[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

权利要求书

1.基于密度图回归的卷积神经网络的花量统计方法，其特征在于，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。

2.根据权利要求1所述基于密度图回归的卷积神经网络的花量统计方法，其特征在于，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；

中分支子网络结构为：卷积—池化—卷积—池化—卷积—卷积，并选用5×5的卷积核；

长分支子网络结构为：卷积—池化—卷积—池化—卷积—卷积—卷积，并选用3×3的卷积核；

池化层采用2×2最大池化层。

3.根据权利要求1所述基于密度图回归的卷积神经网络的花量统计方法，其特征在于，所述获取自然状态条件下的花期花朵图像，具体包括如下步骤：

采用高清摄像头对处于花期的树进行拍摄，选取不同方位、不同光照、不同冠层、不同天气的图像，剔除肉眼无法清楚识别花朵的图像。

4.根据权利要求1所述基于密度图回归的卷积神经网络的花量统计方法，其特征在于，

所述根据得到的花朵图像制作标签，构建数据集，划分训练集、验证集和测试集，具体包括：

对筛选后的图像进行数据增强，包括随机裁剪、平移、翻转、旋转以及亮度变化；

对花朵各种形态以及遮挡状态进行标注；

根据获得到的标注点信息，采用固定方差二维高斯核算法生成花朵密度图。

5.根据权利要求1所述基于密度图回归的卷积神经网络的花量统计方法，其特征在于，所述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，根据验证集的结果调整当前卷积神经网络模型的参数，选取最优的卷积神经网络模型作为花量统计模型，具体包括：

利用验证集对当前卷积神经网络模型进行验证，所述密度图回归采用均方差损失函数，使用欧氏距离测量真实值与预测密度之间的差异，具体表示为：

其中，θ是网络中一组可学习参数；N是训练图像的数量；x_i是输入图像；F_i是图像的真实密度；F(x_i；θ)代表由模型预测密度，其随样本与参数θ而变化；L(θ)是预测密度与真实密度之间的损失；

不断迭代优化，修改动量、学习率，直至模型收敛，损失函数不再下降，达到性能要求；

计算多个不同超参数下的验证集的结果，选出最佳的超参数下的卷积神经网络模型作为最终的花量统计模型。

6.根据权利要求1所述基于密度图回归的卷积神经网络的花量统计方法，其特征在于，所述在测试集中对模型进行评估具体如下式：

其中，M是测试图像的数量，z_i是第i张图像中的真实花朵的数量，是第i张图像中预测的花量；MAE表示预测的准确性，MSE表示预测的鲁棒性。

7.根据权利要求1所述基于密度图回归的卷积神经网络的花量统计方法，其特征在于，所述利用最终的花量统计模型生成密度图，计算花量统计结果，具体包括：

将目标图像输入到最终的花量统计模型，依次经过多个卷积核大小不同的分支子网络，将分支子网络输出的特征图进行融合，在经过一轮1×1卷积，得到最终密度图，对最终密度图进行积分，其结果即为该目标图像花量的总数。