(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210975343.4 (22)申请日 2022.08.15 (71)申请人 大理大学 地址 671000 云南省大理白族自治州大理 市大理古城弘圣路2号 (72)发明人 羊海潮　袁皓煜　尹子琴　李毅　 (74)专利代理 机构 苏州中合知识产权代理事务 所(普通合伙) 32266 专利代理师 阮梅 (51)Int.Cl. G06V 20/68(2022.01) G06V 10/52(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于改进多列卷积神经网络的作物苗期植 株计数方法 (57)摘要 本发明公开基于改进多列卷积神经网络的 作物苗期植株计数方法， 包括如下步骤： 获取待 估计苗期植株图像； 将待估计苗期植株图像输入 预设的苗期植株计数模型中， 苗期植株计数模型 包括多列卷积分支注意力编码器、 多分支融合模 块以及上采样可视化模块， 多列卷积神经网络模 型用于提取不同尺度大小的特征； 多分支特征融 合模块用于将不同尺度大小的特征进行融合并 将融合后的特征通过1维卷积滤波层进行注意力 映射； 上采样可视化模块用于将映射后的特征恢 复密度图的分辨率， 获得估计的苗期植株密度 图； 计算苗期植株密度图中像素点概率值并进行 累加， 得到待估计苗期植株图像中苗期植株的数 量。 本发明将提高在大田场景下不同尺度苗期植 株的高精度计数。 权利要求书2页 说明书8页 附图6页 CN 115424257 A 2022.12.02 CN 115424257 A 1.基于改进 多列卷积神经网络的作物苗期植株 计数方法， 其特 征在于， 包括如下步骤： 获取待估计苗期植株图像； 将待估计苗期植株图像输入预设的苗期植株计数模型中， 所述苗期植株计数模型包括 多列卷积分支注意力编码 器、 多分支融合模块以及上采样可视化模块， 其中， 所述多列卷积 神经网络模型用于提取不同尺度大小的特征； 所述多分支特征融合模块用于将不同尺度大 小的特征进行融合并将 融合后的特征通过1维卷积滤波层进行注意力映射； 所述上采样可 视化模块用于将映射后的特 征恢复密度图的分辨 率， 获得估计的苗期植株密度图； 计算苗期植株密度图中像素点概率值并进行累加， 得到待估计苗期植株图像中苗期植 株的数量。 2.根据权利要求1所述的基于改进多列卷积神经网络的作物苗期植株计数方法， 其特 征在于， 所述多列卷积神经网络模 型包括并列连接的分支1、 分支2和分支3， 所述分支1中引 入位置注意力模块， 用于得到位置注意力特征， 所述分支3中引入通道注意力模块， 用于得 到通道注意力特 征。 3.根据权利要求2所述的基于改进多列卷积神经网络的作物苗期植株计数方法， 其特 征在于， 所述分支1的结构， 如下 所示： Conv1： 卷积核大小为9 ×9， 通道数量 为16， 步长为 4； 最大池化层： 过 滤器大小为2 ×2， 步长为2； Conv2： 卷积核大小为7 ×7， 通道数量 为32， 步长为3； 最大池化层： 过 滤器大小为2 ×2， 步长为2； 位置注意力模块； Conv3： 卷积核大小为7 ×7， 通道数量 为16， 步长为3； Conv4： 卷积核大小为7 ×7， 通道数量 为8， 步长为3 。 4.根据权利要求3所述的基于改进多列卷积神经网络的作物苗期植株计数方法， 其特 征在于， 所述 位置注意力模块的处 理过程， 如下 所示： 将分支1提取的特征FB1分别输入到三个不同的1 ×1卷积层中并使用重组或转置操作， 获得三个特 征图PB1:1、 PB1:2和PB1:3； 对特性图PB1:1和PB1:3使用矩阵乘法和Softmax运算， 将权重和归一化为和为1的概率分 布， 得到位置注意图PB1:a， 计算公式如下： 其中 表示第i个位置对第j个位置的影响， 对PB1:a和PB1:1之间应用矩阵乘法， 然后将输出维度重组为特征FB1大小， 对于FB1的最终 和操作， 使用一个可 学习的因子来缩放输出， 计算公式如下： 其中， λ是 可学习参数。 5.根据权利要求2所述的基于改进多列卷积神经网络的作物苗期植株计数方法， 其特权　利　要　求　书 1/2 页 2 CN 115424257 A 2征在于， 所述分支3的结构， 如下 所示： Conv1： 卷积核大小为5 ×5， 通道数量 为24， 步长为2； 最大池化层： 过 滤器大小为2 ×2， 步长为2； Conv2： 卷积核大小为3 ×3， 通道数量 为48， 步长为1； 最大池化层： 过 滤器大小为2 ×2， 步长为2； 通道注意力模块； Conv3： 卷积核大小为3 ×3， 通道数量 为24， 步长为1； Conv4： 卷积核大小为3 ×3， 通道数量 为12， 步长为1。 6.根据权利要求5所述的基于改进多列卷积神经网络的作物苗期植株计数方法， 其特 征在于， 所述 通道注意力模块的处 理过程， 如下 所示： 将分支3提取的特 征FB3输入到一个1 ×1的卷积层中， 获得三个特 征图CB3:1、 CB3:2和CB1:3； 对CB1:1和CB1:2使用矩阵乘法和Softm ax运算， 将权重和归一化为概率和为1的概率分布， 得到位置注意图CB3:a， 计算公式如下： 其中 表示第i个通道对第j个通道的影响， 对CB3:a和CB3:3应用矩阵乘法， 然后将输出维度重组为特征FB3大小， 最后通过一个 可学习 的变量来衡量和操作的输出， 计算公式如下： 其中， μ是一个区别于 λ 的可 学习参数。 7.根据权利要求1所述的基于改进多列卷积神经网络的作物苗期植株计数方法， 其特 征在于， 所述苗期植株计数模型的训练过程中引入密度图损失加上采样绝对计数损失共同 组成混合损失的结果， 用于对可视化模块上采样后的密度图进行计数精度监 督， 公式如下： L＝(1‑μ )*LossD+ μ*LossC 公式7 其中， LossD为密度图损失； L ossC为计数损失。权　利　要　求　书 2/2 页 3 CN 115424257 A 3