本申請涉及蟲草識別，具體涉及一種基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法及裝置、終端設(shè)備。

背景技術(shù)：

1、冬蟲夏草是一種珍貴的中藥材，又稱蟲草，屬于真菌類的一種，它是麥角菌科真菌冬蟲夏草寄生在蝙蝠蛾科昆蟲幼蟲上的子座及幼蟲尸體的復(fù)合體，主要活性成分為蟲草酸(即d-甘露糖醇)、蟲草多糖等有益于人體吸收的物質(zhì)，具有調(diào)節(jié)免疫系統(tǒng)功能、抗疲勞等多種功效。

2、傳統(tǒng)的在蟲草圖像中識別蟲草的方法主要包括兩種，第一種是通過人工通過觀察蟲草的形態(tài)特征、顏色、紋理等外部特征，手動在蟲草圖像中確定蟲草目標(biāo)，這種方式依賴人工經(jīng)驗，準(zhǔn)確性較差。第二種是圖像識別，即基于深度學(xué)習(xí)技術(shù)在蟲草圖像中自動識別和定位蟲草目標(biāo)。從而確定圖像中是否存在蟲草，并在圖像中找到蟲草的位置。但是由于蟲草目標(biāo)尺寸較小，用傳統(tǒng)目標(biāo)識別算法在處理小目標(biāo)檢測時面臨諸多挑戰(zhàn)，檢測準(zhǔn)確率不高，對小尺寸目標(biāo)的識別能力有限等。

技術(shù)實現(xiàn)思路

1、本申請旨在解決現(xiàn)有蟲草識別方法存在準(zhǔn)確性較差的問題，提出一種基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法及裝置、終端設(shè)備。

2、本申請解決上述技術(shù)問題所采用的技術(shù)方案是：

3、第一方面，本申請?zhí)峁┮环N基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，所述方法包括：

4、獲取蟲草圖像，將fasternet作為backbone網(wǎng)絡(luò)對所述蟲草圖像進行特征提取，獲得第一特征信息；

5、將所述第一特征信息輸入至卷積注意力模型中，所述卷積注意力模型以不同擴張率的空洞卷積進行卷積，獲得不同感受野的語義信息特征，將所述語義信息特征作為第二特征信息；

6、利用雙層路由注意力機制分配注意力權(quán)重，根據(jù)所述注意力權(quán)重在第二特征信息對應(yīng)的特征圖中分配計算資源，并利用分配的計算資源提取對應(yīng)的第三特征信息；

7、將所述第二特征信息和第三特征信息進行特征融合，獲得第四特征信息；

8、利用ssff模塊對所述第四特征信息對應(yīng)的不同尺度的特征圖進行融合，獲得第五特征信息；

9、利用context?aggregation注意力機制聚合所述第五特征信息對應(yīng)特征圖中的全局上下文信息，獲得第六特征信息；

10、將所述第五特征信息和第六特征信息輸入至tfe模塊中，所述tfe模塊通過融合第五特征信息和第六特征信息對應(yīng)的不同尺度的特征圖，獲得第七特征信息；

11、將所述第五特征信息和第七特征信息輸入至cpam模塊中，所述cpam模塊結(jié)合通道注意力機制和位置注意力機制對特征信息進行融合，獲得第八特征信息；

12、將所述第八特征信息輸入至檢測頭，所述檢測頭根據(jù)第八特征信息進行蟲草目標(biāo)的檢測和定位。

13、進一步地，所述fasternet應(yīng)用部分卷積方法提取空間特征，所述部分卷積方法中的浮點運算次數(shù)為：

14、

15、所述部分卷積方法中的內(nèi)存訪問量為：

16、

17、其中，flops表示浮點運算次數(shù)，amc表示內(nèi)存訪問量，h表示輸入的蟲草圖像的高度，w表示輸入的蟲草圖像的寬度，k表示卷積核的邊長大小，cp表示部分卷積的掩碼的通道數(shù)。

18、進一步地，所述卷積注意力模型的表達如下：

19、f2＝cam(f1，{d1，d2，d3})；

20、其中，f2表示第二特征信息，f1表示第一特征信息，d1、d2、d3分別表示不同的擴張率，cam表示卷積注意力模型。

21、進一步地，利用ssff模塊對所述第四特征信息對應(yīng)的不同尺度的特征圖進行融合，具體包括：

22、針對所述第四特征信息的p4和p5特征級別的特征圖，使用1*1卷積將通道數(shù)更改為256，并使用最近鄰插值方法用于調(diào)整其大小以適應(yīng)p3級別的尺寸；

23、使用unsqueeze方法，將每個特征層從3d張量轉(zhuǎn)換為4d張量，將4d特征圖沿著深度維度進行堆疊，形成用于后續(xù)卷積操作的3d特征圖；

