一种基于RiceMamba的水稻品种识别方法

摘要: 本发明涉及涉及智慧农业与深度学习图像识别,尤其涉及一种基于ricemamba的水稻品种识别方法。背景技术:1、水稻品种识别是水稻育种、种子监管和田间管理中的重要...
一种基于RiceMamba的水稻品种识别方法

本发明涉及涉及智慧农业与深度学习图像识别,尤其涉及一种基于ricemamba的水稻品种识别方法。

背景技术:

1、水稻品种识别是水稻育种、种子监管和田间管理中的重要环节,传统方法多依赖人工观察、理化检测或分子标记检测,存在效率低、成本高、操作复杂等问题。现有图像识别方法多采用稻谷、籽粒图像或高光谱、多光谱数据进行品种分类,例如已有基于高光谱成像与深度学习的粮种品种分类方法,但该类方法通常依赖专用设备,数据采集和处理成本较高。部分基于无人机rgb图像的深度学习方法主要用于稻穗检测、计数或病虫害识别,较少直接面向田间水稻品种细粒度识别任务。复杂田间环境下,水稻图像易受光照、背景、生育期变化和品种外观相似性影响,现有模型难以同时充分表达局部纹理、全局空间依赖和多尺度冠层特征。

技术实现思路

1、发明目的:本发明的目的是提供一种基于ricemamba的水稻品种识别方法,解决复杂田间环境下水稻品种外观差异细微、背景干扰明显、识别准确率和稳定性不足的问题。

2、技术方案:本发明所述的基于ricemamba的水稻品种识别方法,包括:

3、s1、采集不同水稻品种在不同生育期的田间水稻rgb图像,对水稻rgb图像标注对应的水稻品种类别与水稻生育期时期,并对水稻rgb图像进行预处理;

4、s2、构建ricemamba水稻品种识别模型,ricemamba水稻品种识别模型包括输入嵌入模块、双分支特征提取单元、卷积交叉特征融合模块和分类输出模块;其中,每个双分支特征提取单元包括并行设置的conv-ssm模块和ila模块;conv-ssm模块包括卷积分支和状态空间模型分支;ila模块包括线性注意力、旋转位置编码和局部位置编码;

5、s3、将预处理后的水稻rgb图像输入所述输入嵌入模块,将水稻rgb图像划分为非重叠图像块,并将非重叠图像块展平和投影为一维特征序列,得到初始特征表示;

6、s4、将初始特征表示输入级联的conv-ssm模块,conv-ssm模块通过卷积分支提取水稻叶片纹理、叶脉、边缘和冠层形态的局部纹理特征,同时通过状态空间模型分支进行深度卷积得到特征序列,再提取空间状态特征;

7、s5、将初始特征表示输入级联的ila模块,将初始特征表示映射为查询向量q、键向量k和值向量v,对查询向量q和键向量k进行旋转位置编码和线性注意力计算,并通过局部位置编码增强值向量,得到全局上下文特征;

8、s6、通过卷积交叉特征融合模块对局部纹理特征和空间状态特征以及全局上下文特征进行通道对齐、跨尺度交互和逐元素融合,得到融合后的水稻品种表型特征表示;

9、s7、将融合后的水稻品种表型特征表示输入分类输出模块,得到待识别水稻rgb图像属于各水稻品种类别的预测概率,并以预测概率对应的类别输出水稻品种识别结果。

10、进一步地,所述预处理包括:对采集到的水稻rgb图像进行田块边缘裁剪、尺寸统一、归一化、数据增强和数据集划分。

11、进一步地,所述旋转位置编码用于向查询向量和键向量注入相对位置信息,所述局部位置编码由深度3×3卷积实现,用于增强值向量中的局部纹理和结构信息。

12、进一步地,所述卷积交叉特征融合模块包括1×1卷积、repblock和双向融合路径。

13、进一步地,repblock在ricemamba水稻品种识别模型的训练阶段通过双分支结构增强非线性表达能力,在推理阶段通过参数融合转换为单个3×3卷积层。

14、进一步地,双向融合路径通过逐元素相加融合不同尺度特征。

15、进一步地,对查询向量q和键向量k进行旋转位置编码和线性注意力计算包括:

16、

17、式中,为输出位置,为以为中心的领域内的第个位置,为以为中心的领域内的第个位置,表示以位置为中心的局部邻域窗口,表示输出值,t表示转置运算。

18、进一步地,在ricemamba水稻品种识别模型的训练阶段,根据分类输出模块输出的预测概率和真实水稻品种标签计算分类损失,并根据所述分类损失通过反向传播更新ricemamba水稻品种识别模型参数,直至达到预设训练轮次或收敛条件。

19、一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现基于ricemamba的水稻品种识别方法。

20、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于ricemamba的水稻品种识别方法。

21、有益效果:与现有技术相比,本发明具有如下显著优点:1、本方法仅依赖无人机采集的水稻rgb图像即可进行田间水稻品种识别,相较依赖高光谱或多光谱数据的方案,降低了数据采集成本和应用门槛;2、通过引入conv-ssm模块,能够同步提取局部纹理特征与空间依赖特征,增强了模型对水稻叶片纹理、冠层形态及田间复杂背景的适应能力,并借助ila模块强化全局上下文建模,使模型更好地区分外观相似的水稻品种,再结合卷积交叉特征融合模块对不同层级多尺度特征进行融合,提升了模型在不同生育期和冠层尺度条件下的识别稳定性;3、ricemamba的水稻品种识别模型实现了复杂田间环境下水稻品种的自动识别,在提高识别效率的同时减少了人工判断成本。

1.一种基于ricemamba的水稻品种识别方法,其特征在于,包括:

2.根据权利要求1所述的水稻品种识别方法,其特征在于,所述预处理包括:对采集到的水稻rgb图像进行田块边缘裁剪、尺寸统一、归一化、数据增强和数据集划分。

3.根据权利要求1所述的水稻品种识别方法,其特征在于,所述旋转位置编码用于向查询向量和键向量注入相对位置信息,所述局部位置编码由深度3×3卷积实现,用于增强值向量中的局部纹理和结构信息。

4.根据权利要求1所述的水稻品种识别方法,其特征在于,所述卷积交叉特征融合模块包括1×1卷积、repblock和双向融合路径。

5.根据权利要求4所述的水稻品种识别方法,其特征在于,repblock在ricemamba水稻品种识别模型的训练阶段通过双分支结构增强非线性表达能力,在推理阶段通过参数融合转换为单个3×3卷积层。

6.根据权利要求4所述的水稻品种识别方法,其特征在于,双向融合路径通过逐元素相加融合不同尺度特征。

7.根据权利要求1所述的水稻品种识别方法,其特征在于,对查询向量q和键向量k进行旋转位置编码和线性注意力计算包括:

8.根据权利要求1所述的水稻品种识别方法,其特征在于,在ricemamba水稻品种识别模型的训练阶段,根据分类输出模块输出的预测概率和真实水稻品种标签计算分类损失,并根据所述分类损失通过反向传播更新ricemamba水稻品种识别模型参数,直至达到预设训练轮次或收敛条件。

9.一种计算机设备,其特征在于,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现所述的水稻品种识别方法。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述的水稻品种识别方法。