本发明涉及计算机视觉、深度学习和农业工程，特别涉及一种玉米苗期耐盐碱自动分级方法和系统。
背景技术：
1、在农业领域，玉米作为主要的粮食作物之一，其耐盐性对其生长和产量具有重要影响。传统的玉米植株耐盐性评估方法主要依赖于人工观察和手工分级，这些方法通常耗时且容易受到人为主观因素的影响，导致分级结果的不一致性和准确性不足。
2、传统的图像处理技术，如基于阈值的分割、边缘检测和颜色空间转换，广泛应用于图像分析任务。这些方法通过人工设计的特征和规则来处理图像。然而，这些技术在处理复杂图像特征和变化多样的环境条件时，表现出较低的鲁棒性和准确性。特别是在光照变化、图像噪声等实际应用中，这些方法往往需要频繁调整参数，导致处理效率低下和结果不稳定。
3、近年来，卷积神经网络(cnn)被广泛应用于图像分类和分割任务中，表现出较好的性能。cnn能够通过层叠的卷积层提取图像的局部特征，并在某些任务中提高了分级的准确性。然而，传统的cnn主要关注局部特征，往往无法充分捕捉图像中的全局上下文信息。这种局限性在处理需要全局理解的任务时，如玉米植株的耐盐性分级，可能导致模型对复杂场景的适应性不足。
4、在深度学习领域，数据增强技术是一种常用的方法，用于提升模型的泛化能力。传统的数据增强方法包括图像的旋转、裁剪、平移、颜色变换等。尽管这些方法可以增加数据的多样性，但往往无法完全模拟实际环境中的噪声和光照变化。因此，模型在面对真实场景时，可能仍然存在性能下降的问题，特别是在数据量不足或环境条件极端的情况下。
5、现有技术的缺陷
6、1.对复杂环境的适应性差：传统图像处理技术和基于cnn的方法在处理多变环境条件和图像噪声时，鲁棒性不足，处理效率低，且需要频繁的人工调整。
7、2.局限性特征提取：传统方法和cnn在特征提取上主要依赖于局部信息，无法有效捕捉全局上下文关系，从而影响了分级的准确性和全面性。
8、3.数据增强效果有限：虽然数据增强技术能够增加数据的多样性，但往往无法全面模拟实际中的各种环境变化，这限制了模型在真实场景中的表现。
9、综上所述，现有技术在处理玉米植株耐盐性分级任务时，存在鲁棒性不足、分级准确性有限以及数据增强效果不佳等问题。因此，迫切需要一种新型的技术方案，能够克服这些缺陷，并提高玉米植株耐盐性自动分级的准确性和效率。
技术实现思路
1、本发明针对现有技术的缺陷，提供了一种玉米苗期耐盐碱自动分级方法和系统。
2、为了实现以上发明目的，本发明采取的技术方案如下：
3、一种玉米苗期耐盐碱自动分级方法，包括以下步骤：
4、s1：图像数据的预处理：
5、对获取的玉米植株图像数据进行初步筛选，选取高质量图像作为数据集。
6、对所述图像数据集进行数据标注，以标识图像中玉米植株的耐盐性等级。
7、对所述图像数据集进行数据增强，所述数据增强包括：随机对图像沿x轴、y轴或z轴进行平移旋转；向图像添加随机椒盐噪声；向图像添加随机高斯噪声；调整图像的亮度和对比度。
8、s2：构建deepvit模型：
9、将经过数据增强处理的图像数据集划分成一组非重叠的图像块；
10、对每个图像块进行展平，并通过全连接层将其转化为低维嵌入向量；
11、将所述嵌入向量与位置嵌入相结合，形成输入序列；
12、将所述输入序列输入至多组堆叠的transformer编码器层，每个transformer编码器层包括自注意力机制、多头注意力、前馈神经网络和残差连接，用于提取图像特征并进行全局上下文的建模；
13、采用aspp模块，通过不同空洞率的卷积层来捕获多尺度信息，并通过扩展路径将输出特征图还原至输入图像的分辨率；
14、通过模型的头部部分执行图像分割任务，头部部分包括卷积层、上采样层、特征融合和分类层，将最终特征图转换为玉米植株耐盐性的分级结果。
15、s3：模型训练与优化：
16、通过所述图像数据集对deepvit模型进行训练，训练过程中优化模型参数，使其能够准确识别不同玉米植株的耐盐性等级；对训练数据中的耐盐性分级数据进行正则归一化处理。
17、s4：玉米植株耐盐自动分级：
18、对待测玉米植株在胁迫处理后的不同时间节点进行拍照；
19、将所得图像输入经过训练的deepvit模型，自动识别并输出玉米植株的耐盐性等级。
20、进一步地，所述图像数据集中的玉米植株图像通过盐、碱或盐碱混合胁迫处理获得。
21、进一步地，所述数据增强中，椒盐噪声的添加是通过在图像中随机改变像素值来模拟传感器设备问题的干扰。