24、使用3d卷積、3d批標(biāo)準(zhǔn)化和silu激活函數(shù)完成尺度序列特征提取，獲得第五特征信息。

25、進一步地，所述tfe模塊通過融合第五特征信息和第六特征信息對應(yīng)的不同尺度的特征圖，具體包括：

26、所述tfe模塊將第五特征信息和第六特征信息對應(yīng)的大尺寸、中尺寸和小尺寸的特征圖作為輸入，對于大尺寸的特征圖，通過卷積處理后，將其通道數(shù)調(diào)整為1，然后使用最大池化和平均池化的混合結(jié)構(gòu)進行下采樣；對于小尺寸特征圖，使用卷積層調(diào)整通道數(shù)后，使用最近鄰插值方法進行上采樣；

27、分別將調(diào)整后的大尺寸、中尺寸和小尺寸具有相同尺寸的特征圖在空間維度上進行拼接，形成具有相同維度的三個特征圖，對拼接后的特征圖進行一次卷積操作后，在通道維度上進行拼接，獲得tfe模塊的輸出特征信息，即第七特征信息。

28、進一步地，所述tfe模塊的表達如下：

29、f7＝concat(fl,fm,fs)；

30、其中，f7表示第七特征信息，concat()表示拼接函數(shù)，fl表示大尺寸的特征圖，fm表示中尺寸的特征圖，fs表示小尺寸的特征圖。

31、進一步地，所述cpam模塊包括一個接收第五特征信息輸入的通道注意網(wǎng)絡(luò)，以及一個接收通道注意網(wǎng)絡(luò)和第七特征信息疊加輸入的位置注意網(wǎng)絡(luò)。

32、第二方面，本申請?zhí)峁┮环N基于深度學(xué)習(xí)的蟲草目標(biāo)識別裝置，所述裝置用于實現(xiàn)如第一方面所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法的步驟。

33、第三方面，本申請?zhí)峁┮环N終端設(shè)備，所述終端設(shè)備包括處理器、存儲器和通信總線；

34、所述通信總線用于實現(xiàn)處理器和存儲器之間的連接通信；

35、所述處理器用于執(zhí)行存儲器中的一個或者多個程序，以實現(xiàn)如第一方面所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法的步驟。

36、本申請的有益效果是：本申請?zhí)峁┑幕谏疃葘W(xué)習(xí)的蟲草目標(biāo)識別方法及裝置、終端設(shè)備，采用卷積注意力模型，改進微小物體的上下文信息。使用fasternet作為backbone提取特征,在保證模型的檢測性能不變的情況下，減少了參數(shù)數(shù)量和計算量，降低了模型的復(fù)雜度。引入了注意力機制和上下文聚合，聚合圖像中全局上下文信息，增強特征表示，提高了分割的準(zhǔn)確性和可靠性。本申請融合了一種基于注意力尺度序列融合的asf-yolo框架，專門針對小目標(biāo)的檢測，顯著提高了蟲草識別的精度和速度。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，其特征在于，所述fasternet應(yīng)用部分卷積方法提取空間特征，所述部分卷積方法中的浮點運算次數(shù)為：

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，其特征在于，所述卷積注意力模型的表達如下：

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，其特征在于，利用ssff模塊對所述第四特征信息對應(yīng)的不同尺度的特征圖進行融合，具體包括：

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，其特征在于，所述tfe模塊通過融合第五特征信息和第六特征信息對應(yīng)的不同尺度的特征圖，具體包括：

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，其特征在于，所述tfe模塊的表達如下：

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法，其特征在于，所述cpam模塊包括一個接收第五特征信息輸入的通道注意網(wǎng)絡(luò)，以及一個接收通道注意網(wǎng)絡(luò)和第七特征信息疊加輸入的位置注意網(wǎng)絡(luò)。

8.一種基于深度學(xué)習(xí)的蟲草目標(biāo)識別裝置，其特征在于，所述裝置用于實現(xiàn)如權(quán)利要求1至7任一項所述的基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法的步驟。

9.一種終端設(shè)備，其特征在于，所述終端設(shè)備包括處理器、存儲器和通信總線；

技術(shù)總結(jié)
本申請涉及蟲草識別技術(shù)領(lǐng)域，公開了一種基于深度學(xué)習(xí)的蟲草目標(biāo)識別方法及裝置、終端設(shè)備，旨在解決現(xiàn)有蟲草識別方法存在準(zhǔn)確性較差的問題，方案主要包括：使用FasterNet對蟲草圖像進行特征提取獲得第一特征；將其輸入至卷積注意力模型獲得第二特征；利用雙層路由注意力機制分配注意力權(quán)重，并提取對應(yīng)的第三特征；將第二特征和第三特征進行融合獲得第四特征；將第四特征輸入SSFF模塊獲得第五特征；將第五特征輸入至Context?Aggregation獲得第六特征；將第五特征和第六特征輸入至TFE模塊中獲得第七特征；將第五特征和第七特征輸入至CPAM模塊中獲得第八特征；將第八特征輸入至檢測頭實現(xiàn)蟲草目標(biāo)的檢測和定位。本申請?zhí)岣吡讼x草識別的準(zhǔn)確性。

技術(shù)研發(fā)人員：秦振濤,吳鵬,楊茹
受保護的技術(shù)使用者：攀枝花學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23