[发明专利]一种可解释的植物计数方法和系统

说明书

本发明公开了一种可解释的植物计数方法和系统，属于农业自动观测领域。方法包括：对植物原始图依次进行编码、解码，并将解码得到的特征映射与软掩膜融合实现特征分割；将编码阶段中设定分辨率的特征映射与分割得到的特征映射进行点乘；对点乘得到的特征映射进行卷积得到局部计数，并对局部计数的权重进行动态分配，得到冗余计数图；对冗余计数图进行归一化和可视化处理，得到可解释的植物计数图。本发明方法没有粗糙地将计数结果直接平均分配到局部区域内，而是通过重新分配局部区域的特征权重，提高了局部计数图的输出分辨率，增强了输出计数图的可解释性。

技术领域

本发明属于农业自动观测领域，更具体地，涉及一种可解释的植物计数方法和系统。

背景技术

植物计数在农业育种，植物表型鉴定，作物监测和产量预报中具有广泛的应用。通过对叶或器官等几何特征进行表型分选，育种者可以鉴定出理想的农作物品种。植物穗的出苗率是监测作物关键生长阶段的关键指标，植物穗的密度和果实的数量也与产量密切相关，而获得所有这些指数需要植物计数。而在传统农业中，植物计数通常是人工通过随机采样和肉眼观察的方式进行的。但是手动计数既繁琐又费时费力并且容易出错的，它不能满足现代高通量表型分析的需要。

由于诸如无人机(UAV)之类灵活的植物表型平台的普及，逐年增加的计算能力以及第三波人工智能(深度学习)，对开发基于数字图像的自动化植物计数工具的兴趣日益浓厚。许多自动化植物计数工具都是由深度卷积神经网络(CNN)的成功所推动的。但是，CNN的推论通常被认为是一个黑盒模型。因此，为了推断出哪个实例被计数，农业工作者希望至少一种算法生成的输出是可解释的。由于输出的可解释性与输出的可视化方式密切相关，因此这种必要性驱动了从业人员如何选择某种算法框架来生成输出可视化。

自2008年以来，计算机视觉中的对象计数被认为是一个独立的研究领域并引入了回归计数。而回归计数有三个子分支。其一,Chan等人在2008年发表的论文“Privacypreserving crowd monitoring:Counting people without people models ortracking”对全局图像计数进行回归，它相当于优化图像水平的平均绝对误差(MAE)。熊海鹏等人在2019年发表的论文“From open set to closed set:Counting objects byspatial divide-and-conquer”中指出由于图像变化大和计数值的开放式性质，全局图像计数的回归很难优化。一个很好的替代方案(第二个分支)是对Lempitsky和Zisserman于2010年引入的密度图进行回归。第三分支是逐块回归并局部计数，其最早于2012年出现在Chen等人发表的论文“Feature mining for localized crowd counting”中。已有文献证明这种局部计数框架特别适合于植物计数，因为它对局部大小变化非常敏感，而植物本身就会生长并发生变化，所以增强模型的鲁棒性十分重要。最近刘喜阳等人2020年发表的论文“Adaptive mixture regression network with local counting map for crowdcounting”表明与密度图相比，局部计数会产生更小的平均绝对误差。

尽管局部计数框架很有效，但它的一个缺点是所生成的可视化结果非常粗糙，可解释性很差，即无法从输出的计数结果图中直观看出待检测目标的个体分布。而在实际应用中，人们对计数问题的需求不仅要“数得准确”，更要“数的清楚”，即可以从计数结果图中清楚看到被计数目标。图10是采用目前常用的局部计数算法对图4所示水稻图像处理后得到的计数图，可以看出，该图虽可获得目标数量估计的结果，但其视觉效果非常粗糙，无法从图中观察到精细化的待计数目标信息。因此，有必要提出一种新的植物计数方法，该方法既能准确检测出植物数量，又能获得解释性好的可视化输出。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种可解释的植物计数方法和系统，其目的在于既能准确检测出植物数量，又能获得解释性好的可视化输出。