本發(fā)明涉及農(nóng)業(yè)，尤其涉及一種蘭州百合重量的無(wú)損測(cè)量方法。
背景技術(shù)：
1、種球重量是決定蘭州百合成活率的核心指標(biāo)，也是保障百合高產(chǎn)、高品質(zhì)的關(guān)鍵。然而，當(dāng)前種球重量評(píng)估仍主要依賴人工稱重或經(jīng)驗(yàn)估測(cè)，費(fèi)時(shí)費(fèi)力，難以適配規(guī)模化生產(chǎn)。
2、已有成果表明圖像處理或者幾何模型具有農(nóng)作物種子的表型參數(shù)估計(jì)能力。但是，蘭州百合種球形狀不規(guī)則、大小差異大，表面往往附著泥土，且不同生長(zhǎng)階段種球的密度、含水率存在波動(dòng)，現(xiàn)有方法對(duì)不具備復(fù)雜表型的高魯棒性，易導(dǎo)致重量估計(jì)誤差過(guò)大。而且，田間采收?qǐng)鼍爸校俸戏N球常存在堆疊遮擋、光照不均、背景雜亂等問(wèn)題，現(xiàn)有圖像處理方法難以精準(zhǔn)提取種球目標(biāo)特征；同時(shí)，種球在圖像中可能呈現(xiàn)不同尺度，尤其是小規(guī)格種球的特征提取難度更大，進(jìn)一步加劇了重量估測(cè)的不準(zhǔn)確性。這些技術(shù)瓶頸導(dǎo)致現(xiàn)有圖像驅(qū)動(dòng)的重量估測(cè)方法無(wú)法有效應(yīng)用于蘭州百合種球的規(guī)模化檢測(cè)場(chǎng)景，難以滿足全產(chǎn)業(yè)鏈對(duì)種球重量精準(zhǔn)把控的需求。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種高效、精準(zhǔn)估測(cè)的蘭州百合重量的無(wú)損測(cè)量方法。
2、為解決上述問(wèn)題，本發(fā)明所述的一種蘭州百合重量的無(wú)損測(cè)量方法，包括以下步驟：
3、s1建立由一系列卷積模塊、c3k2模塊及末端的c2psa模塊組成的骨干網(wǎng)絡(luò)；
4、s2建立小目標(biāo)導(dǎo)向型雙流融合金字塔：
5、以骨干網(wǎng)絡(luò)中p2:160×160×c、p3:80×80×c、p4:40×40×c、p5:20×20×c的多尺度特征作為輸入，經(jīng)卷積模塊與c3k2模塊處理，完成橫向特征增強(qiáng)，并分別沿自底向上與自頂向下兩個(gè)路徑方向進(jìn)行多尺度特征融合；
6、s3建立多尺度遮擋聚焦式注意力檢測(cè)頭：
7、采用三路并行的dcovn特征提取結(jié)構(gòu)；每個(gè)dcovn單元配置多尺寸卷積核組，形成層級(jí)化分布的感受野；
8、s4建立包含骨干網(wǎng)絡(luò)、以小目標(biāo)導(dǎo)向型雙流融合金字塔為頸部網(wǎng)絡(luò)、以多尺度遮擋聚焦式注意力檢測(cè)頭為頭部網(wǎng)絡(luò)的yolo-lily網(wǎng)絡(luò)架構(gòu)；
9、s5采用yolo-lily網(wǎng)絡(luò)對(duì)百合種球圖像進(jìn)行實(shí)例分割，獲取種球掩碼圖像；
10、s6基于掩碼圖像定義22種種球形狀特征，通過(guò)對(duì)應(yīng)計(jì)算公式計(jì)算各特征值；
11、s7采用方差膨脹因子評(píng)估特征多重共線性，剔除冗余特征，保留外接橢球體積、外接矩形寬度、外接橢圓的長(zhǎng)軸長(zhǎng)度3個(gè)關(guān)鍵特征；
12、s8將關(guān)鍵特征輸入bpnn模型，即可獲得百合種球重量。
