[发明专利]一种基于改进CenterNet的植物冠层密集叶片计数方法

说明书

本发明公开了一种基于改进CenterNet的植物冠层叶片计数方法，该方法通过改进CenterNet网络模型结构和优化损失过程函数，在网络输入端加入空间转深度模块，将输入图像转化为不同深度模块，同时引入CBAM注意力模块，以便检测不同分辨率下的叶片边缘信息；然后运用空洞卷积的空间金字塔池化提取不同尺度下的图像感受野特征并融合输入DLA‑34主干网络中；最后运用逆向空间转深度模块将不同DLA‑34网络在不同阶段得到的特征信息连起来，以保留密集、不规则叶片的特征，还使用smooth_L1函数对原CenterNet网络使用的目标预测损失函数进行了优化，克服了不同感受野下重叠叶片和不规则叶片的检测问题，可以在复杂自然环境下对不同生长时期、不同遮挡程度的植物冠层叶片进行计数。

技术领域

本发明涉及图像识别技术领域，具体是一种基于改进CenterNet的植物冠层密集叶片计数方法。

背景技术

植物表型研究是研究在特定条件下植物所表现出的可观察的结构、功能等形态特征及其变化规律，正成为学术和产业界公认的核心研究和应用领域之一，是解决面向未来的农业挑战的核心技术领域之一。植物的表型参数会随着植物器官的生长而变化，准确和快速的获取植物表型信息可帮助了解作物的产量规律、提高作物产量。因此，植物表型信息的快速检测技术成为现代农业和信息技术的研究热点，并且在科学研究和提高农作物的生产力中起着至关重要的作用。与此同时，在计算机视觉方面也涌现出了大量更为准确、高效的图像处理算法与技术，在为植物图像处理领域的发展带来了新机遇的同时也提出了更多的挑战。

许多研究者围绕该问题开展了大量研究，提出了一些解决方法。例如，部分研究者提出使用基于颜色的叶片分割技术，通过HSV色彩空间的分水岭分割方法从具有复杂背景的植物图像中提取叶子区域，并将现有提取的叶片模板与隐藏数据进行匹配，以提高对叶片分割的准确性。此外还有学者提出基于形状特征的图像分割技术，采用主动轮廓法，并设置相应的参数限制分割轮廓，提取图片中的叶片轮廓。近年来，有研究者提出了基于卷积神经网络的叶片识别方法，这些方法一般首先获取叶片的RGB图片，并进行预处理和标注，构建叶片数据集，设置好网络模型的参数后，将训练集放入卷积神经网络进行训练，最后就能得到叶片检测模型。此外，也有人利用基于图像计算的方法，获取待测叶片的初始轮廓图像，通过几何形态学方法对图像进行筛选，获取目标叶片的轮廓，再通过轮廓特征进行分割识别。

现有基于卷积神经网络的叶片识别方法中，一个缺点是在统计叶片时，过于注重对单个目标的识别精度，没有考虑卷积神经网络的深度和检测速度；另一个不足是在优化网络结构时，往往降低了识别精度，缺少对指定目标的识别信息。基于图像计算或区域分割方法对叶片计数的主要缺点是缺乏对复杂环境下，重叠、密集叶片的识别，仅能大致的将明显的叶片轮廓或者特性描述分割出来，而丢失了一些被遮挡叶片的细节，统计不到准确的叶片数量。

不同品种的叶片个体、颜色、生长特性等特征随着生长周期的不同而表现出不同的差异，即使是同一种类的不同叶片，形态特征也不尽相同，不同品种的叶片更是有不同的性状特征。由于不同植物在其形状、纹理等几何参数上存在着巨大的差异，而且在不同的自然环境下，植物还会受到光照条件、叶片重叠、病虫灾害等因素都会影响叶片的识别。因此，在叶片计数时，考虑叶片自身的因素和复杂环境的影响是十分必要的。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种基于改进CenterNet的植物冠层密集叶片计数方法，该方法对CenterNet算法进行了进一步的改进，其思想是先优化算法中的目标大小预测损失函数，再用空间转深度模块结合CBAM注意力模块强调不同尺度下叶片的特征，最后运用空洞卷积的空间金字塔池化(ASPP)与深层特征网络采用密集连接，克服不同感受野下重叠叶片和不规则叶片的检测问题，可以在复杂自然环境下对不同生长时期、不同遮挡程度的植物冠层叶片进行计数。

实现本发明目的的技术方案是：