一种基于对比学习的花卉生长状况检测方法

本发明涉及智慧农业，具体为一种基于对比学习的花卉生长状况检测方法。

背景技术：

1、智慧农业摆脱了传统农业的限制，将农业种植与人工智能、物联网技术、云计算等现代科学技术相结合，利用科学技术的精准与智能实现了农作物的无人化、自动化和智慧化管理。智慧农业为农作物增产增收、提高效益和管理人员减轻负担、提高效率都带了了很大的好处。然而在现有技术中，花卉生长状况的检测依旧采用人工目测的方式，依靠积累的经验进行检测，容易受到主观影响，导致检测结果缺乏准确性，并且效率低下。

技术实现思路

1、本发明的目的在于提供一种基于对比学习的花卉生长状况检测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于对比学习的花卉生长状况检测方法，包括以下步骤：步骤一，获取盆花不同生长周期的照片并进行图片标注；步骤二，爬取盆花图片数据集并训练盆花特征提取编码器；步骤三，训练花卉生长状况的分类器；步骤四，分类器预测输出；

3、其中在上述步骤一中，摄像头实时获取盆花不同生长周期的照片，并人工标注图片中花卉的生长周期以及是否遭受病虫害；

4、其中在上述步骤二中，爬取一个盆花图片大型数据集，利用无监督对比学习预训练一个盆花特征提取编码器；

5、其中在上述步骤三中，冻结步骤二中预训练阶段编码器的参数，微调后面几层全连接层，训练一个花卉生长状况的分类器；

6、其中在上述步骤四中，分类器训练完成后，将需要分类的图片通过分类器进行分类，softmax函数预测产生一个分类概率，将概率最大的标签作为该图片的检测结果。

7、优选的，所述步骤一具体为：在大棚中安装摄像头，以采集盆花在不同生长周期的生长状态信息，然后请花卉种植专家判断每幅图片中的盆花所处的周期以及生长状况，并进行标注。

8、优选的，所述步骤二中，利用无监督对比学习预训练一个盆花特征提取编码器具体为：首先对数据集中每个批次的图片进行数据增强操作，以生成同一张花卉图片不同视角的样本，其中同一样本经过一对数据增强操作生成的样本为一对正样本，其余的则都为负样本，在得到对比学习所需的正负样本对后，计算正负样本对表征向量之间的对比损失，得到盆花特征提取的编码器。

9、优选的，所述数据增强操作为几何变换方法和像素变换方法的组合，几何变换方法包括翻转、旋转、裁剪、缩放、平移和抖动；像素变换方法包括加椒盐噪声、高斯噪声、进行高斯模糊、调整hsv对比度、调节亮度、饱和度、直方图均衡化和调整白平衡。

10、优选的，所述计算正负样本对表征向量之间的对比损失，得到盆花特征提取的编码器具体为：数据增强后的样本通过一个编码器和投影头后会得到得到一个对比损失，通过对样本之间的对比损失进行反向传播从而使得相似样本靠近，不相似样本靠远得到一个能够学习好的样本特征表示的编码器。

11、优选的，所述编码器为深度学习模型卷积神经网络cnn，卷积神经网络的输出为：

12、output＝softmax(relu(linear(maxpool(relu(conv(x)))))，

13、其中conv代表卷积操作，relu代表非线性激活，maxpool代表最大池化操作，linear代表进入全连接层，softmax代表对全连接层的输出进行归一化。

14、优选的，所述卷积操作的计算方法为：

15、y[i,j]＝∑∑x[m,n]*w[i,j,m,n]+b[i,j]，

16、其中y是卷积特征图，i和j分别表示特征图的行和列，m和n分别表示卷积核的行和列，w是卷积核的权重参数，b是偏置项参数，这个公式表示的是对输入数据x在每个位置(i，j)上，使用卷积核w对其进行滤波和特征提取，然后加上偏置项b；卷积操作的结果需要进入非线性层，激活函数选取relu，经过非线性层后的输出ci为：

17、ci＝relu(y[i,j])；

18、激活函数之后池化层的作用是用于压缩数据和参数的量，减小过拟合，池化层的计算方法为：

19、p＝max{ci}，

20、其中max操作代表取局部接受域中值最大的点；得到卷积层和池化层的输出后，将它输入到全连接层中，所述全连接层的运算可以表示为：

21、o＝relu(w*p+b)，

22、其中o是输出结果，w是全连接层的权重参数，b是偏置项参数，relu是激活函数；将cnn的输出o输入到一组称为投影头的dense layers中，目的是将数据高维的特征映射到低维的特征中，投影头由全连接层和激活函数组成，投影头的输出为：