13、所述步驟s2中自底向上路徑是指模型從p2到p5執(zhí)行由底至上的下采樣與特征融合操作：c3k2模塊通過(guò)步長(zhǎng)為2的卷積對(duì)高分辨率特征進(jìn)行下采樣，隨后通過(guò)拼接操作將其與相鄰的高層語(yǔ)義特征融合，并利用1×1卷積完成特征降維與整合。
14、所述步驟s2中自頂向下路徑是指模型從p5到p2執(zhí)行由頂至底的上采樣與特征融合操作：c3k2模塊先對(duì)高層語(yǔ)義特征進(jìn)行增強(qiáng)，再通過(guò)雙線性上采樣將其與相鄰層級(jí)的底層特征對(duì)齊，并采用逐元素相加的方式完成特征融合。
15、所述步驟s3中多尺寸卷積核組由專注于挖掘目標(biāo)局部精細(xì)特征的小尺寸卷積核、用于捕獲目標(biāo)與遮擋物之間的局部關(guān)聯(lián)關(guān)系的中等尺寸卷積核和提取全局上下文信息且借助場(chǎng)景全局語(yǔ)義關(guān)聯(lián)實(shí)現(xiàn)對(duì)遮擋區(qū)域的特征補(bǔ)全與推理的大尺寸卷積核構(gòu)成。
16、所述步驟s3中dcovn單元的工作流程是指：將輸入特征圖自適應(yīng)劃分為若干無(wú)重疊特征塊并映射至高維特征空間，通過(guò)堆疊深度卷積模塊與逐點(diǎn)卷積模塊提取特征，對(duì)輸出特征圖與原始輸入特征圖分別執(zhí)行全局平均池化操作并融合，經(jīng)全連接層計(jì)算通道注意力權(quán)重，通過(guò)指數(shù)運(yùn)算放大權(quán)重差異后作用于特征圖調(diào)整，實(shí)現(xiàn)遮擋種球特征的精準(zhǔn)聚焦。
17、所述步驟s6中22種種球形狀特征是指種球投影面積（ a mm^2）、種球輪廓周長(zhǎng)（ p mm）、形狀復(fù)雜度（ sc）、外接橢圓的長(zhǎng)軸長(zhǎng)度（ ma）、外接橢圓的短軸長(zhǎng)度（ ma）、外接橢球體積（ v i）、外接橢圓擬合的直徑（ d）、外接橢圓的延展性（ e）、凸包面積（ a ch_ mm^2）、凸包周長(zhǎng)（ p ch_ mm）、種球區(qū)域與凸包區(qū)域比（ cr）、凸包圓度（ c ch）、外接矩形面積（ a rect_ mm^2）、外接矩形長(zhǎng)寬比（ ar rect）、外接矩形寬度（ w rect_ mm）、外接矩形高度（ h rect_ mm）、最小外接圓直徑（ d circle）、外接長(zhǎng)方體體積（ v box）、高度與面積比（ har）、基于面積的直徑（ d area）、外接矩形最大直徑（ d span）、面積與復(fù)雜度交互特征（ aci）。
18、本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：
19、1、本發(fā)明通過(guò)“小目標(biāo)導(dǎo)向型雙流融合金字塔”與“多尺度遮擋聚焦式注意力檢測(cè)頭”的協(xié)同創(chuàng)新，結(jié)合yolo-lily專屬網(wǎng)絡(luò)架構(gòu)及精準(zhǔn)的重量預(yù)測(cè)模型，從根本上解決了蘭州百合種球重量估測(cè)中面臨的“復(fù)雜場(chǎng)景適應(yīng)性差”、“小目標(biāo)提取精度低”、“重量估測(cè)誤差大”三大核心難題，實(shí)現(xiàn)了規(guī)模化生產(chǎn)場(chǎng)景下百合種球重量的高效、精準(zhǔn)估測(cè)。
20、2、技術(shù)范式突破：從通用圖像處理到種球?qū)俣说蕉司珳?zhǔn)估測(cè)。
