一种田间水稻生育期的识别方法、系统、装置、介质

本发明属于图像处理，具体涉及一种田间水稻生育期的识别方法、系统、装置、介质。

背景技术：

1、在农业生产中，准确识别农作物的生育期对于实施有效的农事操作至关重要。然而，传统深度学习方法在处理田间复杂背景下的农作物生育期图像时，存在识别精度低和过度依赖大规模已标注数据集的问题。

2、比如，文献《in-field rice panicles detection and growth stagesrecognition based on riceres2net》提出了一种基于改进的cascade rcnn（region-cnn）架构的riceres2net，用于检测水稻穗并识别复杂田间环境下的生长阶段，但是该方法仅针对孕穗期、抽穗期、灌浆期进行识别，在对水稻的整个生长阶段方面，仍需进一步提高识别精度。

技术实现思路

1、为解决背景技术提出的问题，本发明提供一种田间水稻生育期的识别方法、系统、装置、介质。

2、本发明的技术方案如下：

3、本发明提供一种田间水稻生育期的识别方法，包括以下步骤：

4、s1：获取田间水稻不同生育期的图像数据，包括：叶片发育期、分蘖期、茎伸长期、孕穗期、花序出现期、果实发育期、成熟期，对部分图像数据进行标记，构建标记真实标签的图像数据集、未标记的图像数据集，分别记为第一数据集、第二数据集；

5、s2：将第一数据集中不同生育期的图像数据导至预识别模型，依次经特征的初步提取、深层提取，得到的深层提取特征图经全连接分类处理后，得到识别结果和训练后的预识别模型，将训练后的预识别模型记为第一模型；

6、所述深层提取，包括以下操作：

7、初步提取特征图依次经平均池化、二维卷积、批标准化处理，得到第一提取特征图；

8、第一提取特征图经数据复制后，分别记为初始特征图和待处理特征图；

9、待处理特征图依次经全维动态卷积处理、批标准化处理、第一激活函数处理，得到第二提取特征图；

10、第二提取特征图依次经二维卷积、批标准化处理、第一激活函数处理，得到第三提取特征图；

11、第三提取特征图依次经二维卷积、批标准化处理，得到第四提取特征图；

12、第四提取特征图经坐标注意力处理后，得到第五提取特征图；

13、第五提取特征图依次经自适应平均池化、线性处理、随机失活处理、线性处理、第二激活函数处理，得到第六提取特征图；

14、第六提取特征图与初始特征图相加，经第一激活函数处理后，得到深层提取特征图；

15、s3：将第二数据集中不同生育期的图像数据导至第一模型，进行识别，得到识别结果，根据识别结果对第二数据集中不同生育期的图像数据进行标记，构建标记伪标签的图像数据集，记为第三数据集；

16、s4：将第三数据集中不同生育期的图像数据导至预识别模型，进行训练，得到第二模型；

17、s5：获取待识别的田间水稻图像，导至第二模型，得到生育期的识别结果。

18、所述步骤s2中，待处理特征图依次经全维动态卷积处理、批标准化处理、第一激活函数处理，得到第二提取特征图，所述全维动态卷积处理，包括以下操作：

19、待处理特征图依次经全局平均池化、全连接处理、第一激活函数处理，得到待增强特征图；

20、待增强特征图经四个并行的注意力机制处理，具体为：

21、待增强特征图依次经全连接处理、第三激活函数处理、第一注意力机制处理，得到第一增强特征图；

22、待增强特征图依次经全连接处理、第三激活函数处理、第二注意力机制处理，得到第二增强特征图；

23、待增强特征图依次经全连接处理、第三激活函数处理、第三注意力机制处理，得到第三增强特征图；

24、待增强特征图依次经全连接处理、第三激活函数处理、第四注意力机制处理，得到第四增强特征图；

25、第一增强特征图、第二增强特征图、第三增强特征图、第四增强特征图依次经卷积操作后，得到不同增强特征图的注意力标量，根据注意力标量调整卷积核权重，调整权重后的卷积核对待处理特征图进行卷积操作。

