[發明專利]一種基于深度學習的作物幼苗與雜草檢測方法及系統

在審

• 申請號: 202010310689.3
• 申請日: 2020-04-20
• 公開（公告）號: CN111340141A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 孟慶寬;楊耿煌;劉易
• 申請（專利權）人: 天津職業技術師范大學（中國職業培訓指導教師進修中心）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的作物幼苗與雜草檢測方法，其特征在于，包括：

S01、獲取作物幼苗及伴生雜草圖像數據集，將所述圖像數據集劃分為訓練集、驗證集和測試集；

S02、標注所述訓練集、驗證集和測試集圖像，對所述訓練集圖像進行擴增；

S03、在keras深度學習框架上，構建SSD檢測模型，設計輕量化密集連接網絡作為前置特征提取網絡，將所述前置特征提取網絡和擴展網絡中不同層次特征信息進行融合；

S04、將訓練集輸入到所述改進SSD檢測模型進行訓練，得到作物雜草識別定位模型；

S05、將測試集輸入到訓練好的模型，輸出作物與雜草的種類和位置信息。

2.根據權利要求1所述的一種基于深度學習的作物幼苗與雜草檢測方法，其特征在于，所述步驟S01具體包括：

（1.1）使攝像機距離地面高度約60~80cm，采用垂直拍攝方式在不同種植地塊、不同光照強度、不同土壤背景下采集作物幼苗及伴生雜草圖像構建圖像數據集；

（1.2）將所述圖像數據集根據作物與雜草種類劃分為對應的數據子集，按設定比例在所述數據子集中隨機抽取樣本構成訓練集、驗證集和測試集，所述訓練集、驗證集和測試集的比例為8:1:1。

3.根據權利要求1所述的一種基于深度學習的作物幼苗與雜草檢測方法，其特征在于，所述步驟S02具體包括：

（2.1）采用標注軟件對所述訓練集、驗證集和測試集圖像中的作物和雜草對象進行類別與位置標記；

（2.2）對所述訓練集圖像通過旋轉變換、鏡像變換、亮度變換等方法進行圖像擴增。

4.根據權利要求1所述的一種基于深度學習的作物幼苗與雜草檢測方法，其特征在于，所述步驟S03中，設計輕量化密集連接網絡作為前置特征提取網絡，將所述前置特征提取網絡和擴展網絡中不同層次特征信息進行融合具體包括：

（3.1）采用深度可分離卷積結合SENet模塊構建輕量特征提取單元，通過密集化連接構成輕量前置特征提取網絡代替SSD檢測模型中VGG16網絡；

（3.2）引入逆卷積運算將所述SSD檢測模型前置特征提取網絡與擴展網絡中不同分辨率特征圖進行信息融合。

5.根據權利要求1所述的一種基于深度學習的作物幼苗與雜草檢測方法，其特征在于，所述步驟S04具體包括：

（4.1）設置所述改進SSD檢測模型的超參數，采用多任務損失函數為目標函數進行訓練；

（4.2）訓練過程中對輸入樣本損失函數進行計算，按由大到小的順序進行排序，篩選前5%難分樣本進行存儲，下個迭代周期，替代損失函數排序中后5%樣本進行訓練。

6.一種基于深度學習的作物幼苗與雜草檢測系統，其特征在于，包括：

第一運算單元M01，用于獲取作物幼苗及伴生雜草圖像數據集，將所述圖像數據集劃分為訓練集、驗證集和測試集；

第二運算單元M02，用于標注所述訓練集、驗證集和測試集圖像，對所述訓練集圖像進行擴增；

第三運算單元M03，用于在keras深度學習框架上，構建SSD檢測模型，設計輕量化密集連接網絡作為前置特征提取網絡，將所述前置特征提取網絡和擴展網絡中不同層次特征信息進行融合；

第四運算單元M04，用于將訓練集輸入到所述改進SSD檢測模型進行訓練，得到作物雜草識別定位模型；

第五運算單元M05，用于將測試集輸入到訓練好的模型，輸出作物與雜草的種類和位置信息。

7.根據權利要求6所述的系統，其特征在于，所述第一運算單元M01，還用于：

使攝像機距離地面高度約60~80cm，采用垂直拍攝方式在不同種植地塊、不同光照強度、不同土壤背景下采集作物幼苗及伴生雜草圖像構建圖像數據集；

將所述圖像數據集根據作物與雜草種類劃分為對應的數據子集，按設定比例在所述數據子集中隨機抽取樣本構成訓練集、驗證集和測試集，所述訓練集、驗證集和測試集的比例為8:1:1。