22、本发明还公开了一种玉米苗期耐盐碱自动分级系统，该系统能够用于实施上述的玉米植株耐盐自动分级方法，具体的，包括：
23、图像数据预处理模块，用于对获取的玉米植株图像数据进行初步筛选，选取高质量图像作为数据集，并对图像数据集进行数据标注，标识图像中玉米植株的耐盐性等级，同时对图像数据集进行数据增强，所述数据增强包括随机对图像沿x轴、y轴或z轴进行平移旋转、添加随机椒盐噪声、添加随机高斯噪声以及调整图像的亮度和对比度；
24、deepvit模型构建模块，用于将经过数据增强处理的图像数据集划分成一组非重叠的图像块，并对每个图像块进行展平，通过全连接层将其转化为低维嵌入向量，将所述嵌入向量与位置嵌入相结合，形成输入序列，输入至多组堆叠的transformer编码器层中，编码器层包括自注意力机制、多头注意力、前馈神经网络和残差连接，用于提取图像特征并进行全局上下文的建模，模型采用aspp模块，通过不同空洞率的卷积层捕获多尺度信息，并通过扩展路径将输出特征图还原至输入图像的分辨率，同时通过模型头部部分执行图像分割任务，头部部分包括卷积层、上采样层、特征融合和分类层，将最终特征图转换为玉米植株耐盐性的分级结果；
25、模型训练与优化模块，用于通过图像数据集对deepvit模型进行训练，优化模型参数，使其能够准确识别不同玉米植株的耐盐性等级，并对训练数据中的耐盐性分级数据进行正则归一化处理；
26、结果显示模块，用于接收模型输出的玉米植株耐盐性分级结果，并将结果以可视化形式显示。
27、本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述玉米植株耐盐自动分级方法。
28、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述玉米植株耐盐自动分级方法。
29、与现有技术相比，本发明的优点在于：
30、1.提高分级准确性：通过使用deepvit网络，本发明能够有效地从图像中提取细致的特征，并对玉米植株的耐盐性进行准确分级。deepvit结合了transformer和aspp模块的优势，能够捕捉到图像中的全局上下文信息和多尺度特征，从而提高了分级的准确性和可靠性。
31、2.增强模型鲁棒性：数据增强技术如随机平移旋转、椒盐噪声、高斯噪声以及亮度对比度调整，有助于模拟各种实际环境中的图像情况，增强了模型的鲁棒性，使其能够在不同的图像质量和环境条件下稳定地进行分级。
32、3.自动化处理：本发明通过自动化的图像处理和分级流程，减少了人工干预的需求，提高了工作效率。自动化处理能够大幅降低人工误差，确保每次分级的一致性和准确性。
33、4.适应性强：本发明能够处理各种类型的图像数据，适应不同的玉米品种和生长条件。这种灵活性使得系统在不同的应用场景中都能够发挥作用。
34、5.高效的数据处理：deepvit模型具有较高的计算效率，特别是在处理高分辨率图像时，通过transformer编码器和aspp模块的优化，可以有效地处理大量数据，提高系统的响应速度。
35、6.支持科学研究：通过提供高精度的耐盐性分级数据，本发明可以支持相关的农业研究和育种工作，帮助研究人员更好地了解玉米植株的耐盐性特征，并推动改良品种的开发。
1.一种玉米苗期耐盐碱自动分级方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的玉米苗期耐盐碱自动分级方法，其特征在于：所述图像数据集中的玉米植株图像通过盐、碱或盐碱混合胁迫处理获得。
3.根据权利要求1所述的玉米苗期耐盐碱自动分级方法，其特征在于：所述数据增强中，椒盐噪声的添加是通过在图像中随机改变像素值来模拟传感器设备问题的干扰。
4.一种玉米苗期耐盐碱自动分级系统，其特征在于：该系统能够用于实施权利要求1至3其中一项所述的玉米苗期耐盐碱自动分级方法，具体的，包括：
5.一种计算机设备，其特征在于：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至3其中一项所述的玉米苗期耐盐碱自动分级方法。
6.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该程序被处理器执行时实现权利要求1至3其中一项所述的玉米苗期耐盐碱自动分级方法。
