CN119478708A 一种植物生长状况监测方法、系统、设备及存储介质 （江西师范大学）

2将预处理后的目标植物图像输入改进的YOLOv9模型，得到目标植通过所述主干网络，对所述预处理后的目标植物图像进行特征提取，通过所述预测分类网络，对所述植物融合特征进行分类处理，得到所将所述目标植物检测图像输入图像语义分割模型，得到植物二值2.根据权利要求1所述的一种植物生长状况监测方法，其特征在于，通过所述主干网依次通过所述三个结构相同的提取单元组，对输入的特征图进行下通过所述SPPF模块，对所述三个不同层次上的特征信息进行区域池化将所述特征融合网络分为前支网络和后支网络，所述前支网络包括C2f模块通过第一个转换单元组，对第二个层次上的特征信息和所述第一转换特通过第二个转换单元组，对第一个层次上的特征信息和所述中间转换特通过第一个融合单元组，对所述第二转换特征和所述第一植物融合特征进行特征融通过第二个融合单元组，对所述第一转换特征和所述第二植物融合特征进行特征融通过所述Concat_BiFPN模块，对层次上的特征信息和所述上采样的输3通过Concat_BiFPN模块，对转换特征和所述第二增强特征进行双向跨尺构建训练损失函数，所述训练损失函数用于对所述改进的YOLOv9模型进行优化训练，所述分类损失函数用于计算所述预处理后的目标植物图像的真实类别标签和所述预处理后的目标植物图像经所述改进的YOLOv9模型得到的预测类别的概率之间的分类损失所述定位损失函数用于计算所述预处理后的目标植物图像的真实边界框和所述预处理后的目标植物图像经所述改进的YOLOv9模型得到的预测边界框之间的定位所述目标置信度损失函数用于计算所述预处理后的目标植物图像经所述改进的选用深度反投影网络DBPN作为所述图像超分辨率网络，通过所述深度反投影网络选用全卷积神经网络FCN作为所述图像分割网络，通过所述全卷积神经网络第一模型处理模块，用于将预处理后的目标植物图像输入第二模型处理模块，用于将所述目标植物检测图像输入图像4其中，所述处理器被配置为执行所述可执行指令，以实现56[0011]作为第一方面的一种可选实施方式，将预处理后的目标植物图像输入改进的目标植物图像的真实类别标签和所述预处理后的目标植物图像经所述改进的YOLOv9模型标植物图像的真实边界框和所述预处理后的目标植物图像经所述改进的YOLOv9模型得到植物图像经所述改进的YOLOv9模型得到的目标框包含目标7融合网络特征提取结构，以获取图像的关键络利用C2f模块模型的特征提取能力以实现更89,,[0029]最后，将随机样本的均值和标准差和整个区间的均值和标准差σ[0030]S02：将预处理后的目标植物图像输入改进的YOLOv9模型，得到目标植物检测图主要用于改进目标检测的特征提取和聚合能力。DRNS模块是YOLOv9模型中的一种关键组之间的依赖性，而空间注意力机制关注特征图的空间分布。通过结合这两种注意力机制，预处理的目标植物图像进行原始图像特征提取后得到的特征图；在第二个提取单元组中，模块、U_Net模块和两个结构相同的转换单元组，后支网络包括两个结构相同的融合单元签和预处理后的目标植物图像经改进的YOLOv9模型得到的预测类别的概率之间的分类损,,:是防止除零所设置的一个,IC为通道数。,合网征提取结构，以获取图像的关键络利用C2f模块模型的特征提取能力以实现更好的特,,,编码器由Transformer分类头网络构成，所述编码器的5个卷积层分别采用64、d,-l,-,其中为边界距离，e,为误差函数，是样本输出，是网络输出，;请参阅图3，所示为本申请第二实施例提出的一种植物生长状况监测系统的结构法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上