[发明专利]一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法及系统

权利要求书

1.一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法，其特征在于，包括：

S01、获取多类别蔬菜幼苗图像数据集，将所述图像数据集进行数据增强；

S02、标注所述增强数据集，将标注的数据集划分为训练集、验证集、测试集；

S03、在TensorFlow深度学习框架上，搭建轻量化二阶段检测模型，设计混合深度分离卷积神经网络作为前置基础网络，采用特征金字塔网络融合所述前置基础网络不同层级特征信息，压缩检测头网络通道维数和全连接层数量；

S04、初始化所述轻量化二阶段检测模型参数，将训练集输入到检测模型基于随机梯度下降法进行训练；

S05、训练完成后将待识别图像输入到检测模型，输出蔬菜幼苗种类和位置信息。

2.根据权利要求1所述的一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法，其特征在于，所述步骤S01具体包括：

(1.1)使摄像机与作物行水平方向呈80°～90°夹角，距离地面高度约80cm，在不同天气条件、不同光照方向、不同环境背景下采集多类蔬菜幼苗图像构建图像数据集；

(1.2)将所述图像数据集通过几何变换与颜色变换进行数据增强。

3.根据权利要求1所述的一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法，其特征在于，所述步骤S02具体包括：

(2.1)采用标注软件对所述增强数据集中的蔬菜幼苗进行类别与位置标注；

(2.2)将所述标注数据集按照7:2:1的比例随机拆分为训练集、验证集、测试集。

4.根据权利要求1所述的一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法，其特征在于，所述步骤S03中，具体包括：

(3.1)将多个不同尺寸卷积核融合到一个单独的深度可分离卷积运算构成混合深度分离卷积神经网络，将其作为前置基础网络对输入图像进行特征获取；

(3.2)引入特征金字塔网络对所述前置基础网络不同层级特征进行融合，融合后的特征图输入到区域建议网络生成一系列稀疏的预测框；

(3.3)在检测头网络中利用非对称卷积对所述混合深度分离卷积神经网络最后阶段输出特征进行运算生成通道维数较少的特征图，将特征图与预测框进行综合接入1个全连接层获得检测目标全局特征，基于2个并行分支完成目标分类和位置预测。

5.根据权利要求1所述的一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别方法，其特征在于，所述步骤S04具体包括

(4.1)对前置特征提取网络使用预训练好的混合深度分离卷积神经网络权重参数模型，其余层用均值为0、标准差为0.01的高斯分布随机初始化；

(4.2)设置模型训练所涉及的超参数，采用多任务损失函数为目标函数基于随机梯度下降法进行训练；

(4.3)训练过程中利用在线困难样本挖掘策略对输入样本损失函数进行计算，按由大到小的顺序排序，筛选前1％比例损失函数较大难分样本通过反向传播训练更新模型权重参数。

6.一种基于轻量化二阶段检测模型的多类别蔬菜幼苗识别系统，其特征在于，包括：

图像采集增强模块，用于获取多类别蔬菜幼苗图像数据集，将所述图像数据集进行数据增强；

图像标注分类模块，用于标注所述增强数据集，将标注的数据集划分为训练集、验证集、测试集；

检测模型构建模块，用于在TensorFlow深度学习框架上，搭建轻量化二阶段检测模型，设计混合深度分离卷积神经网络作为前置基础网络，采用特征金字塔网络融合所述前置基础网络不同层级特征信息，压缩检测头网络通道维数和全连接层数量；

检测模型训练模块，用于初始化所述轻量化二阶段检测模型参数，将训练集输入到检测模型基于随机梯度下降法进行训练；

检测结果输出模块，用于训练完成后将待识别图像输入到检测模型，输出蔬菜幼苗种类和位置信息。