【技術實現步驟摘要】
本專利技術總體上涉及計算機視覺，并且更具體地涉及用于進行農作物檢測和雜草根部定位的設備和方法。
技術介紹
1、雜草控制是現代農業中的一項重要挑戰。雜草與作物競爭水分、養分和陽光等關鍵資源，顯著影響作物的產量和質量。隨著深度學習和計算機視覺技術的快速發展，基于圖像識別的智能除草技術逐漸成為研究的熱點。
2、基于深度學習的目標檢測框架已廣泛應用于各種對象檢測和定位，尤其是深度卷積神經網絡的發展大大提高了圖像的分類、分割和檢測性能，能夠在圖像中識別特定的對象、對圖像中所包含的對象進行分類、并在圖像中對特定的對象進行定位。將此種基于深度學習的目標檢測框架應用于農業領域，通過智能農業機械來精準識別雜草的位置，可以為后續除草節省大量的人力、物力和財力。
3、然而，當前應用于田間雜草檢測和定位的目標檢測框架基于邊界框的分類和定位，通過提供邊界框來檢測和定位圖像中的雜草，此種基于邊界框的雜草檢測和定位方式雖然在雜草檢測方面取得了不錯的效果，但在雜草定位方面，由于邊界框尺寸的限制，僅能粗略地確定雜草的范圍。這導致雜草定位的準確度不高，造成基于此種目標檢測框架的除草裝置無法高效地去除田間雜草。
技術實現思路
1、本專利技術提出了一種用于農作物檢測和雜草根部定位的技術方案，其基于本專利技術提出的目標檢測框架來進行農作物和/或雜草檢測以及雜草根部定位，至少能夠解決上述雜草定位準確度不高、除草效率低下的問題。在本專利技術中，目標檢測框架既能夠執行對象檢測和分類任務，又能夠執行根部坐標
2、在本專利技術的第一方面，提供了一種用于農作物檢測和雜草根部定位的計算設備，包括：計算資源；以及目標檢測框架，調用所述計算資源來進行農作物檢測和雜草根部定位，其中，所述目標檢測框架配置成：接收從包括農作物和雜草的場景采集的圖像；執行邊界框檢測和對象分類任務，以從所述圖像檢測農作物和雜草；以及執行根部坐標回歸任務，以從所述圖像確定雜草根部坐標。
3、如上所述的計算設備，其中，所述目標檢測框架配置成：基于與在所述圖像中檢測到的雜草相對應的圖像特征來執行所述根部坐標回歸任務，以確定所述雜草根部坐標。
4、如以上任一項所述的計算設備，其中，所述目標檢測框架對所述根部坐標回歸任務的執行與根部坐標回歸損失lreg相關聯，所述根部坐標回歸損失lreg基于真實的雜草根部坐標與所確定的雜草根部坐標之間的歐氏距離。
5、如以上任一項所述的計算設備，其中，所述目標檢測框架還配置成：基于綜合損失l、通過多任務學習來進行優化，所述綜合損失l基于分類損失lcls、邊界框檢測損失lbbox、以及所述根部坐標回歸損失lreg，所述目標檢測框架對所述邊界框檢測和對象分類任務的執行與所述邊界框檢測損失lbbox和所述分類損失lcls相關聯。
6、如以上任一項所述的計算設備，其中，所述綜合損失l被計算為：l＝α·lcls+β·lbbox+γ·lreg，其中，超參數α、β、γ指示所述分類損失lcls、所述邊界框檢測損失lbbox、以及根部坐標回歸損失lreg在所述綜合損失中的權重。
7、如以上任一項所述的計算設備，其中，超參數α被設置為大于或等于閾值權重，并且超參數β、γ基于超參數α的設置、經由所述目標檢測框架執行多任務學習來進行調整遍歷。
