[发明专利]基于注意力和多重知识迁移的植物表型检测系统及其方法

说明书

本发明公开了一种基于注意力和多重知识迁移的植物表型检测系统及其方法，涉及植物表型智能识别领域。本系统包括依次连通的工业相机（10）、服务器（20）和嵌入式设备（30）；服务器（20）内嵌有依次交互的数据集制作模块（21）、教师目标检测模型（22）和学生目标检测模型（23）；嵌入式设备（30）内嵌有依次交互的实时采集模块（31）、最终模型（32）和输出模块（33）。本发明改进了混合域注意力模块和相应的注意力损失函数；设计了特征融合模块和相应的特征融合层知识迁移损失函；提出了基于多重损失的知识迁移训练方法；实现了对自然环境下植物表型的实时检测，可适用于植物表型学研究，具有广阔的前景。

技术领域

本发明涉及植物表型智能识别领域，尤其涉及一种基于注意力和多重知识迁移的植物表型检测系统及其方法。

背景技术

针对植物表型的研究，不仅可以为作物育种、栽培和农业生产提供理论基础和技术手段，还有助于农业生产的精准化和可持续发展。传统的植物表型研究主要依靠人工观察和测量得到植物外部物理性的描述，这种方法往往依赖于从小样本植物中手动检测个别性状,因此能够得到的数据量非常有限,效率非常低。

目前，大多数植物表型数据以图像数据为主，因此借助深度学习在特征提取上的优势，实现了对植物表型的鉴别，尤其是基于深度学习的目标检测算法在对自然环境下的植物表型进行检测时体现出了较之传统研究有着更高精度和稳定性的优势。如Baweja等人在Field and Service Robotics2018：271-284发表的论文“StalkNet：A deep learningpipeline for high-throughput measurement of plant stalk count and stalkwidth”使用配备高分辨率立体成像仪的地面机器人来捕获高粱植物实验地块的密集图像数据，通过快速的区域卷积神经网络(Faster-Regions with CNN Features，Faster-RCNN)构建了茎杆数和茎宽的测量算法，该方法算法准确度较高，但检测速度明显慢于单阶段目标检测算法；Sarker和Kim在electronic bulletin board online2019-06-05上发表论文“Farm land weed detection with region-based deep convolutional neuralnetworks”提出了一种基于区域的全卷积网络，实现了对于田间复杂环境下的杂草识别，尽管实际测试中表现出较高的杂草识别准确率，但仍有很大的上升空间。上述相关的方法在特征提取上较前人的特征提取方法取得了相对领先的优势，但是在面对复杂背景下的植物表型检测时往往很难兼顾准确性与实时性，而农业生产中对于准确率和实时性的要求不可忽视。

发明内容

本发明的目的就在于克服现有技术存在的缺点和不足，提供一种基于注意力和多重知识迁移的植物表型检测系统及其方法，提高目标检测算法在自然背景下对植物表型识别准确性，加快识别速度。

为实现上述目的，本发明的技术方案为：

一、基于注意力和多重知识迁移的植物表型检测系统(简称系统)

本系统包括依次连通的工业相机10、服务器20和嵌入式设备30；

服务器20内嵌有依次交互的数据集制作模块21、教师目标检测模型22和学生目标检测模型23；

嵌入式设备30内嵌有依次交互的实时采集模块31、最终模型32和输出模块33。

二、基于注意力和多重知识迁移的植物表型检测方法(简称方法)

见具体实施方式。

与现有技术相比，本发明具有下列优点和积极效果：

1、改进了混合域注意力模块和相应的注意力损失函数