[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶樹嫩芽識別方法

在審

• 申請?zhí)枺?/td>: 202010949092.3
• 申請日: 2020-09-10
• 公開（公告）號: CN112131982A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 劉連忠;寧井銘;吳國棟;江朝暉;張晴晴;李棟梁;李孟杰
• 申請（專利權(quán)）人: 安徽農(nóng)業(yè)大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 廣州市華學知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 高寧馨

本發(fā)明提供一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶樹嫩芽識別方法，包括下列步驟：步驟1、使用圖像采集設(shè)備進行目標茶樹圖像的連續(xù)采集；步驟2、對采集的茶樹圖像進行預(yù)處理得到待處理茶樹圖像；步驟3、構(gòu)建用于嫩芽識別的卷積神經(jīng)網(wǎng)絡(luò)，使用不同場景條件下的訓(xùn)練輸入圖像對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，建立茶樹嫩芽識別模型；步驟4、利用所述茶樹嫩芽識別模型識別待處理茶樹圖像中的嫩芽及其所在位置，并顯示識別結(jié)果。其中，所用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使用了多個池化窗口來提高對目標大小變化的適應(yīng)能力。本發(fā)明的方法可以有效實現(xiàn)復(fù)雜場景下茶樹嫩芽的準確識別，增強了對環(huán)境變化的適應(yīng)能力，大大提高了嫩芽識別的準確性和可靠性。

技術(shù)領(lǐng)域

本發(fā)明涉及茶樹生長監(jiān)測領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜場景下茶樹嫩芽的智能識別方法。

背景技術(shù)

中國是茶葉的原產(chǎn)地，也是最早發(fā)現(xiàn)和利用茶葉的國家。茶葉的出口經(jīng)濟占我國經(jīng)濟貿(mào)易的重要組成部分，但茶葉的單位產(chǎn)值卻與其他國家有著一定的差距。目前，采茶的方式主要分為人工采茶和機械采茶兩種。人工采茶雖然能夠準確地對茶葉嫩芽進行采摘，但是費時耗力，勞動成本高。機械采茶解決了人工采茶速度慢的問題，提高了采茶效率，但不能精確地識別嫩芽與老葉，導(dǎo)致所采茶葉的品質(zhì)不高。目前迫切需要研究更為高效準確的茶樹嫩芽的智能識別技術(shù)。

隨著圖像處理技術(shù)的發(fā)展，基于圖像的茶樹嫩芽識別手段開始得到重視。該方法能夠?qū)Σ铇涞纳L過程進行監(jiān)測，及時獲取茶樹上嫩芽的位置和狀態(tài)，進而可實現(xiàn)茶樹嫩芽的智能采摘。但傳統(tǒng)的圖像識別方法對復(fù)雜場景的適應(yīng)能力差，而作物生長環(huán)境受氣溫、氣候影響較為復(fù)雜，使得傳統(tǒng)的圖像識別方法在茶樹嫩芽識別時效果并不理想。

因此，當下迫切需要一種能夠克服天氣、光照、拍攝角度、背景等干擾因素的新型識別技術(shù)，以實現(xiàn)茶樹嫩芽的準確、可靠識別。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題在于針對現(xiàn)有技術(shù)中的缺陷，提供一種以圖像識別技術(shù)為基礎(chǔ)，提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶樹嫩芽的自動識別方法。

為實現(xiàn)上述目的，本發(fā)明提供的技術(shù)方案如下：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的茶樹嫩芽識別方法，所述方法包括下列順序的步驟：步驟1、使用圖像采集設(shè)備進行目標茶樹圖像的連續(xù)采集；步驟2、對采集的茶樹圖像進行預(yù)處理得到待處理茶樹圖像，目的是為了消除信號噪聲和環(huán)境光照的影響，提高圖像的穩(wěn)定性；步驟3、構(gòu)建用于嫩芽識別的卷積神經(jīng)網(wǎng)絡(luò)，使用不同場景條件下的訓(xùn)練輸入圖像對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，建立茶樹嫩芽識別模型；步驟4、利用所述茶樹嫩芽識別模型識別待處理茶樹圖像中的嫩芽及其所在位置，并顯示識別結(jié)果。

所述建立茶樹嫩芽識別模型具體包括下列順序的步驟：步驟21、采集各種場景條件下的茶樹圖像作為對照圖像；步驟22、在采集的對照圖像中剔除異常圖像、并標注茶樹嫩芽的位置，利用標注完成后的對照圖像制作訓(xùn)練集；步驟23、定義所用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中使用了多個池化窗口來提高對目標大小變化的適應(yīng)能力；步驟24、利用所述訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到茶樹嫩芽識別模型。

優(yōu)選地，所述卷積神經(jīng)網(wǎng)絡(luò)基于YOLO網(wǎng)絡(luò)結(jié)構(gòu)，通過增加一個SPP模塊獲得多個池化窗口，提高對目標尺寸變化的適應(yīng)能力。

其中，所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進一步包括：輸入模塊，卷積模塊，殘差模塊，上采樣模塊，拼接操作模塊，SPP模塊；所述輸入模塊接收輸入圖像，其輸出依次連接第一卷積模塊、殘差模塊、SPP模塊、第二卷積模塊，第二卷積模塊輸出第一級目標Scale1，第二卷積模塊的另一輸出通過上采樣模塊連接到第一拼接操作模塊的輸入端，殘差模塊的一個輸出連接第一拼接操作模塊的另一輸入端，第一拼接操作模塊的輸出連接第三卷積模塊的輸入，第三卷積模塊輸出第二級目標Scale2，第三卷積模塊的另一輸出通過上采樣模塊連接到第二拼接操作模塊的輸入端，殘差模塊的另一輸出連接第二拼接操作模塊的另一輸入端，第二拼接操作模塊的輸出連接第四卷積模塊的輸入，第四卷積模塊輸出第三級目標Scale3。