8、如以上任一項所述的計算設備，其中，所述目標檢測框架還配置成：進一步采用教師-學生框架由教師模型和學生模型在經標注的圖像訓練集和未經標注的圖像訓練集上通過半監督學習來進行優化。
9、如以上任一項所述的計算設備，其中，所述教師模型是所述目標檢測框架在所述經標注的圖像訓練集上基于所述綜合損失l進行所述多任務學習得到的，并且其中，所述教師模型配置成：在所述未經標注的圖像訓練集上執行所述邊界框檢測和對象分類任務，以獲得推斷的農作物和雜草檢測結果，所述推斷的農作物和雜草檢測結果具有相對應的分類置信度；在所述未經標注的圖像訓練集上執行所述根部坐標回歸任務，以獲得推斷的雜草根部坐標，所述推斷的雜草根部坐標具有相對應的根部定位置信度；以及輸出分類置信度高于分類閾值置信度的推斷的農作物和雜草檢測結果、以及根部定位置信度高于根部定位置信度閾值的推斷的雜草根部坐標，作為所述未經標注的圖像訓練集的偽標簽。
10、如以上任一項所述的計算設備，其中，所述學生模型是由所述目標檢測框架參照所述教師模型的模型參數進行配置來獲得的，并且其中，所述學生模型配置成：基于所述綜合損失在經偽標注的圖像訓練集和所述經標注的圖像訓練集上進行訓練，其中，所述經偽標注的圖像訓練集是利用所述偽標簽對所述未經標注的圖像訓練集進行標注而得到的。
11、如以上任一項所述的計算設備，其中，所述經標注的圖像訓練集采用第一圖像增強算法進行圖像增強以得到第一經增強的圖像訓練集，并且所述未經標注的圖像訓練集采用第二圖像增強算法進行圖像增強以得到第二經增強的圖像訓練集，所述第二圖像增強算法不同于所述第一圖像增強算法，其中，所述教師模型是所述目標檢測框架在所述第一經增強的圖像訓練集上基于所述綜合損失l進行所述多任務學習得到的，并且被配置成在所述第二經增強的圖像訓練集上執行所述邊界框檢測和對象分類任務以及所述根部坐標回歸任務來輸出所述第二經增強的圖像訓練集的所述偽標簽，并且其中，所述經偽標注的圖像訓練集是利用所述偽標簽對所述第二經增強的圖像訓練集進行標注而得到的，并且所述學生模型被配置成基于所述綜合損失在所述經偽標注的圖像訓練集和所述第一經增強的圖像訓練集上進行訓練。
12、如以上任一項所述的計算設備，其中，所述目標檢測框架基于有錨框的單階段目標檢測框架。
13、在本專利技術的第二方面，提供一種除草設備，包括：如以上任一項所述的計算設備；相機，用于捕獲所述圖像；以及激光發射裝置，用于基于所確定的雜草根部坐標向雜草根部發射激光光束。
14、如以上任一項所述的除草設備，還包括：移動裝置，用于使所述除草設備移動。
15、在本專利技術的第三方面，提供一種用于農作物檢測和雜草根部定位的方法，包括：由目標檢測框架接收從包括農作物和雜草的場景采集的圖像；由所述目標檢測框架執行邊界框檢測和對象分類任務，以從所述圖像檢測農作物和雜草；以及由所述目標檢測框架執行根部坐標回歸任務，以從所述圖像確定雜草根部坐標。
16、如以上任一項所述的方法，由所述目標檢測框架執行根部坐標回歸任務包括：由所述目標檢測框架、基于與在所述圖像中檢測到的雜草相對應的圖像特征來執行所述根部坐標回歸任務，以確定所述雜草根部坐標。
17、如以上任一項所述的方法，其中，所述目標檢測框架執行所述根部坐標回歸任務與根部坐標回歸損失lreg相關聯，所述根部坐標回歸損失lreg基于真實的雜草根部本文檔來自技高網...