21、現(xiàn)有技術(shù)：傳統(tǒng)種球重量估測(cè)依賴人工稱重或經(jīng)驗(yàn)估測(cè)，效率低下；現(xiàn)有圖像驅(qū)動(dòng)的重量估測(cè)方法多為通用型圖像處理或幾何建模方案，未針對(duì)蘭州百合種球“形狀不規(guī)則、表面帶泥、大小差異大”的專屬特性設(shè)計(jì)，且未充分考慮田間采收?qǐng)鼍爸卸询B遮擋、光照不均、背景雜亂等復(fù)雜環(huán)境，對(duì)小規(guī)格種球特征提取能力不足，導(dǎo)致魯棒性差、重量估測(cè)誤差過(guò)大，無(wú)法適配規(guī)模化生產(chǎn)需求。
22、本發(fā)明：徹底摒棄通用化處理思路，構(gòu)建針對(duì)蘭州百合種球的專屬端到端估測(cè)體系。以yolo-lily網(wǎng)絡(luò)為核心，通過(guò)定制化的頸部與頭部模塊適配種球特性，結(jié)合專屬形狀特征定義與重量預(yù)測(cè)模型，實(shí)現(xiàn)從圖像采集、種球精準(zhǔn)提取到重量估測(cè)的全流程一體化處理，精準(zhǔn)匹配蘭州百合種球的復(fù)雜表型與田間復(fù)雜場(chǎng)景，大幅提升估測(cè)精度與魯棒性。
23、3、小目標(biāo)檢測(cè)突破：從單一尺度特征融合到雙流導(dǎo)向型多尺度增強(qiáng)融合。
24、現(xiàn)有技術(shù)：現(xiàn)有目標(biāo)檢測(cè)模型的特征融合多采用單一方向或單一尺度的融合方式，骨干網(wǎng)絡(luò)輸出的高層特征圖對(duì)像素占比極低、根須發(fā)散的百合種球小目標(biāo)感知能力弱，無(wú)法有效提取小規(guī)格種球的特征信息，導(dǎo)致小目標(biāo)種球漏檢、誤檢率高，進(jìn)而影響重量估測(cè)準(zhǔn)確性。
25、本發(fā)明：創(chuàng)新設(shè)計(jì)小目標(biāo)導(dǎo)向型雙流融合金字塔，引入高分辨率p2層，以多尺度特征（p2-p5）為輸入，通過(guò)自底向上與自頂向下的雙向融合路徑，結(jié)合c3k2模塊的橫向特征增強(qiáng)與差異化融合策略，充分整合不同尺度種球的淺層細(xì)節(jié)特征與深層語(yǔ)義特征，尤其強(qiáng)化小規(guī)格種球的特征表達(dá)，顯著提升小目標(biāo)種球的提取精度，解決了小尺度種球特征提取難的技術(shù)瓶頸。
26、4、遮擋場(chǎng)景適配突破：從常規(guī)特征提取到多尺度遮擋聚焦式注意力增強(qiáng)。
27、現(xiàn)有技術(shù)：現(xiàn)有圖像處理方法未針對(duì)百合種球堆疊遮擋、表面帶泥等遮擋場(chǎng)景設(shè)計(jì)專屬特征提取機(jī)制，常規(guī)卷積核難以區(qū)分種球特征與遮擋物（泥土、植被、工具）特征，易受遮擋干擾導(dǎo)致種球特征提取不完整，無(wú)法實(shí)現(xiàn)遮擋狀態(tài)下種球的精準(zhǔn)識(shí)別與定位。
28、本發(fā)明：創(chuàng)新性提出多尺度遮擋聚焦式注意力檢測(cè)頭，采用三路并行dcovn結(jié)構(gòu)與多尺寸卷積核組，構(gòu)建層級(jí)化感受野架構(gòu)，精準(zhǔn)捕獲種球局部細(xì)節(jié)、遮擋關(guān)聯(lián)關(guān)系與全局上下文信息，通過(guò)分離增強(qiáng)注意力機(jī)制與權(quán)重重分配策略，聚焦遮擋區(qū)域種球特征，抑制遮擋物干擾，大幅提升模型對(duì)復(fù)雜遮擋場(chǎng)景的適應(yīng)性，解決了遮擋狀態(tài)下種球提取精度不足的技術(shù)缺陷。