[發明專利]基于深度學習圖像分割的作物行檢測方法及裝置

在審

• 申請號: 202110362037.9
• 申請日: 2021-04-02
• 公開（公告）號: CN113128576A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 馬欽;衛建;吳才聰
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

1.一種基于深度學習圖像分割的作物行檢測方法，其特征在于，包括：

獲取農田作物圖像；

將所述農田作物圖像輸入訓練后的卷積網絡模型，輸出圖像分割結果的二值圖像；

對所述卷積網絡模型提取的高維度特征向量進行空間聚類，得到不同作物行實例；

根據所述二值圖像和所述不同作物行實例進行作物行擬合，得到作物行曲線；

其中，所述卷積網絡模型，根據已知作物行結果的農田作物圖像訓練后得到。

2.根據權利要求1所述的基于深度學習圖像分割的作物行檢測方法，其特征在于，將農田作物圖像輸入訓練后的卷積網絡模型之前，還包括：

獲取不同生長階段、不同雜草密度、不同彎曲程度的農田作物圖像，并對作物行進行標注作為訓練樣本；

基于多個訓練樣本，對構建的改進型BiSeNet V2網絡模型進行訓練，得到所述訓練后的卷積網絡模型；

其中，所述改進型BiSeNet V2網絡模型，是在BiSeNet V2網絡的聚合層和seg Head層之間加入SCNN網絡層得到。

3.根據權利要求1或2所述的基于深度學習圖像分割的作物行檢測方法，其特征在于，所述基于多個訓練樣本，對構建的卷積網絡模型進行訓練，包括：

通過梯度下降和反向傳播，對構建的卷積網絡模型進行訓練。

4.根據權利要求1所述的基于深度學習圖像分割的作物行檢測方法，其特征在于，所述對所述卷積網絡模型提取的高維度特征向量進行空間聚類的聚類方法包括：

Mean Shift聚類或DBSCAN聚類。

5.根據權利要求1所述的基于深度學習圖像分割的作物行檢測方法，其特征在于，所述獲取農田作物圖像，包括：

通過農業作業機械平臺搭載視覺傳感器獲取農田作物圖像。

6.根據權利要求1所述的基于深度學習圖像分割的作物行檢測方法，其特征在于，根據所述二值圖像和所述不同作物行實例進行作物行擬合，得到作物行曲線，包括：

通過最小二乘法，進行二次或多項式曲線的擬合。

7.根據權利要求2所述的基于深度學習圖像分割的作物行檢測方法，其特征在于，所述獲取不同生長階段、不同雜草密度、不同彎曲程度的農田作物圖像之后，還包括：

通過感興趣區域對原始圖像進行裁剪，獲得目標與區域；

通過數據增強，增加數據多樣性和抗干擾能力。

8.一種基于深度學習圖像分割的作物行檢測裝置，其特征在于，包括：

采集模塊，用于獲取農田作物圖像；

處理模塊，用于將所述農田作物圖像輸入訓練后的卷積網絡模型，輸出圖像分割結果的二值圖像；

聚類模塊，用于對所述卷積網絡模型提取的高維度特征向量進行空間聚類，得到不同作物行實例；

擬合模塊，用于根據所述二值圖像和所述不同作物行實例進行作物行擬合，得到作物行曲線；

其中，所述卷積網絡模型，根據已知作物行結果的農田作物圖像訓練后得到。

9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任一項所述基于深度學習圖像分割的作物行檢測方法的步驟。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述基于深度學習圖像分割的作物行檢測方法的步驟。