(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 202210965200.5 (22)申请日 2022.08.12 (71)申请人 苏州宇智空视科技有限公司 地址 215400 江苏省苏州市太 仓市太仓港 经济技术开 发区北环路20号港城广场 4号楼205-14室 (72)发明人 周瑶　陈毓灵　周琪　 (74)专利代理 机构 苏州铭恒知识产权代理事务 所(普通合伙) 3246 3 专利代理师 吴月琴 (51)Int.Cl. G06V 20/13(2022.01) G06V 20/10(2022.01) G06V 20/68(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于Meta-CNN网络的新型农作物识别与分 类系统 (57)摘要 本发明公开了基于Meta ‑CNN网络的新型农 作物识别与分类系 统， 包括Meta ‑CNN模型、 数据 说明、 基线设置、 训练方式和实验结果， M eta‑CNN 模型分别与PoolFormer和卷积神经网络层相互 连接， 且PoolFormer与堆叠MetaFormer相互连 接， 卫星拍摄遥感照片分别与Meta ‑CNN、 PoolFormer和Vision  Transformer相连接， Meta‑CNN模型均与良好天气条件分类和恶劣天 气(如雨雾天)条件分类相互接触， 该基于Meta ‑ CNN网络的新型农作物识别与分类系统， 具有较 好的区分识别能力， 且能够更好地理解目标的全 局模式， 同时在恶劣天气下对农作物识别精度较 高。 权利要求书1页 说明书5页 附图3页 CN 115311577 A 2022.11.08 CN 115311577 A 1.基于Meta ‑CNN网络的新型农作物识别与分类系统， 包括Meta ‑CNN模型、 数据说明、 基 线设置、 训练方式和实验 结果， 其特征在于， 所述Meta ‑CNN模型分别与PoolFormer和卷积神 经网络 （CNN） 层相互连接， 且PoolFormer与堆叠MetaFormer相互连接， 卫星拍摄遥感照片分 别与Meta ‑CNN、 PoolFormer和Vision  Transformer相连接， 所述Meta ‑CNN模型均与良好天 气条件分类和恶劣天气 （如雨雾天） 条件分类相互接触。 2.根据权利要求1所述的基于Meta ‑CNN网络的新型农作物识别与分类系统， 其特征在 于： 所述Meta ‑CNN模型包括Meta ‑CNN s24 和Meta‑CNN s12。 3.根据权利要求1所述的基于Meta ‑CNN网络的新型农作物识别与分类系统， 其特征在 于： 所述Po olFormer有2种尺寸， 包括Po olFormer s12和PoolFormer s24。 4.根据权利要求1所述的基于Meta ‑CNN网络的新型农作物识别与分类系统， 其特征在 于： 所述Vision  Transformer有2种尺寸， 包括Vision  Transformer  I12和Vision   Transformer  I2。 5.根据权利要求1所述的基于Meta ‑CNN网络的新型农作物识别与分类系统， 其特征在 于： 所述良好天气条件下的分类的实验步骤； 步骤1： 通过Meta ‑CNN模型对马里区域的卫星拍摄遥感图片进行测试； 步骤2： 选择实验所需的农作物类型， 该农作物类型包括玉米、 小米、 水稻和高粱等； 步骤3： 设置整个模型用于分类性能测试的PoolFormer、 Meta ‑CNN和Vision   Transformer的基线； 步骤4： 将该模型在RTX3060  GPU上训练50个epoch， 且训练数据和测试数据都是从整个 集合中随机 选择的； 步骤5： 根据实验结果对Meta ‑CNN和其他基线算法对四种作物的识别精度， 易得出 Meta‑CNN的算法在正常天气下的识别精度均胜于其 他方法。 6.