[发明专利]麦穗检测方法、电子装置和存储介质

说明书

本申请涉及一种麦穗检测方法、电子装置和存储介质，其中，该麦穗检测方法包括：获取待检测的第一小麦图像；分别利用第一注意力机制检测模型和第二注意力机制检测模型对其进行处理，得到第一标签数据和第二标签数据，其中，第一注意力机制检测模型是根据样本小麦图像和对应的标签数据训练得到的，第二注意力机制检测模型是根据第一标签图像和第一标签图像所对应的实测标签数据训练得到的，第一标签图像是根据样本小麦图像和第一标签数据生成的训练数据；基于预设融合算法对第一标签数据和第二标签数据进行融合处理，并确定麦穗检测结果。通过本申请，解决了相关技术中麦穗检测性能差、成本高的问题，实现了麦穗的准确检测。

技术领域

本申请涉及小麦检测技术领域，特别是涉及麦穗检测方法、电子装置和存储介质。

背景技术

小麦是世界贸易量最大的重要粮食作物,也是我国主要的粮食作物之一。育种对于确保小麦稳定产量尤为重要，当前普遍采用的小麦的育种方式是先选取培育品种在实验田进行小面积播种，待达到实验预期产量后，再进行大面积的推广种植。其中，小麦产量预测是小麦培育生产中的重要步骤，而麦穗检测可以为其提供重要的参考依据，因此如何准确的检测出小麦麦穗，也就成为了计算机自动预测小麦产量的关键。

现阶段小麦穗检测主要以传统的人工检测和传统深度学习检测为主。依靠传统的人工检测的方式效率不高，对于一片麦田往往需要几千张图片才能评估整个麦田的产量，不仅耗时、耗力，而且成本高。而采用传统的深度学习方法，例如一种麦穗计数方法及装置中，将麦田环境下拍摄到的图像输入至图像识别模型，输出图像的标签；又例如一种基于深度学习点监督思想的麦穗检测和计数方法中，小麦检测网络模型具体为首先通过下采样网络提取特征，然后通过上采样路径对提取的特征进行上采样的网络模型。直接使用传统的深度学习方法进行小麦检测时，其性能较差，同时由于采用的是有监督学习，即仅将预测小麦图像输入到模型中进行检测，没有对模型或预测图像进行处理来提升小麦检测性能，效果较差，且对于不同麦田或在扩充训练样本时需要重新标注不同小麦图像进行训练，其标注成本巨大。

目前针对相关技术中对麦穗检测性能差、成本高的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种麦穗检测方法、电子装置和存储介质，以至少解决相关技术中麦穗检测性能差、成本高的问题。

第一方面，本申请实施例提供了一种麦穗检测方法，包括：获取待检测的第一小麦图像；分别利用第一注意力机制检测模型和第二注意力机制检测模型对所述第一小麦图像进行处理，得到所述第一小麦图像对应的第一标签数据和第二标签数据，其中，所述第一注意力机制检测模型是根据样本小麦图像和与所述样本小麦图像对应的标签数据训练得到的，所述第二注意力机制检测模型是根据第一标签图像和所述第一标签图像所对应的实测标签数据训练得到的，所述第一标签图像是根据所述样本小麦图像和所述第一标签数据生成的训练数据；基于预设融合算法对所述第一标签数据和第二标签数据进行融合处理，并根据融合处理后的标签数据确定麦穗检测结果，其中，所述标签数据包括：麦穗的预测框数据、预测框中图像为麦穗的预测概率。

在其中一些实施例中，获取待检测的第一小麦图像之后，所述检测方法包括：对所述小麦图像进行图像增强处理，生成多张增强的第一小麦图像，其中，所述图像增强处理至少包括图像平移、图像旋转和图像转置。

在其中一些实施例中，根据融合处理后的标签数据确定麦穗检测结果包括：将所述第一标签数据和所述第二标签数据所对应的所有预测框数据进行加权边框融合处理，得到融合后的标签数据；其中，所述预测框数据包括预测框的位置信息和置信度；将融合处理后的标签数据中，对应置信度大于预设阈值的标签数据作为麦穗检测结果。