一种基于语义分割的雾培番茄特征提取方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115937533A(43)申请公布日2023.04.07(21)申请号202211578932.5G06V10/26(2022.01)(22)申请日2022.12.05G06V10/764(2022.01)G06V10/82(2022.01)(71)申请人中国科学院合肥物质科学研究院G06N3/0464(2023.01)地址232000安徽省合肥市蜀山湖路350号G06N3/048(2023.01)申请人安徽中科德技智能科技有限公司(72)发明人董俊朱智佳马凡吴双(74)专利代理机构北京同辉知识产权代理事务所(普通合伙)11357专利代理师饶富春(51)Int.Cl.G06V10/42(2022.01)G06V10/44(2022.01)G06V10/80(2022.01)G06V20/68(2022.01)G06V20/70(2022.01)权利要求书1页说明书4页附图3页(54)发明名称一种基于语义分割的雾培番茄特征提取方法(57)摘要本发明提供一种基于语义分割的雾培番茄特征提取方法，涉及无土栽培领域。该基于语义分割的雾培番茄特征提取方法，输入植物叶片的图片；对输入的图片进行预处理；将预处理后的图片传输到编码器用于提取特征，通过ResNet网络用以提取图像局部抽象特征，在ResNet网络的ResLayer结构的残差融合之前且最后一个卷积之后添加上下文模块，通过上下文模块用以叠加图像全局上下文信息；将提取的特征传输到解码器用于融合及解码特征，针对小目标优化的ASPP用于解码粗粒度特征，通过动态核更新机制用以将粗粒度特征转换为细粒度特征，通过主分类器用以将特征信息映射至分类信息，完成分类，有效提高了分割精度，满足后续植物生长状态判别对于叶片及根系分割精度的要求。CN115937533ACN115937533A权利要求书1/1页1.一种基于语义分割的雾培番茄特征提取方法，其特征在于，包括：输入植物叶片的图片；对输入的图片进行预处理；将预处理后的图片传输到编码器用于提取特征，通过ResNet网络用以提取图像局部抽象特征，在ResNet网络的ResLayer结构的残差融合之前且最后一个卷积之后添加上下文模块，通过上下文模块用以叠加图像全局上下文信息；将提取的特征传输到解码器用于融合及解码特征，针对小目标优化的ASPP用于解码粗粒度特征，通过动态核更新机制用以将粗粒度特征转换为细粒度特征，增加边缘像素、难分类像素分类准确性，通过主分类器用以将特征信息映射至分类信息，完成分类。2.根据权利要求1所述的一种基于语义分割的雾培番茄特征提取方法，其特征在于：所述上下文模块具体包括：全局上下文模块用于上下文建模；瓶颈层转换来捕获通道间依赖；逐元素相加用于特征融合。3.根据权利要求1所述的一种基于语义分割的雾培番茄特征提取方法，其特征在于：所述将提取的特征传输到解码器用于融合及解码特征过程中添加辅助分类器，所述辅助分类器用于加速优化过程以及快速收敛。4.根据权利要求1所述的一种基于语义分割的雾培番茄特征提取方法，其特征在于：所述ASPP结构中每个分支上的膨胀卷积层所采用的膨胀系数设置为[1,3,5,8]。5.根据权利要求4所述的一种基于语义分割的雾培番茄特征提取方法，其特征在于：所述ASPP结构中增加动态核自更新模块。6.根据权利要求1所述的一种基于语义分割的雾培番茄特征提取方法，其特征在于：所述ASPP结构中增加动态核自更新模块，具体包括：特征组装：将特征映射F乘MaskMi‑1作为新的组装特征FK；动态核自更新：首先在FK和Ki‑1之间执行元素乘法，随后计算两个门控，再由这两个门控计算出一组新的核；内核交互：通过多头注意力加上前馈神经网络计算出来一组新的Ki，完成卷积核K从Ki‑1到Ki的更新；将卷积核Ki通过FC‑LN‑ReLU,生成新的二进制掩码MaskMi；重复二进制掩码MaskMi的生成，直至卷积核K更新规定轮次。7.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了权利要求1‑6中任一项所述的一种基于语义分割的雾培番茄特征提取方法。8.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1‑6中任意一项所述的一种基于语义分割的雾培番茄特征提取方法。2CN115937533A说明书1/4页一种基于语义分割的雾培番茄特征提取方法技术领域[0001]本发明涉及无土栽培技术领域，具体为一种基于语义分割的雾培番茄特征提取方法。背景技术[0002]气雾栽培(简称雾培)是无土栽培技术中不可或缺的一种栽培方式，被认为