基于卷积块注意力与残差网络的棉纤维颜色分级检验方法

摘要: 本发明涉及棉纤维检验,特别是涉及一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法。背景技术:1、棉纤维颜色级是评定棉花质量的重要指标之一。目前,棉纤维颜色...
基于卷积块注意力与残差网络的棉纤维颜色分级检验方法

本发明涉及棉纤维检验,特别是涉及一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法。

背景技术:

1、棉纤维颜色级是评定棉花质量的重要指标之一。目前,棉纤维颜色级的检验方法主要包括感官检验和仪器化检验两种方式。感官检验由检验人员通过肉眼观察对棉花颜色等级进行主观评判,该方法依赖检验人员的视觉判断和检验经验,不同检验人员之间的检验结果存在较大差异,且检验效率较低。仪器化检验通过光电转换原理测量棉纤维的反射率和黄度,依据测量数值确定棉纤维颜色级,该方法虽然在一定程度上克服了感官检验主观性强的缺陷,但检验过程仍存在操作复杂、检验效率低的问题。因此,现有的棉纤维颜色分级检验方法在检验效率和准确性方面均有待提升。

2、近年来,深度学习技术在图像识别和分类领域取得了显著进展,已有研究人员尝试将神经网络技术应用于棉纤维颜色分级领域。例如,有研究采用bp神经网络构建基于棉纤维色度参数的棉纤维颜色级预测模型;有研究利用神经网络改进籽棉颜色分级检验方法;还有研究基于残差网络结合注意力机制对棉花颜色级进行分类。然而,现有神经网络模型在棉纤维颜色分级应用中,对棉纤维图像关键颜色特征提取的充分性和针对性不足,模型对不同颜色等级的识别精度仍有提升空间。

3、因此,如何进一步提高棉纤维颜色分级检验的准确率和效率,减少主观因素和仪器因素对检验结果的影响,是本领域技术人员亟待解决的技术问题。

技术实现思路

1、为了克服现有技术的不足,本发明的目的是提供一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,该方法能够有效增强模型对棉纤维图像关键颜色特征的提取能力,显著提高棉纤维颜色分级检验的准确率和效率,并具有良好的鲁棒性和泛化能力。

2、为实现上述目的,本发明提供了一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,包括以下步骤:

3、s1、采集多组经标定颜色等级的棉纤维图像,构建棉纤维颜色分级图像数据集;

4、s2、构建棉纤维颜色分级识别模型,所述棉纤维颜色分级识别模型在残差网络的至少一个残差块之后插入卷积块注意力模块,所述卷积块注意力模块用于对所述残差块输出的特征图进行权重分析,所述卷积块注意力模块包括通道注意力子模块和空间注意力子模块;

5、s3、利用所述图像数据集对所述棉纤维颜色分级识别模型进行训练;

6、s4、将待测棉纤维样品图像输入训练后的所述棉纤维颜色分级识别模型,输出棉纤维颜色分级检验结果。

7、优选地,在步骤s2中,所述残差网络包含多级依次串联的残差块组;所述卷积块注意力模块插入于至少一级残差块组内的每一个残差块的输出端。

8、优选地,在步骤s2中,所述卷积块注意力模块插入于所述残差网络中除第一级残差块组之外的剩余各级残差块组内的每一个残差块的输出端。

9、优选地,在步骤s2中,所述通道注意力子模块用于对输入至所述卷积块注意力模块的特征图的各通道进行权重分析,所述空间注意力子模块用于对输入至所述卷积块注意力模块的特征图的空间维度进行权重分析,输入至所述卷积块注意力模块的特征图经所述通道注意力子模块和所述空间注意力子模块依次处理后输出加权后的特征图。

10、优选地,所述通道注意力子模块通过对特征图进行全局池化处理并经全连接层映射后输出通道注意力权重;所述空间注意力子模块通过对特征图进行通道维度的池化处理并经卷积层映射后输出空间注意力权重。

11、优选地,在步骤s2中,所述棉纤维颜色分级识别模型用于输出待测棉纤维图像所属的颜色等级为白棉一级至白棉五级中的至少一个等级。

12、优选地,在步骤s3中,采用监督训练方式对所述棉纤维颜色分级识别模型进行训练,将所述图像数据集划分为训练集和测试集,以所述训练集对所述棉纤维颜色分级识别模型进行训练,以所述测试集对训练后的模型进行测试。

13、优选地,所述训练集与所述测试集的数量比为8:2。

14、与现有技术相比,本发明至少公开了以下技术效果:

15、本发明通过在残差网络的每个残差块之后插入卷积块注意力模块,利用通道注意力和空间注意力对残差块输出的特征图进行逐级权重分析,使模型能够充分提取棉纤维图像的整体特征和局部细节,有效增强了模型对不同颜色级棉纤维关键颜色特征的识别能力。在包含白棉一级至白棉五级共五个等级、800张图像的棉纤维颜色分级数据集上进行试验,按照训练集与测试集8∶2的比例划分,采用交叉熵损失函数进行模型参数优化,经过50个epoch迭代训练后,本发明方法的准确率达到95%,精确率、召回率和f1值分别达到95.4%、95%和94.9%,相比未经改进的resnet50模型准确率提升了2.5个百分点,相比现有改进mobilenetv2方法及基于resnet50引入注意力机制的方法均取得了更优的检验效果,有效解决了传统感官检验主观误差大、仪器检验操作复杂以及现有神经网络模型特征提取充分性不足、识别精度有限的技术问题,显著提高了棉纤维颜色分级检验的准确率和效率,为棉纤维的智能化检验提供了可靠的技术支持。

1.一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,在步骤s2中,所述残差网络包含多级依次串联的残差块组;所述卷积块注意力模块插入于至少一级残差块组内的每一个残差块的输出端。

3.根据权利要求2所述的一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,在步骤s2中,所述卷积块注意力模块插入于所述残差网络中除第一级残差块组之外的剩余各级残差块组内的每一个残差块的输出端。

4.根据权利要求1所述的一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,在步骤s2中,所述通道注意力子模块用于对输入至所述卷积块注意力模块的特征图的各通道进行权重分析,所述空间注意力子模块用于对输入至所述卷积块注意力模块的特征图的空间维度进行权重分析,输入至所述卷积块注意力模块的特征图经所述通道注意力子模块和所述空间注意力子模块依次处理后输出加权后的特征图。

5.根据权利要求4所述的一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,所述通道注意力子模块通过对特征图进行全局池化处理并经全连接层映射后输出通道注意力权重;所述空间注意力子模块通过对特征图进行通道维度的池化处理并经卷积层映射后输出空间注意力权重。

6.根据权利要求1所述的一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,在步骤s2中,所述棉纤维颜色分级识别模型用于输出待测棉纤维图像所属的颜色等级为白棉一级至白棉五级中的至少一个等级。

7.根据权利要求1所述的一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,在步骤s3中,采用监督训练方式对所述棉纤维颜色分级识别模型进行训练,将所述图像数据集划分为训练集和测试集,以所述训练集对所述棉纤维颜色分级识别模型进行训练,以所述测试集对训练后的模型进行测试。

8.根据权利要求7所述的一种基于卷积块注意力与残差网络的棉纤维颜色分级检验方法,其特征在于,所述训练集与所述测试集的数量比为8:2。