(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 202211030111.8 (22)申请日 2022.08.26 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市栖霞区文苑路9 号 (72)发明人 刘丕超　赵来定　党佩娜　白晓东　 顾苏松　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 刘子奇 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/60(2017.01) G06T 7/73(2017.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于DPS-Net深度学习的水稻植株计数、 定 位和大小 估计方法 (57)摘要 本发明公开了基于DPS ‑Net深度学习的水稻 植株计数、 定位和大小估计方法包括： 将水稻田 原始图像输入 特征提取器， 提取成四个不同尺度 的特征图； 在密度估计模块， 基于正负损失函数 将注意力图融合初始密度图生 成高质量密度图， 将高质量密度图的所有像素值相加得到植株的 数量； 在植株位置检测模块， 利用非极大值抑制 算法结合高质量密度图生 成植株位置的坐标； 在 植株大小估计模块， 通过模块网络结构的输出融 合植株位置坐标估计出植株的大小； 本发明利用 了一个新的高通量水稻植株计数数据集证明了 本方法能够实现水稻植株的自动、 非接触和精确 计数， 对于图像背景和噪声的抑制有良好的效 果， 而且还能提供植株位置和大小信息， 对作物 表型研究有重要意 义。 权利要求书4页 说明书11页 附图4页 CN 115330747 A 2022.11.11 CN 115330747 A 1.基于DPS‑Net深度学习的水稻植株 计数、 定位和大小估计方法， 其特 征在于， 包括： 将水稻田原始图像输入特征提取器， 采用VGG16网络的前十三层， 将所述原始图像提取 成四个不同尺度的特 征图； 在密度估计模块， 基于正负损 失函数将注意力图融合初始密度图生成高质量密度图， 将所述高质量密度图的所有像素值相加得到植株的数量； 在植株位置检测模块， 利用非极大值抑制算法结合所述高质量密度图生成植株位置的 坐标； 在植株大小估计模块， 通过模块网络结构的输出融合所述植株位置坐标估计出植株的 大小。 2.如权利要求1所述的基于DPS ‑Net深度学习的水稻植株计数、 定位和大小估计方法， 其特征在于： 所述特 征提取器包括 提取图像不同尺度的特 征； 所述密度估计模块包括一个注意力机制、 两个解析器和初始密度图生成头， 所述注意 力机制、 两个解析器和初始密度图生成头用于结合多尺度信息生成高质量密度图； 所述植株位置检测模块用于结合非极大值抑制算法生成植株位置坐标； 所述植株大小估计模块包括一个轻量级网络， 由二维卷积层、 线性层和池化层组成， 用 于估计植株的大小。 3.如权利要求2所述的基于DPS ‑Net深度学习的水稻植株计数、 定位和大小估计方法， 其特征在于： 所述特征图的生 成包括将原始图像输入到特征提取器中， 采用VGG16网络的前 十三层， 将所述原始 图像提取成四个不同尺度的特征图， 分别是所述原始图像的1倍、 1/2 倍、 1/4倍、 1/8倍。 4.如权利要求1～3任一所述的基于DPS ‑Net深度学习的水稻植株计数、 定位和大小估 计方法， 其特 征在于： 所述高质量密度图的生成包括， 所述密度估计模块中的注意力 机制包括两个解析器和一个注意力图生成头， 所述注意 力机制结合特 征提取器生成的不同尺度的特 征图， 进一 步生成注意力图； 所述密度估计模块中的两个解析器和初始密度图生成头融合提取的特征图， 进一步生 成初始密度图； 将所述注意力图和所述初始密度图结合 生成高质量密度图； 所述高质量密度图的计算包括， FDM＝Conv(PAM⊙IDM) 其中， FDM表示最终生成的高质量密度图， PAM表示注意力图， IDM表示初始密度图， Conv 表示卷积运 算，⊙表示最大池化操作。 5.如权利要求4所述的基于DPS ‑Net深度学习的水稻植株计数、 定位和大小估计方法， 其特征在于： 所述注意力图的生成包括， 在一张具有N株水稻的图像中， 设定像素位置xi处有一株水稻， 将 函数δ(x‑xi)与高斯核 Gσ进行卷积， 可以得到地 面真实密度图Dgt(x)； 所述地面真实密度图Dgt(x)的计算包括， 权　利　要　求　书 1/4 页 2 CN 115330747 A 2利用生成的地 面真实密度图Dgt(x)， 可以得到真实的注意力图； 所述真实的注意力图Ggt(xi)的计算包括， 6.如权利要求5所述的基于DPS ‑Net深度学习的水稻植株计数、 定位和大小估计方法， 其特征在于： 还 包括， 在密度估计模块， 对网络预测的注意力图与所述注意力图对应的地面真实密度图Ggt之 间采用像素级二进制交叉熵损失Lbce来训练植物 注意机制； 所述像素级二进制交叉熵损失Lbce的计算包括， 其中， 表示位置xi处的地面真实密度图， 表示位置xi处的注意力图； 通过均方误差损失函数Lmse对密度估计模块进行训练； 所述均方误差损失函数Lmse的计算包括， 其中， 表示位置xi处的最终密度图， 表示位置xi处的地面真实密度图。 7.如权利要求6所述的基于DPS ‑Net深度学习的水稻植株计数、 定位和大小估计方法， 其特征在于： 所述 正负损失函数的工作原理包括， 对于生成的地面真实密度图Dgt(x)， 图中像素值非零的区域是正区域， 像素值为零的区 域是负区域； 在正区域和负区域中有目标的概 率分别为p和0， 作为背景的概 率分别为1 ‑p和1； 通过概率分布获得植株概 率图和背景概 率图； 所述植株概率图PO(xm)和背景概 率图PB(xm)的获取包括， 其中， xm表示2D像素位置； 通过所述植株概率图和背景概 率图分别获得植株的数量， 所述 植株数量的计算包括， 其中， CO表示在植株概率图上的计数结果， CB表示在背景概率图上的计数结果， M表示密权　利　要　求　书 2/4 页 3 CN 115330747 A 3