电子信息技术

本发明公开了一种基于改进CenterNet的植物冠层叶片计数方法，该方法通过改进CenterNet网络模型结构和优化损失过程函数，在网络输入端加入空间转深度模块，将输入图像转化为不同深度模块，同时引入CBAM注意力模块，以便检测不同分辨率下的叶片边缘信息；然后运用空洞卷积的空间金字塔池化提取不同尺度下的图像感受野特征并融合输入DLA?34主干网络中；最后运用逆向空间转深度模块将不同DLA?34网络在不同阶段得到的特征信息连起来，以保留密集、不规则叶片的特征，还使用smoothL1函数对原CenterNet网络使用的目标预测损失函数进行了优化，克服了不同感受野下重叠叶片和不规则叶片的检测问题，可以在复杂自然环境下对不同生长时期、不同遮挡程度的植物冠层叶片进行计数。

技术亮点

本发明的目的在于克服现有技术的不足，而提供一种基于改进CenterNet的植物冠层密集叶片计数方法，该方法对CenterNet算法进行了进一步的改进，其思想是先优化算法中的目标大小预测损失函数，再用空间转深度模块结合CBAM注意力模块强调不同尺度下叶片的特征，最后运用空洞卷积的空间金字塔池化(ASPP)与深层特征网络采用密集连接，克服不同感受野下重叠叶片和不规则叶片的检测问题，可以在复杂自然环境下对不同生长时期、不同遮挡程度的植物冠层叶片进行计数。

基于CenterNet的植物冠层密集叶片计数方法是一种高效、准确的方法，可以用于植物生长监测、植物生态学研究等领域。

在植物生长监测方面，该方法可以用于监测作物的生长情况，例如作物的叶片数、叶面积等参数，从而为农业生产提供指导。同时，该方法也可以用于监测植物的健康状况，例如叶片的病虫害情况，从而为植物保护提供指导。

在植物生态学研究方面，该方法可以用于研究不同环境条件下，植物的生长状况和生态特征。例如，可以用于研究不同土壤类型、不同光照条件下，植物的叶片数、叶面积等参数的变化情况，从而为植物生态学研究提供数据支持。

因此，基于CenterNet的植物冠层密集叶片计数方法具有广泛的应用前景，可以为农业生产、植物保护和植物生态学研究等领域提供重要的技术支持。

本发明提供的一种基于改进CenterNet的植物冠层叶片计数方法，该方法通过改进CenterNet网络模型结构和优化损失过程函数，在网络输入端加入空间转深度模块，将输入图像转化为不同深度模块，同时引入CBAM注意力模块，以便检测不同分辨率下的叶片边缘信息；然后运用空洞卷积的空间金字塔池化提取不同尺度下的图像感受野特征并融合输入DLA-34主干网络中；最后运用逆向空间转深度模块将不同DLA-34网络在不同阶段得到的特征信息连起来，以保留密集、不规则叶片的特征。此外，使用smoothL1函数对原CenterNet网络使用的目标预测损失函数进行了优化。与现有技术相比，本发明具有如下优点：

（1）用户可以输入任何尺寸的植物图像进行叶片检测和计数，且不需要设置任何中间参数或者进行预处理；

（2）采用了改进的CenterNet网络结构对叶片数据集进行训练，训练得到的模型能够更精确的识别植物冠层相互遮挡、重叠的叶片；

（3）可以在自然环境条件下，对不同时期、不同品种、不同光照条件下的叶片进行检测计数，具有识别精度高、鲁棒性强的特点，能够满足实时、无损检测计数的需要。