买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：贵州大学;贵州慧控农耀科技有限公司

摘要：本发明公开了一种基于数量监督的农作物计数方法，属于计算机视觉和智慧农业技术领域，具体包括：首先获取农作物图像；然后通过骨干网络进行基本特征的提取得到特征图，再通过注意力模块获取农作物新的特征图；接着，将其复制、划分、映射及叠加的处理得到拥有多种尺度信息的特征矩阵，将特征矩阵展平为一个一维向量并通过两个全连接层得到十个预测数量，使用平均池化得到一个最终的预测数量；最后，通过损失函数衡量预测数量和真实数量之间的差异，使用梯度下降和反向传播更新神经网络的参数，预测到精确的农作物数量。本发明提供的一种基于数量监督的农作物计数方法，仅需要数量标注的数据集进行训练，有效解决了农业数据集标注成本大的问题。

主权项：1.一种基于数量监督的农作物计数方法，其特征在于，包括以下步骤：步骤S1、选择一种需要计数的农作物进行拍摄，获取具有多样性的图像作为数据集，其中在拍摄过程中实时记录所拍摄的农作物数量作为标签；步骤S2、把数据集随机划分为训练集、验证集和测试集，并分别在csv文件中写入图像名称和对应的农作物数量；步骤S3、通过骨干网络对训练集中的图像进行基本低层特征的提取，从而得到一个特征图，其中基本低层特征包括纹理、边缘、颜色；步骤S4、将步骤S3中得到的特征图通过一个卷积块注意力模块提高网络对农作物的特征关注，获得新的特征图；步骤S5、将步骤S4中获得新的特征图经过复制、划分、映射及叠加的处理得到拥有多种尺度信息的特征矩阵；步骤S6、将步骤S5中获得的特征矩阵展平为一个一维向量并通过两个全连接层得到十个预测数量，然后使用平均池化得到一个最终的预测数量；步骤S7、通过损失函数衡量预测数量和真实数量之间的差异，并使用梯度下降和反向传播更新神经网络的参数；步骤S8、重复训练若干次，直到预测数量和真实数量之间的差异达到最小值，并保存对应的权重文件；步骤S9、判断训练集中的图像是否都已被抽出，若是，则完成1epoch的训练，其中每完成5次epoch的训练时，使用当前网络参数预测验证集中的图像并得到评估指标MAE和RMSE；步骤S10、将本次验证得到的MAE指标和RMSE指标与之前验证中最后的MAE指标和RMSE指标进行比较，如果MAE指标和RMSE指标两者均为优，则保存本次网络参数，否则不保存；步骤S11、经过规定次epoch的训练，得到最优的网络参数，装载最优的网络参数使用网络对农作物的数量进行预测。

全文数据：

权利要求：

百度查询： 贵州大学 贵州慧控农耀科技有限公司 一种基于数量监督的农作物计数方法