1.基于深度学习的玉米果穗收获机收获损失预测方法,其特征在于,所述方法包括:实时采集玉米收获机集穗箱内的果穗图像,将果穗图像裁剪为若干个预设尺寸的子图像;
构建像素级分类模型,基于预训练的像素级分类模型对子图像进行像素级分类,生成每个子图像的三通道标签图;
将若干个三通道标签图拼接形成与原始图像尺寸一致的整体标签图;
基于所述整体标签图计算损伤玉米果穗像素占比;
构建收获损失预测模型,当集穗箱装满后,基于预训练的收获损失预测模型根据多次采集的整体标签图及其对应的损伤占比输出玉米果穗收获损失质量的预测值;
所述像素级分类模型为融合倒置瓶颈注意力UNet模型,其编码器基于改进的EfficientNet b3模型,所述改进的EfficientNet b3模型为:EfficientNet b3模型的前五层替换为融合倒置瓶颈卷积结构;
所述收获损失预测模型为孪生式双通道格拉姆角场差分-求和融合网络模型。
2.根据权利要求1所述的基于深度学习的玉米果穗收获机收获损失预测方法,其特征在于,所述基于预训练的收获损失预测模型根据多次采集的整体标签图及其对应的损伤占比输出玉米果穗收获损失质量的预测值步骤具体包括:获取多次采集的整体标签图及其对应的损伤占比,将每个整体标签图及其对应的损伤占比特征进行融合;
将融合后的数据进行变换,生成表征损伤全局分布结构的第一类特征图和表征损伤局部细节差异的第二类特征图;
基于双通道对全局特征图和细节特征图进行特征提取,生成特征映射;
特征映射经自适应平均池化、展平与全连接融合后输出损失质量预测值。
3.根据权利要求2所述的基于深度学习的玉米果穗收获机收获损失预测方法,其特征在于,所述变换为多通道格拉姆角场变换,所述第一类特征图为格拉姆角场求和图,所述第二类特征图为格拉姆角场差分图。
4.根据权利要求3所述的基于深度学习的玉米果穗收获机收获损失预测方法,其特征在于,处理所述第一类特征图的通道与处理所述第二类特征图的通道的区别点在于,处理所述第一类特征图的通道包括多膨胀卷积多尺度特征模块,所述多膨胀卷积多尺度特征模块用于捕获不同感受野范围的全局模式。
5.基于深度学习的玉米果穗收获机收获损失预测系统,用于实现权利要求1-4任一项所述的基于深度学习的玉米果穗收获机收获损失预测方法,其特征在于,所述系统包括:采集模块,用于实时采集玉米收获机集穗箱内的果穗图像,将果穗图像裁剪为若干个预设尺寸的子图像;
分类模块,用于构建像素级分类模型,基于预训练的像素级分类模型对子图像进行像素级分类,生成每个子图像的三通道标签图;
拼接模块,用于将若干个三通道标签图拼接形成与原始图像尺寸一致的整体标签图;
占比计算模块,用于基于所述整体标签图计算损伤玉米果穗像素占比;
预测值输出模块,用于构建收获损失预测模型,当集穗箱装满后,基于预训练的收获损失预测模型根据多次采集的整体标签图及其对应的损伤占比输出玉米果穗收获损失质量的预测值。