【技術保護點】
1.一種用于農作物檢測和雜草根部定位的計算設備，包括：
2.如權利要求1所述的計算設備，其中，所述目標檢測框架配置成：
3.如權利要求2所述的計算設備，其中，所述目標檢測框架對所述根部坐標回歸任務的執行與根部坐標回歸損失Lreg相關聯，所述根部坐標回歸損失Lreg基于真實的雜草根部坐標與所確定的雜草根部坐標之間的歐氏距離。
4.如權利要求2所述的計算設備，其中，所述目標檢測框架還配置成：
5.如權利要求4所述的計算設備，其中，所述綜合損失L被計算為：
6.如權利要求5所述的計算設備，其中，超參數α被設置為大于或等于閾值權重，并且超參數β、γ基于超參數α的設置、經由所述目標檢測框架執行多任務學習來進行調整遍歷。
7.如權利要求4所述的計算設備，其中，所述目標檢測框架還配置成：
8.如權利要求7所述的計算設備，其中，所述教師模型是所述目標檢測框架在所述經標注的圖像訓練集上基于所述綜合損失L進行所述多任務學習得到的，并且其中，所述教師模型配置成：
9.如權利要求8所述的計算設備，其中，所述學
10.如權利要求9所述的計算設備，
11.如權利要求1-10中任一項所述的計算設備，其中，所述目標檢測框架基于有錨框的單階段目標檢測框架。
12.一種除草設備，包括：
13.如權利要求12所述的除草設備，還包括：
14.一種用于農作物檢測和雜草根部定位的方法，包括：
15.如權利要求14所述的方法，由所述目標檢測框架執行根部坐標回歸任務包括：
16.如權利要求15所述的方法，其中，所述目標檢測框架執行所述根部坐標回歸任務與根部坐標回歸損失Lreg相關聯，所述根部坐標回歸損失Lreg基于真實的雜草根部坐標與所確定的雜草根部坐標之間的歐氏距離。
17.如權利要求15所述的方法，其中，所述目標檢測框架是由所述目標檢測框架基于綜合損失L執行多任務學習得到的第一經優化目標檢測框架，其中，所述綜合損失L基于分類損失Lcls、邊界框檢測損失Lbbox、以及所述根部坐標回歸損失Lreg，并且所述目標檢測框架執行所述邊界框檢測和對象分類任務與所述邊界框檢測損失Lbbox和所述分類損失Lcls相關聯。
18.如權利要求17所述的方法，其中，所述綜合損失L被計算為：
19.如權利要求18所述的方法，其中，超參數α被設置為大于或等于閾值權重，并且超參數β、γ基于超參數α的設置、經由所述目標檢測框架執行多任務學習來進行調整遍歷。
20.如權利要求17所述的方法，其中，所述目標檢測框架是第二經優化目標檢測框架，所述第二經優化目標檢測框架是在所述目標檢測框架進一步采用教師-學生框架通過教師模型和學生模型在經標注的圖像訓練集和未經標注的圖像訓練集上進行半監督學習得到的。
21.如權利要求20所述的方法，
22.如權利要求21所述的方法，
23.一種機器可讀介質，包括存儲于其上的機器可執行指令，所述指令在被執行時使得機器執行如權利要求14至22中任一項所述的方法。
24.一種計算機程序產品，包括計算機指令，所述計算機指令在被執行時實現如權利要求14至22中任一項所述的方法。
...【技術特征摘要】
1.一種用于農作物檢測和雜草根部定位的計算設備，包括：
2.如權利要求1所述的計算設備，其中，所述目標檢測框架配置成：
3.如權利要求2所述的計算設備，其中，所述目標檢測框架對所述根部坐標回歸任務的執行與根部坐標回歸損失lreg相關聯，所述根部坐標回歸損失lreg基于真實的雜草根部坐標與所確定的雜草根部坐標之間的歐氏距離。
4.如權利要求2所述的計算設備，其中，所述目標檢測框架還配置成：
5.如權利要求4所述的計算設備，其中，所述綜合損失l被計算為：
6.如權利要求5所述的計算設備，其中，超參數α被設置為大于或等于閾值權重，并且超參數β、γ基于超參數α的設置、經由所述目標檢測框架執行多任務學習來進行調整遍歷。
7.如權利要求4所述的計算設備，其中，所述目標檢測框架還配置成：
8.如權利要求7所述的計算設備，其中，所述教師模型是所述目標檢測框架在所述經標注的圖像訓練集上基于所述綜合損失l進行所述多任務學習得到的，并且其中，所述教師模型配置成：
9.如權利要求8所述的計算設備，其中，所述學生模型是由所述目標檢測框架參照所述教師模型的模型參數進行配置來獲得的，并且其中，所述學生模型配置成：
10.如權利要求9所述的計算設備，
11.如權利要求1-10中任一項所述的計算設備，其中，所述目標檢測框架基于有錨框的單階段目標檢測框架。
12.一種除草設備，包括：
13.如權利要求12所述的除草設備，還包括：
14.一種用于農作物檢測和雜草根部定位的方法，包括：
15.如權利要求14所述的方法，由所...
【專利技術屬性】
技術研發人員：董楠卿，劉丁寧，李勁哲，蘇浩揚，
申請(專利權)人：上海人工智能創新中心，
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。