一种基于注意力残差网络的水稻种子分类方法

本发明属于深度学习与机器视觉，具体地说，本发明涉及一种基于注意力残差网络的水稻种子分类方法。

背景技术：

1、水稻是我国重要的粮食作物之一，每年总产量占全国粮食作物总产量的40％以上。我国水稻品种繁多，且随着杂交水稻技术的发展，水稻品种数量逐年增加，许多水稻品种之间在形状、颜色、纹理等外观形态特征差异小，仅依靠育种专家或检查员的肉眼难以区分相似外观特征品种之间的差异，导致水稻品种识别准确度不高。为提高外观形态特征差异小的水稻品种识别准确度，通过人工使用化学试剂对水稻种子进行品种鉴别，但鉴别后的种子因化学试剂产生损伤而不能再次使用，且仍存在着工作量大和耗材较多等缺点。因此，开发一种能在日益增长的水稻品种间快速准确地将水稻种子识别分类的方法很有必要。

2、随着农业自动化、智能化技术的不断发展，机器视觉技术逐渐用于农作物种子的识别中。传统的基于机器视觉的种子分类方法多通过提取种子图像中几何形状、颜色、纹理等浅层特征来识别种子品种，但浅层特征通常缺乏表达高层语义的能力，在外观形态特征差异小的水稻种子具有局限性，从而导致水稻种子分类准确度下降。相比传统方法，深度学习技术凭借其卓越的特征学习能力，在图像目标分类中取得更好的结果。如专利号：202111287410.5，发明名称：一种基于轻量型卷积神经网络的小麦种子品种鉴定的方法的发明专利，将采集的高光谱数据输入轻量型卷积网络进行小麦种子分类，但基于2d卷积核的轻量卷积网络提取特征能力有限，不能自动关注各类别种子的重要特征，导致分类的准确度难以保证。文献基于深度学习的稻种图像分类算法研究(崔研、吉林大学)中将高光谱成像技术与基于深度学习的图像分类算法相结，构建融合senet的残差网络的稻种分类方法，以使得网络能自动学习水稻品种类间差异较大的重要特征，但较可见光图像采集设备，高光谱采集设备价格较高，限制了它的应用。因此找到一种能够在可见光图像中自动获取水稻品种类间差异较大的重要特征信息，从而实现水稻种子的准确分类，对于减小种子分类过程中人工的投入具有重要作用。

技术实现思路

1、本发明提供一种基于注意力残差网络的水稻种子分类方法，以解决上述背景技术中存在的问题。

2、为了实现上述目的，本发明采取的技术方案为：一种基于注意力残差网络的水稻种子分类方法，具体包括以下步骤：

3、步骤s1：采集水稻种子图像；

4、步骤s2：对采集的水稻种子图像进行预处理；

5、步骤s3：基于预处理后的水稻种子图像制作水稻种子图像数据集；

6、步骤s4：构建以resnet为主干网络，结合注意力机制构建水稻种子的分类模型；

7、步骤s5：对所述的水稻种子的分类模型进行训练；

8、步骤s6：对水稻种子图片进行分类；

9、所述步骤s4中，具体步骤包括：

10、步骤s40：基于数据集定义模型的输入部分；

11、步骤s41：构建resnet神经网络模型部分并定义其包含eca注意力模块；

12、步骤s42：构建基于多卷积核的特征融合部分；

13、步骤s43：选择损失函数定义模型的输出部分。

14、优选的，所述步骤s2中，对采集的水稻种子图像进行预处理具体包括：调整步骤s1中拍摄目标水稻种子图像大小，并对其进行中心剪裁为一定大小的正方形。

15、优选的，所述步骤s2中，对采集的水稻种子图像进行预处理具体包括：调整步骤s1中拍摄目标水稻种子图像大小，并对其进行中心剪裁为一定大小的正方形。

16、优选的，所述步骤s3中，制作水稻种子图像数据集具体步骤包括：

17、步骤s30：通过旋转和亮度增强调整的数据扩增方式，对获取的水稻种子图像进行处理，将样本数扩增至原来的数倍；

18、步骤s31：通过大小调增和中心剪裁，对扩增后的数据集进行处理，得到大小相同且填满水稻种子的正方形图像；

19、步骤s32：将数据划分为训练集和测试集。

20、优选的，所述步骤s40中，基于数据集定义模型的输入部分包括：采用归一化处理，使训练得到更好的收敛效果。

21、优选的，所述步骤s41中，具体为：构建resnet神经网络模型并定义其包含input部分、bottleneck部分。

22、优选的，所述步骤s42中，所述eca注意力模块是基于senet的改进网络，使用一维卷积替换掉senet中的两个全连接层组成的瓶颈结构，提出不降维的局部跨信道交互策略和自适应选择卷积核大小。