26、所述步骤s2中，第四提取特征图经坐标注意力处理后，得到第五提取特征图，具体为：

27、第四提取特征图经残差处理后，得到第一处理特征图；

28、第一处理特征图分别在垂直方向、水平方向进行平均池化，得到第一垂直处理特征图、第一水平处理特征图；

29、第一垂直处理特征图与第一水平处理特征图拼接后，依次经二维卷积、批标准化处理、非线性处理，得到中间特征图；

30、中间特征图分别在垂直方向、水平方向经分离处理后，得到第二垂直处理特征图、第二水平处理特征图；

31、第二垂直处理特征图依次经二维卷积、第二激活函数处理，得到垂直处理特征图的特征权重；

32、第二水平处理特征图依次经二维卷积、第二激活函数处理，得到水平处理特征图的特征权重；

33、垂直处理特征图的特征权重、水平处理特征图的特征权重分别与第一处理特征图的每个像素相乘后，得到第五提取特征图。

34、所述步骤s2中，得到的深层提取特征图经全连接分类处理后，得到识别结果，具体为：

35、得到的深层提取特征图依次经平均池化、随机失活处理、线性处理后，通过第四激活函数进行分类，得到识别结果。

36、所述四个并行的注意力机制处理，分别为：空间级别注意力、通道级别注意力、过滤器级别注意力、核级别注意力。

37、所述步骤s2中，所述特征的初步提取，包括以下操作：

38、第一数据集中不同生育期的图像数据，依次经二维卷积、批标准化处理、第一激活函数处理，得到第一特征图；

39、第一特征图依次经二维卷积、批标准化处理、第一激活函数处理，得到第二特征图；

40、第二特征图依次经二维卷积、批标准化处理、第一激活函数处理，得到第三特征图；

41、第三特征图经最大池化处理后，得到初步提取特征图。

42、所述步骤s3中，根据识别结果对第二数据集中不同生育期的图像数据进行标记，构建标记伪标签的图像数据集，记为第三数据集，具体为：

43、根据识别结果对第二数据集中不同生育期的图像数据进行标记，生成伪标签，基于伪标签的图像数据集，选取每个类别置信度最高的前三千张图像数据，构建标记伪标签的水稻生育期数据集，记为第三数据集。

44、本发明还提供一种田间水稻生育期的识别系统，包括：

45、第一数据集、第二数据集构建模块：获取田间水稻不同生育期的图像数据，包括：叶片发育期、分蘖期、茎伸长期、孕穗期、花序出现期、果实发育期、成熟期，对部分图像数据进行标记，构建标记真实标签的图像数据集、未标记的图像数据集，分别记为第一数据集、第二数据集；

46、第一模型训练模块：将第一数据集中不同生育期的图像数据导至预识别模型，依次经特征的初步提取、深层提取，得到的深层提取特征图经全连接分类处理后，得到识别结果和训练后的预识别模型，将训练后的预识别模型记为第一模型；

47、所述深层提取，包括以下操作：

48、初步提取特征图依次经平均池化、二维卷积、批标准化处理，得到第一提取特征图；

49、第一提取特征图经数据复制后，分别记为初始特征图和待处理特征图；

50、待处理特征图依次经全维动态卷积处理、批标准化处理、第一激活函数处理，得到第二提取特征图；

51、第二提取特征图依次经二维卷积、批标准化处理、第一激活函数处理，得到第三提取特征图；

52、第三提取特征图依次经二维卷积、批标准化处理，得到第四提取特征图；

53、第四提取特征图经坐标注意力处理后，得到第五提取特征图；

54、第五提取特征图依次经自适应平均池化、线性处理、随机失活处理、线性处理、第二激活函数处理，得到第六提取特征图；

55、第六提取特征图与初始特征图相加，经第一激活函数处理后，得到深层提取特征图；

56、第三数据集构建模块：将第二数据集中不同生育期的图像数据导至第一模型，进行识别，得到识别结果，根据识别结果对第二数据集中不同生育期的图像数据进行标记，构建标记伪标签的图像数据集，记为第三数据集；

57、第二模型训练模块：将第三数据集中不同生育期的图像数据导至预识别模型，进行训练，得到第二模型；

58、水稻生育期识别模块：获取待识别的田间水稻图像，导至第二模型，得到生育期的识别结果。

59、本发明还提供一种田间水稻生育期的识别装置，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现所述的田间水稻生育期的识别方法。

60、本发明还提供一种田间水稻生育期的识别介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现所述的田间水稻生育期的识别方法。

61、有益效果：本发明中不同生育期的图像数据经全维动态卷积与坐标注意力机制相结合的深层提取后，通过全连接将提取到的特征进行结合、分类，提高对复杂田间背景下的水稻不同生长阶段的识别准确率。

62、本发明对数据集进行划分，便于后续的分类训练，以增强模型的泛化能力，降低对大规模已标注数据集的依赖，进一步提高模型识别精度的同时，增强模型的学习效率。

63、本发明采用全维动态卷积处理，能够根据空间级别、通道级别、过滤器级别和核级别注意力处理的图像内容自动调整卷积核的大小和形状，以更有效地提取图像中的关键特征，增强对目标的感知能力。

64、本发明通过坐标注意力处理，分别在水平和垂直方向上整合输入特征信息，然后将这两个方向上的特征图编码为两种注意力图，以捕获输入特征图在不同空间方向上的长距离依赖性，充分提取位置信息，便于确定水稻在图像中的位置以及不同类别特征在水稻中的位置。