根据权利要求1所述的基于Meta ‑CNN网络的新型农作物识别与分类系统， 其特征在 于： 所述恶劣天气 （如雨雾天） 条件下的分类的实验步骤； 步骤1： 进行 数据预处 理， 通过参数来控制雾的级别； 步骤2： 定义3个级别的雾效果； 步骤3： 设置保持模型大小与正常天气条件下Meta ‑CNN模型的大小相同的PoolFormer、 Meta‑CNN和Vision Transformer的基线； 步骤4： 将该模型在RTX3060  GPU上训练50个epoch， 模型训练的输入数据被替换为受雾 影响的图片； 步骤5： 根据实验结果对Meta ‑CNN和其他基线算法对同一农作物在不同天气下的识别 精度， 易得出Meta ‑CNN算法在轻雾、 中雾和重雾的情况下， 对农作物的识别和分类均取得了 更加优秀的识别精度， 同时对比后我们可以发现， Meta ‑CNN在复杂天气下的鲁棒性更强， 优 势更加明显 。 7.根据权利要求6所述的基于Meta ‑CNN网络的新型农作物识别与分类系统， 其特征在 于： 所述3个级别的雾效果包括轻度雾霾、 中度雾霾和重度雾霾。权　利　要　求　书 1/1 页 2 CN 115311577 A 2基于Meta ‑CNN网络的新型农作物识别与分类系统 技术领域 [0001]本发明涉及农作物识别与分类相关技术领域， 具体为基于Meta ‑CNN网络的新型农 作物识别与分类系统。 背景技术 [0002]了解农作物的分布状况至关重要， 通常有助 于配套智慧农业系统做出相应响应以 监控作物健康状态， 便于提高粮食产量， 新技术和综合数据源， 如航拍照片和遥感数据， 提 供更丰富和高维的信息， 此外， 由于深度神经网络技术的快速发展， 基于图像识别的农作 物 识别与分类在处 理数据时可以更好 地提取潜在的客观特 征； [0003]在农业领域， 作物分类和检测的主要方法是首先使用分割从图像背景中提取植 被， 然后区分农作物种类。 常见的分割 方法使用多光谱信息将植被与背景(土壤和残留物) 分离。 然而， 即使使用光谱信息， 农作物之间也很难相互 区分， 因为它们具有很强的相似性。 在传统的机器学习方法中， 特征是需要手动设置的， 然后使用支持向量机(SVM)等算法来生 成判别模 型， 经典的机器学习方法则依赖于特征工程， 其中必须设计特征提取器， 这通常在 小型数据库上表现良好， 但在更大和变化的数据上却失败了。 相比之下， 深度学习(DL)方法 依赖于自动学习特征提取器， 并且与传统方法相比表现出更好的性能。 因此， DL成为图像分 类、 对象检测和识别的重要方法， 尤其是在农业领域。 例如基于卷积神经网络(CNN)架构的 DL模型已应用于各个领域， 因为它们为图像 分类和对象检测任务提供了高精度。 CNN在图像 上使用卷积滤波器来 提取重要特 征， 以借助卷积运 算来理解图像中感兴趣的对象； [0004]另一方面， 深度学习中的注意力机制已经看到了快速发展。 在视觉应用中， 注意力 机制的使用受到了更多的限制， 因为图像中的像素数量巨大， 因此计算成本很高。 这使得无 法将标准注意力模型应用于图像。 最近提出的视觉转换器(ViT)被证实为可以高效执行计 算机视觉任务。 其中图像块被视为训练的信息单元， 作为对比， 基于CNN的方法则是在图像 像素级别上运行。  ViT将图像补丁合并到共享空间中， 并使用自注意力模块学习这些补丁 之间的关系。 对于基于卫星遥感图像的农作物分类任务， 尚未有相关研究进行探索。 [0005]但是目前现有的大多数农作物识别算法存在着以下的缺点： 比如农作物 之间很难 单纯从光谱信息进 行区分， 同时需要考虑空间信息， 且传统的机器学习方法， 虽然在 小型数 据库上表现尚可， 但是高度依赖特征提取器的设计， 识别与区分能力不高， 同时基于CNN的 深度学习算法， 虽然弥补了传统机器学习 方法中的特征提取器需要手动设置这一缺点， 但 是由于使用了卷积滤波器来进行特征提取， 故更加注重于局部信息的提取， 往往对图片全 局信息理解不够充分， 导致图片在复杂情况下， 如恶劣天气导致的模糊， 农作 物识别精度不 高， 鲁棒性较差， 基于注意力机制的农作物识别与分类算法主要有两大缺点： 一是经典 Transformer 算法的计算 成本极高， 需要进一步创新降低计算复杂度； 二是注 意力机制更加 注重元素之间的相关性， 即更加注重全局信息的提取， 对局部信息的抓取不如CNN， 因此， 我 们提供基于 Meta‑CNN网络的新型农作物 识别与分类系统， 以便 于解决上述中提出的问题。说　明　书 1/5 页 3 CN 115311577 A 3