1.一种稻穗特征提取方法,其特征在于, 包括:
获取稻穗采样图像;
将所述稻穗采样图像输入预训练后的稻穗检测模型,得到稻穗特征提取结果;其中,所述预训练后的稻穗检测模型至少包括依次连接的注意力模块、语义分割模块;
所述注意力模块、所述语义分割模块用于依次对稻穗采样图像进行卷积计算,得到稻穗特征提取结果;
当所述预训练后的稻穗检测模型还包括:卷积模块时,将所述稻穗采样图像输入预训练后的稻穗检测模型,得到稻穗特征提取结果的步骤包括:利用所述卷积模块对稻穗采样图像进行卷积计算,得到初始特征图像;
利用所述注意力模块对所述初始特征图像进行卷积计算,得到第一特征图像;
利用所述语义分割模块对所述初始特征图像和所述第一特征图像进行卷积计算,得到稻穗特征提取结果;
将所述稻穗采样图像输入预训练后的稻穗检测模型,得到稻穗特征提取结果的步骤前包括步骤:构建初始稻穗检测模型;
获取稻穗样本图像;并将所述稻穗样本图像输入稻穗检测模型,利用损失函数训练初始稻穗检测模型,得到预训练后的稻穗检测模型;其中,所述损失函数表示为:;
其中,为总损失值,为交并比值,为距离损失值,为形状损失值。
2.根据权利要求1所述的稻穗特征提取方法,其特征在于,当所述初始特征图像包括第一卷积结果、第二卷积结果以及第三卷积结果时,所述卷积模块包括依次连接的第一卷积层、第二卷积层以及第三卷积层;利用所述卷积模块对稻穗采样图像进行卷积计算,得到初始特征图像的步骤包括;
利用所述第一卷积层对稻穗采样图像进行卷积计算,得到第一卷积结果;
利用所述第二卷积层对第一图像特征进行卷积计算,得到第二卷积结果;
利用所述第三卷积层对第二图像特征进行卷积计算,得到第三卷积结果;
其中,所述第一卷积层、所述第二卷积层以及所述第三卷积层对应的卷积核大小均不同。
3.根据权利要求2所述的稻穗特征提取方法,其特征在于,当所述第一特征图像包括第一特征参数、第二特征参数时,所述注意力模块包括依次连接的第一注意力特征层、第二注意力特征层以及第三注意力特征层;利用所述注意力模块对所述初始特征图像进行卷积计算,得到第一特征图像的步骤包括:利用所述第一注意力特征层对所述第一卷积结果进行卷积计算,得到所述第一特征参数;
利用所述第二注意力特征层对所述第二卷积结果进行卷积计算,得到所述第二特征参数;
其中,所述第一注意力特征层、所述第二注意力特征层对应的卷积核大小均不同。
4.根据权利要求3所述的稻穗特征提取方法,其特征在于,所述第一注意力特征层的卷积计算式满足:;
其中,为通道统计特征向量;为是第个输入特征图下()空间维度下的分支, ∈,;为输入特征图的空间高度, 为输入特征图的宽度;为平均池化函数。
5.根据权利要求3所述的稻穗特征提取方法,其特征在于,当所述第一注意力特征层的卷积核满足:40*40*512时,所述第二注意力特征层的卷积核满足:40*40*1024。
6.根据权利要求3所述的稻穗特征提取方法,其特征在于,当所述语义分割模块包括:依次连接的语义分割层、特征融合层以及第三注意力特征层;利用所述语义分割模块对所述初始特征图像和所述第一特征图像进行卷积计算,得到稻穗特征提取结果的步骤包括:利用所述语义分割层对所述第三卷积结果进行卷积计算,得到第三特征参数;
利用所述特征融合层依次对所述第三特征参数、所述第二特征参数以及所述第一特征参数进行特征融合,得到初始的稻穗特征提取结果;
利用所述第三注意力特征层对初始的稻穗特征提取结果进行卷积计算,得到最终的稻穗特征提取结果;
其中,所述语义分割层包括多个依次连接的、不同反卷积采样率的卷积层。
7.根据权利要求6所述的稻穗特征提取方法,其特征在于,当所述语义分割层还包括池化层时,利用所述语义分割层对所述第三卷积结果进行卷积计算,得到第三特征参数的步骤包括:利用多个卷积层依次对所述第三卷积结果进行卷积计算,得到初始的第三特征参数;
利用池化层对初始的第三特征参数进行卷积,得到最终的第三特征参数。
8.一种计算机存储介质,其特征在于,所述计算机存储介质包括存储的程序,其中,所述程序运行时执行权利要求1至7中任一项所述的稻穗特征提取方法。