23、z＝relu(linear(o))，

24、其中relu表示激活函数，linear代表线性层；计算两个输出之间的相似度，采用余弦相似度来计算二者之间的距离，余弦相似度s的计算方法为：

25、

26、其中z1和z2分别是经过不同数据增强操作得到的样本的表示向量；得到余弦相似度后可以计算两个表示向量之间的对比损失l：

27、

28、其中sim(zi,zj)指的是正样本对之间的相似度，sim(zi,zk)是负样本对之间的相似度，τ是一个温度超参数，l是负样本的数量；最小化这个损失函数来最大化一对正样本之间相似的概率，得到预训练的编码器f(θ)。

29、优选的，所述步骤三具体为：冻结预训练阶段得到的编码器的参数，在冻结参数的编码器f(θ)后接几层全连接层，微调全连接层，通过反向传播交叉熵损失得到花卉生长状况检测所需的分类器。

30、优选的，所述交叉熵损失的计算公式为：

31、

32、其中m为类别的数量，yic为符号函数取0或1，pic表示观测样本i属于类别c的预测概率。

33、优选的，所述步骤四中，softmax函数计算方法为：

34、

35、其中oi代表全连接层的输出，k代表样本个数。

36、与现有技术相比，本发明的有益效果是：本发明将神经网络与花卉种植相结合，由机器判断花卉生长状况，提高了管理人员的工作效率，本发明通过在大规模花卉数据集上进行预训练，得到能够提取通用花卉特征的编码器，避免因采集数据量少导致的分类精度低的问题。

技术特征：

1.一种基于对比学习的花卉生长状况检测方法，包括以下步骤：步骤一，获取盆花不同生长周期的照片并进行图片标注；步骤二，爬取盆花图片数据集并训练盆花特征提取编码器；步骤三，训练花卉生长状况的分类器；步骤四，分类器预测输出；其特征在于：

2.根据权利要求1所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述步骤一具体为：在大棚中安装摄像头，以采集盆花在不同生长周期的生长状态信息，然后请花卉种植专家判断每幅图片中的盆花所处的周期以及生长状况，并进行标注。

3.根据权利要求1所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述步骤二中，利用无监督对比学习预训练一个盆花特征提取编码器具体为：首先对数据集中每个批次的图片进行数据增强操作，以生成同一张花卉图片不同视角的样本，其中同一样本经过一对数据增强操作生成的样本为一对正样本，其余的则都为负样本，在得到对比学习所需的正负样本对后，计算正负样本对表征向量之间的对比损失，得到盆花特征提取的编码器。

4.根据权利要求3所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述数据增强操作为几何变换方法和像素变换方法的组合，几何变换方法包括翻转、旋转、裁剪、缩放、平移和抖动；像素变换方法包括加椒盐噪声、高斯噪声、进行高斯模糊、调整hsv对比度、调节亮度、饱和度、直方图均衡化和调整白平衡。

5.根据权利要求3所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述计算正负样本对表征向量之间的对比损失，得到盆花特征提取的编码器具体为：数据增强后的样本通过一个编码器和投影头后会得到得到一个对比损失，通过对样本之间的对比损失进行反向传播从而使得相似样本靠近，不相似样本靠远得到一个能够学习好的样本特征表示的编码器。

6.根据权利要求5所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述编码器为深度学习模型卷积神经网络cnn，卷积神经网络的输出为：

7.根据权利要求6所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述卷积操作的计算方法为：

8.根据权利要求1所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述步骤三具体为：冻结预训练阶段得到的编码器的参数，在冻结参数的编码器f(θ)后接几层全连接层，微调全连接层，通过反向传播交叉熵损失得到花卉生长状况检测所需的分类器。

9.根据权利要求8所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述交叉熵损失的计算公式为：

10.根据权利要求1所述的一种基于对比学习的花卉生长状况检测方法，其特征在于：所述步骤四中，softmax函数计算方法为：

技术总结
本发明公开了一种基于对比学习的花卉生长状况检测方法，包括以下步骤：步骤一，获取盆花不同生长周期的照片并进行图片标注；步骤二，爬取盆花图片数据集并训练盆花特征提取编码器；步骤三，训练花卉生长状况的分类器；步骤四，分类器预测输出；所述步骤一具体为：在大棚中安装摄像头，以采集盆花在不同生长周期的生长状态信息，然后请花卉种植专家判断每幅图片中的盆花所处的周期以及生长状况，并进行标注；本发明将神经网络与花卉种植相结合，由机器判断花卉生长状况，提高了管理人员的工作效率，本发明通过在大规模花卉数据集上进行预训练，得到能够提取通用花卉特征的编码器，避免因采集数据量少导致的分类精度低的问题。

技术研发人员：周羽,金滢,金彦亮,方洁,周嘉豪,冯湫燕
受保护的技术使用者：上海大学
技术研发日：
技术公布日：2024/1/15