【技術實現步驟摘要】
本專利技術涉及花卉識別領域，具體涉及一種基于深度學習的盆栽花卉智能識別方法。
技術介紹
1、在對花卉進行種植時，可以選擇在溫室內使用花盆種植，隨著花卉市場的龐大需求，種植花卉存在著種類繁多及管理不便的問題，因此，優化盆栽花卉智能管理技術尤為重要?，F有的智能管理技術一般是通過監測土壤濕度和空氣溫濕度等環境變量統一施加水肥，很顯然，這種智能管理技術顯然無法應對作物混種情況。
2、因此，亟需設計一種花卉智能識別方法，通過計算機視覺技術，對盆栽花卉進行智能識別和分類，以幫助決策系統根據不同種類花卉的習性和狀態施加營養和水肥，從而為種植作物的自動化管理提供技術支持，利于推動無人化作物種植管理技術的發展。
技術實現思路
1、本專利技術要解決的技術問題是克服現有技術的缺陷，提供一種基于深度學習的盆栽花卉智能識別方法，它可以精確識別盆栽花卉的種類。
2、為了解決上述技術問題，本專利技術的技術方案是：一種基于深度學習的盆栽花卉智能識別方法，方法包括：
3、構建盆栽花卉檢測數據集，所述盆栽花卉數據集包括多個標注后的盆栽花卉圖像；
4、構建yolov5s_nmrh目標檢測模型，所述yolov5s_nmrh目標檢測模型在yolov5的基礎上，backbone部分采用nam_mobilenetv3s骨干特征提取網絡，neck部分的上采樣采用雙線性插值法，head部分采用添加了殘差邊的解耦檢測頭res_decoupled?head；
5、采用所述盆栽
6、利用訓練后的yolov5s_nmrh目標檢測模型識別待識別盆栽花卉圖像中的盆栽花卉。
7、本專利技術改進了主干特征提取網絡cspdarknet53為輕量級的nam_mobilenetv3s，將上采樣方式從最近鄰插值法優化為雙線性插值法，改善最近鄰插值因相鄰像素點的像素值相同導致的色塊現象；改進檢測頭coupled?head為添加了殘差邊的解耦檢測頭res_decoupled?head，res_decoupled?head將目標位置和類別信息分別提取出來，通過分類和回歸分支分別學習，同時在每個分支上新增了1個3×3卷積層，并為每個新增的卷積層都添加殘差邊，旨在不增加成本的前提下提升網絡收斂速度和檢測精度。本專利技術通過構建并訓練yolov5s_nmrh網絡，實現了對盆栽花卉的準確、快速智能識別，可以幫助決策系統根據不同種類花卉的習性和狀態施加營養和水肥，為種植作物的自動化管理提供技術支持，有利于優化種植作物的智能管理技術及推動無人化作物種植管理技術的發展。
8、進一步，構建盆栽花卉檢測數據集的步驟包括：
9、先采集多個盆栽花卉圖像；
10、然后對多個盆栽花卉圖像進行隨機旋轉和/或隨機平移和/或隨機加噪和/或隨機模糊處理；
11、最后采用labelimg對處理后的各個盆栽花卉圖像進行矩形框標注，得到類別信息、標注框的中心坐標、標注框的相對寬和高。
12、進一步，所述nam_mobilenetv3s骨干特征提取網絡具有依次設置的conv_bn_hswish模塊、3個bneck?3×3模塊和5個bneck?5×5模塊構成，每個bneck?3×3模塊和每個bneck?5×5模塊均嵌有基于歸一化的nam注意力機制。
13、基于歸一化的nam注意力機制嵌入到了每一個bneck模塊中，nam是一種高效和輕量級的注意力機制，nam使用了比例因子來衡量每個維度的重要性，當比例因子越大，維度數據的方差越大，所包含的語義信息越豐富，越值得關注。其中，
14、nam注意力機制的批量歸一化比例系數計算公式如下：
15、
16、其中，bin和bout分別為批量歸一化bn計算的輸入量和輸出量，μβ和σβ分別為小批量輸入數據的均值和標準偏差，γ和β分別為可訓練的尺度和位移參數，ε是為了避免分母為0而增加的一個接近于0的值；nam注意力機制具有通道注意力子模塊和空間注意力子模塊。
17、對于通道注意力子模塊，通道權重計算為：
18、
19、式中，γi為通道i的比例因子，ωi為通道i對應的權值；
20、通道注意力子模塊輸出特征表示為：
21、mc＝sigmoid(wγ(bnc(f1)))
22、其中，f1表示通道注意力子模塊輸入特征，bnc表示通道特征歸一化系數，wγ＝{ω1，ω2，ω3...，ωn}表示通道子模塊權值，mc表示通道注意力子模塊輸出特征；
23、對于空間注意力子模塊，空間權重計算為：
24、
25、式中，λi為像素i的比例因子，ωi為像素i對應的權值；
26、空間注意力子模塊輸出特征表示為：
27、ms＝sigmoid(wλ(bns(f2)))
28、其中，f2表示空間注意力子模塊輸入特征，bns表示空間特征歸一化系數，wλ＝{ω1，ω2，ω3...，ωn}表示空間子模塊權值，ms表示空間注意力子模塊輸出特征；
29、bneck3×3模塊提取特征時：若nam＝0，則bneck3×3模塊由三個卷積層依次提取特征，若nam＝1，則bneck3×3由卷積層、nam、卷積層依次提取特征；
30、bneck?5×5模塊提取特征時，若inp＝oup，則bneck?5×5模塊由卷積層、na?m和卷積層依次提取特征，如inp≠oup，則bneck?5×5模塊由卷積層、卷積層nam和卷積層依次提取特征。
31、其中，inp、oup分別指輸入通道數、輸出通道數，nam是一個決定nam是否參與工作的變量，當nam＝1時nam參與工作，當nam＝0時不參與工作。
32、進一步，所述neck部分用于在上采樣過程中依次融合nam_mobilenetv3s骨干特征提取網絡所提取的三個不同尺度的特征，三個不同尺度的特征分別為第二個bneck?3×3模塊、第一個bneck?5×5模塊和第三個bneck?5×5模塊輸出的特征。
33、此三個模塊輸出尺寸分別為80×80×24、40×40×40、40×40×48，yolov5s_nmrh目標檢測模型在特征上采樣過程中將第6層與第11層進行拼接、將第2層與經兩倍上采樣后的第4層以及第17層進行拼接。
34、neck部分在上采樣過程中依次融合nam_mobilenetv3s所提取的三個不同尺度的高層和低層特征，使其包含更多的位置、細節信息，從而提高模型特征的提取能力。
35、進一步，采用所述盆栽花卉檢測數據集訓練所述yolov5s_nmrh目標檢測模型，具體包括：
36、先將yolov5s_nmrh目標檢測模型在coco數據集上進行訓練，以最優的模型作為預訓練模型；
37、后將預訓練模型在所述盆栽花卉數據集進行訓練，訓練時通本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的盆栽花卉智能識別方法，其特征在于，
2.根據權利要求1所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
3.根據權利要求1所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
4.根據權利要求3所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
5.根據權利要求1所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
6.根據權利要求1所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
7.根據權利要求6所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
8.根據權利要求1所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
【技術特征摘要】
1.一種基于深度學習的盆栽花卉智能識別方法，其特征在于，
2.根據權利要求1所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
3.根據權利要求1所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
4.根據權利要求3所述的基于深度學習的盆栽花卉智能識別方法，其特征在于，
5...
【專利技術屬性】
技術研發人員：陳從平，嚴轉紅，陳奔，徐志偉，張屹，
申請(專利權)人：常州大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。