[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

本發明公開了一種基于深度學習的作物幼苗與雜草檢測方法及系統，該方法包括：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；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；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；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；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；該方法解決了傳統作物與雜草識別方法存在的檢測精度低、耗費時間長等問題，提高了作物與雜草檢測的準確性和實時性。

技術領域

本發明涉及農業作物與雜草檢測領域，具體涉及一種基于深度學習的作物幼苗與雜草檢測方法及系統。

背景技術

作物生長過程中，雜草與作物爭奪水分、養分和光照，阻礙作物正常生長，對農業生產造成不利影響。雜草控制是農業生產中的一個重要環節，對提高作物產量與品質起著重要作用。

隨著精準農業技術的發展，不依賴于除草劑的自動化機械除草逐漸成為國內外雜草防控領域的研究熱點。在自動化機械除草作業過程中，如何實時、準確的對作物與雜草進行檢測識別是實現精準高效除草的關鍵前提。

傳統的作物與雜草檢測方法通過提取作物與雜草的顏色、紋理、形狀、高度等特征信息，將一種或多種特征的組合輸入到特征分類器，實現分類檢測。不過，此類方法需要人工進行特征選取標定，選取特征的優劣依賴于設計者的經驗，而且由于受到光照變化、背景噪聲、目標形態多樣性等因素的影響，難以設計出適應性好，穩定性高的特征提取模型。

隨著深度學習技術的發展，卷積神經網絡在機器視覺領域逐漸得到廣泛應用并取得良好效果。目前基于深度學習進行作物與雜草識別的研究普遍采用多層深度卷積神經網絡進行特征提取，通過增加網絡的深度與寬度實現更高的準確率，但也導致識別模型復雜度升高，檢測速度降低，難以應用于計算能力和存儲資源有限的嵌入式農業移動設備。

發明內容

針對現有技術的不足，本發明提出一種基于深度學習的作物幼苗與雜草檢測方法及系統，通過建立輕量卷積結合特征信息融合的改進SSD檢測模型，提高作物與雜草檢測速度和精度并降低識別模型參數規模。

第一方面，本發明提供一種基于深度學習的作物幼苗與雜草檢測方法，具體包括：

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。

可選的，所述步驟S01中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，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。

可選的，所述步驟S02中標注所述訓練集、驗證集和測試集圖像，對所述訓練集圖像進行擴增，包括：