[发明专利]基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质

说明书

本发明公开了一种基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质，该方法包括构建卷积神经网络模型；获取花期花朵图像并构建数据集；训练卷积神经网络模型；进行验证并调整当前卷积神经网络的参数；选取最终的花量统计模型并进行预测。本发明采用基于密度图的花量统计方法，而非传统人工计数，可实现快速准确统计花量；使用不同大小的卷积核的子网络适应花朵分辨率大小尺度不同的情况，使模型在不同形态的花量统计下更加具鲁棒性；相比现有发明，本发明提升了模型在计数高密度花量时的精度，同时相比目标检测方法，该技术不需要精确的边界框大小和精准的边界框位置，提升了模型的专一性，输出更快的密度图和计数结果。

技术领域

本发明属于计算机视觉、卷积学习等的技术领域，具体涉及一种基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质。

背景技术

随着现代农业技术智能化的发展，花朵计数成为了在精细化农业智能化生产中重要的一步。花量统计有助于果园的花期管理，为果农科学合理调节花量，确保果实产量提供参考。同时，对果树成花率的监控和产量预测有重要的意义。

尽管现在关于花量统计有较多的研究，但是依然存在一些未解决好的方法。无论是人工统计还是采用目标检测的方式对花朵进行检测，最终汇总获得花量结果的方法都无法做到精确地统计花朵花量，目前人工方法通常是果农用肉眼和经验进行大致的花量预估，而目标检测方法虽然能很准确的定位到花朵位置，但是目标检测在对于既密集又小的花上，很容易造成漏检和误检的情况，并且需要较长时间完成花朵的统计。这些使得在花量统计上效率和精度上不足。

所以，在对目标位置不是严格要求下，如何提高在花量统计的准确性和降低检测时间是有待解决的问题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质，其可以对花朵进行精准计数，提高农业精细化作业，降低人力成本，实现花量的快速计数，为花期管理和产量预测提供信息。

本发明的第一个目的在于提供一种基于密度图回归的卷积神经网络的花量统计方法。

本发明的第二个目的在于提供一种基于密度图回归的卷积神经网络的花量统计系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

基于密度图回归的卷积神经网络的花量统计方法，包括下述步骤：

构建卷积神经网络模型；所述卷积神经网络模型采用多列以卷积-池化-卷积-池化为主要特征的卷积神经网络以生成密度图；

获取自然条件下的花期花朵图像；

根据得到的花期花朵图像制作标签，构建数据集，划分训练集、验证集和测试集；

利用训练集，训练卷积神经网络模型；

每完成一次训练，在验证集中对当前卷积神经网络模型进行基于密度图回归的验证，对验证集中模型预测的花量与实际花量进行对比，根据验证集的结果看是否需要终止模型训练，更改超参数之后再训练，最终选取在验证集中的最优的卷积神经网络模型作为最终的花量统计模型，并在测试集中对模型进行评估，获得模型的最终效果；

利用最终的花量统计模型生成密度图，计算花量统计结果。

作为优选的技术方案，所述卷积神经网络模型，具体包括：

采用多列卷积神经网络的结构，包括短、中、长三种分支子网络结构，其中，

短分支子网络结构为：卷积-池化-卷积-池化-卷积，并选用9×9的卷积核；