23、优选的，所述步骤s43中，选择cross entropy loss作为损失函数；所述crossentropy loss是利用交叉熵的大小表示两个概率分布之间的差异，通过最小化交叉熵来得到目标概率分布的近似分布。

24、优选的，所述步骤s6中，对需要预测的水稻种子图片进行预处理并放入上述训练完成后的模型中进行水稻种子的分类，具体为：首先对输入图像进行边缘检测并将其等比剪裁为n份，通过计算n份图像中白色像素在二值化图像中的占比，经比较后将占比最大者的图像大小调整为与训练集中图像大小相同，最终输入模型中预测。

25、采用以上技术方案的有益效果是：

26、1、本发明的基于注意力残差网络的水稻种子分类方法，通过图像预处理的方法，有效避免了图像背景对模型预测的干扰，减少了客观因素对实际应用的影响。

27、2、本发明的基于注意力残差网络的水稻种子分类方法，在采样过程中获取充分的有效信息，特征提取更加充分；借鉴res2net网络的改进模式，引入注意力机制，在不改变网络层数的前提下增加了网络的深度，增强了多尺度特征提取能力，有效解决了相似品种的识别问题，并增加了信息提取能力而不引起计算成本的大量提高。

技术特征：

1.一种基于注意力残差网络的水稻种子分类方法，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s1中，采集水稻种子图像具体包括：通过图像采集设备拍摄目标水稻种子图像，所述图像中包含的是由一类水稻种子堆叠而成的，其中拍摄的图像中心水稻种子应填满一定大小的正方形，不包含拍摄背景。

3.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s2中，对采集的水稻种子图像进行预处理具体包括：调整步骤s1中拍摄目标水稻种子图像大小，并对其进行中心剪裁为一定大小的正方形。

4.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s3中，制作水稻种子图像数据集具体步骤包括：

5.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s40中，基于数据集定义模型的输入部分包括：采用归一化处理，使训练得到更好的收敛效果。

6.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s41中，具体为：构建resnet神经网络模型并定义其包含input部分、bottleneck部分。

7.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s42中，所述eca注意力模块是基于senet的改进网络，使用一维卷积替换掉senet中的两个全连接层组成的瓶颈结构，提出不降维的局部跨信道交互策略和自适应选择卷积核大小。

8.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s43中，选择cross entropy loss作为损失函数；所述cross entropy loss是利用交叉熵的大小表示两个概率分布之间的差异，通过最小化交叉熵来得到目标概率分布的近似分布。

9.根据权利要求1所述的一种基于注意力残差网络的水稻种子分类方法，其特征在于：所述步骤s6中，对需要预测的水稻种子图片进行预处理并放入上述训练完成后的模型中进行水稻种子的分类，具体为：首先对输入图像进行边缘检测并将其等比剪裁为n份，通过计算n份图像中白色像素在二值化图像中的占比，经比较后将占比最大者的图像大小调整为与训练集中图像大小相同，最终输入模型中预测。

技术总结
本发明公开了一种基于注意力残差网络的水稻种子分类方法，通过图像预处理的方法，有效避免了图像背景对模型预测的干扰，减少了客观因素对实际应用的影响。在采样过程中获取充分的有效信息，特征提取更加充分；借鉴Res2Net网络的改进模式，引入注意力机制，在不改变网络层数的前提下增加了网络的深度，增强了多尺度特征提取能力，有效解决了相似品种的识别问题，并增加了信息提取能力而不引起计算成本的大量提高。

技术研发人员：邵钰轩,廖娟,田泽丰,曹佳雯,熊玮,况福明,张顺,朱德泉
受保护的技术使用者：安徽农业大学
技术研发日：
技术公布日：2024/1/16