[发明专利]果树花量智能视觉识别方法、装置、系统及存储介质

权利要求书

1.一种果树花量智能视觉识别方法，其特征在于，所述方法包括：

获取多张果树花图像；

对每张果树花图像进行去噪和标准化处理；

利用训练好的深度卷积神经网络提取处理后的果树花图像中的果树花叶特征图；

根据果树花叶特征图，生成果树花叶预测图，从而获得果树花叶分割图；

根据果树花叶分割图，统计属于花的像素数以及属于叶子的像素数；

根据花的像素数以及叶子的像素数，计算花的密度；

将每张果树花图像中花的密度转换为模拟量。

2.根据权利要求1所述的果树花量智能视觉识别方法，其特征在于，所述深度卷积神经网络包括主干网络和金字塔结构，所述主干网络包括过渡特征提取部分和主干特征提取部分，所述过渡特征提取部分、主干特征提取部分和金字塔结构依次相连；

所述过渡特征提取部分包括依次相连的第一个卷积层、第二个卷积层和第三个卷积层，所述第一卷积层、第二卷积层和第三卷积层均为3×3卷积核的卷积层；

所述主干特征提取部分包括四个依次相连的阶段，四个阶段分别为第1阶段、第2阶段、第3阶段和第4阶段，第1阶段到第4阶段分别有6、8、12和6个卷积块，每两个连续的卷积块组成残差模块，每个残差模块线性融合两个卷积块的输出特征和输入特征的恒等映射后作为后续卷积块的输入；相同阶段中卷积块的输出特征数量与阶段最初输入的相同，跨阶段的特征数量不同，使用1×1卷积核的卷积层调整特征数量，每次卷积完成经过激活函数和归一化层处理；每个卷积块中，使用3×3卷积核处理特征，每次卷积完成经过激活函数和归一化层处理。

3.根据权利要求2所述的果树花量智能视觉识别方法，其特征在于，所述第3阶段和第4阶段的卷积块中加入空洞卷积结构，每两个相邻的阶段之间加入注意力模块。

4.根据权利要求1-3任一项所述的果树花量智能视觉识别方法，其特征在于，所述对果树花图像进行去噪和标准化处理，具体包括：

使用中值滤波对果树花图像进行去噪；

计算去噪后果树花图像的RGB三个通道分量的均值和标准差；

根据均值和标准差，对去噪后果树花图像进行标准化计算。

5.根据权利要求1-3任一项所述的果树花量智能视觉识别方法，其特征在于，所述根据果树花叶特征图，生成果树花叶预测图，从而获得果树花叶分割图，具体包括：

通过第一个卷积块融合果树花叶特征图，得到第一特征图；其中，所述第一个卷积块的核大小为3×3；

将第一特征图输入第二个卷积块，得到第二特征图；其中，所述第二个卷积块的核大小为1×1；

通过全卷积层将第二特征图映射为三个概率预测图，分别代表果树花、叶子和背景；

对三个概率预测图在特征维度上求最大值，得到果树花叶预测图；

将果树花叶预测图与果树花叶特征图按预设权重叠加，得到果树花叶分割图。

6.根据权利要求1-3任一项所述的果树花量智能视觉识别方法，其特征在于，所述根据花的像素数以及叶子的像素数，计算花的密度，具体包括：

对花的像素数和叶子的像素数进行求和，得到总像素数；

将花的像素数除以总像素数，得到花的密度。

7.根据权利要求1-3任一项所述的果树花量智能视觉识别方法，其特征在于，所述将每张果树花图像中花的密度转换为模拟量，具体包括：

根据所有果树花图像中花的密度，求出最大值和最小值，作为花的密度与模拟量转换的上限和下限；

根据花的密度与模拟量转换的上限和下限，使用最大最小归一法将花的密度范围放缩到0到1之间，并使模拟量范围为4到20毫安；

使用线性放缩构建花的密度范围与模拟量范围的映射关系；

根据花的密度范围与模拟量范围的映射关系，将每张果树花图像中花的密度转换为模拟量。