变量“ratio”对应缩放因子，通常在[0.5,1.5]的范围内。
36、进一步的，所述rhe-detr目标检测模型选择精确率(precision)、召回率(recall)和平均精度均值(map)作为模型性能的评价指标；
37、所述precision表示模型检测出的苜蓿种荚数量中正确的数目的占比：
38、
39、所述recall表示模型检测出的苜蓿种荚数量占实际上苜蓿种荚数量的比例：
40、
41、所述map表示模型的平均精确率：
42、
43、其中，tp表示被正确检测出的目标数，fn表示被错误检测出的目标数，fp表示未被检测出的目标数，n是类别数，api是第二类别的平均精度,当n＝1时，map＝ap。
44、与现有技术相比，本专利技术的有益效果是：
45、本专利技术提出了一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法，减少了大田复杂环境下的错检和漏检情况，提高了对苜蓿种荚成熟度识别和计数的准确率，同时也减少了识别和计数的时间。
本文档来自技高网...【技术保护点】
1.一种基于RHE-DETR的不同成熟度苜蓿种荚识别计数方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于RHE-DETR的不同成熟度苜蓿种荚识别计数方法，其特征在于，构建和划分苜蓿种荚数据集方法包括：对采集的图像进行锐化处理，增强图片轮廓细节等预处理操作，利用Label Img软件进行图像标注，并扩充数据集；按照8∶1∶1的比例将图像划分为训练集、验证集和测试集，完成数据集的构建。
3.根据权利要求2所述的一种基于RHE-DETR的不同成熟度苜蓿种荚识别计数方法，其特征在于，扩充数据集包括采用Mixup的方法进行数据增强，其核心公式如下:
4.根据权利要求1所述的一种基于RHE-DETR的不同成熟度苜蓿种荚识别计数方法，其特征在于，针对小目标的轻量化目标检测模型RHE-DETR的改进包括：
5.根据权利要求4所述的一种基于RHE-DETR的不同成熟度苜蓿种荚识别计数方法，其特征在于，在Neck中使用多级特征融合金字塔HS-FPN处理多尺度特征融合包括：
6.根据权利要求4所述的一种基于RHE-D
7.根据权利要求4所述的一种基于RHE-DETR的不同成熟度苜蓿种荚识别计数方法，其特征在于，所述Inner-WIoU中引入了尺度因子比，可以控制辅助边界框的尺度大小，通过为不同数据集和检测器使用不同尺度的辅助边界框，可以克服现有方法在泛化能力方面的局限，所述Inner-WIoU的定义如下：
8.根据权利要求1所述的一种基于RHE-DETR的不同成熟度苜蓿种荚识别计数方法，其特征在于，所述RHE-DETR目标检测模型选择精确率(Precision)、召回率(Recall)和平均精度均值(mAP)作为模型性能的评价指标；
...【技术特征摘要】
1.一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法，其特征在于，构建和划分苜蓿种荚数据集方法包括：对采集的图像进行锐化处理，增强图片轮廓细节等预处理操作，利用label img软件进行图像标注，并扩充数据集；按照8∶1∶1的比例将图像划分为训练集、验证集和测试集，完成数据集的构建。
3.根据权利要求2所述的一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法，其特征在于，扩充数据集包括采用mixup的方法进行数据增强，其核心公式如下:
4.根据权利要求1所述的一种基于rhe-detr的不同成熟度苜蓿种荚识别计数方法，其特征在于，针对小目标的轻量化目标检测模型rhe-detr的改进包括：
5.根据权利要求4所述的一种基于rhe-detr的不同成熟度苜蓿...
【专利技术属性】
技术研发人员：田富洋，王凌鑫，于镇伟，宋占华，张姬，闫云鹏，杨庆璐，闫银发，李玉道，
申请(专利权)人：山东农业大学，
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。