[發明專利]一種棉花花藥開裂狀態識別方法及系統

有效

• 申請號: 202110509530.9
• 申請日: 2021-05-11
• 公開（公告）號: CN113240001B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 閔玲;譚志昊;呂榮杰;施家偉;楊萬能;張獻龍
• 申請（專利權）人: 華中農業大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/774;G06T7/00;G06N3/0464;G06N3/08;G01N21/84
• 代理公司: 北京方圓嘉禾知識產權代理有限公司 11385
• 代理人: 程華

本發明公開了一種棉花花藥開裂狀態識別方法及系統。該方法包括：以黑色幕布為拍攝背景，采集棉花花藥RGB圖像；獲取所述棉花花藥RGB圖像的標簽，構建訓練集、測試集和驗證集；獲取改進后的YOLOv5深度學習網絡；通過所述訓練集對改進后的YOLOv5深度學習網絡進行訓練；通過訓練后的YOLOv5深度學習網絡對棉花花藥開裂狀態進行識別。本發明采用改進后的YOLOv5深度學習網絡能夠提高識別精度和速度，并且改進后的YOLOv5深度學習網絡模型輕量化，可以植入到可嵌入式系統和移動設備中。

技術領域

本發明涉及農作物狀態監測技術領域，特別是涉及一種棉花花藥開裂狀態識別方法及系統。

背景技術

棉花是世界上最重要的經濟作物之一。棉花雄性生殖器官花藥是決定棉花產量的關鍵因子，花藥著生數量和開裂與否，直接決定了棉花受精概率的大小，顯而易見花藥著生數量越多，開裂數目越多，棉花在自然狀態下受精概率也越大。

過去人們對棉花花藥的表型數據獲取主要依賴人工觀察的方法進行主觀判斷，數據結果的可靠性主要取決于科學家的經驗水平。而且棉花花藥之間重疊遮擋嚴重且互為前景背景，導致各個花藥界限不清淅。當通過人工觀察的方式獲取花藥的總數及開裂個數，會因花藥生長相互錯雜，背景和前景極易混淆在一起，導致人工讀數準確率難以保證，而且如果僅有少量的花藥數據不能說明群體的表型特征，要判斷一個群體的花藥生長及開裂狀況需要大量的數據支撐，人工的方式顯然很難準確快速地實現這一目的。

隨著計算機視覺技術和植物表型組平臺的發展，基于機器學習的圖像處理技術被廣泛應用。在深度學習出現之前，通常的機器目標識別檢測過程是在目標檢測之前需要人為的對圖像進行包括圖像剪裁、圖像增強、圖像分割等預處理，將圖像的各種特征提取出來后，交由SVM分類器進行學習和檢測。但由于前期人工預處理耗時耗力，并且在提取到特征后還要根據實際情況進行特征篩選和評優，人為調試各種特征在學習模型中的權重以求達到最佳的識別效果。在如今智能化的時代背景下，傳統的機器學習的弊端十分明顯。由于分類器泛化能力較差，且需要大量的數據支撐，在農業智能化發展的過程中，機器學習方法的不足也漸漸顯示出來。

發明內容

本發明的目的是提供一種棉花花藥開裂狀態識別方法及系統，以提高棉花花藥開裂狀態識別的精度和速度。

為實現上述目的，本發明提供了如下方案：

一種棉花花藥開裂狀態識別方法，包括：

以黑色幕布為拍攝背景，采集棉花花藥RGB圖像；

獲取所述棉花花藥RGB圖像的標簽，構建訓練集、測試集和驗證集；

獲取改進后的YOLOv5深度學習網絡；

通過所述訓練集對改進后的YOLOv5深度學習網絡進行訓練；

通過訓練后的YOLOv5深度學習網絡對棉花花藥開裂狀態進行識別。

進一步地，在采集棉花花藥RGB圖像之前，還包括：

對棉花花朵進行預處理，將棉花花瓣剝離，對花藥進行固定。

進一步地，改進后的YOLOv5深度學習網絡包括輸入端、backbone端、head端和輸出端；所述backbone端的權重文件為mobilenetv2；

所述backbone端用于對輸入的圖像進行特征提取；

所述head端用于對所述backbone端提取的特征圖進行采樣及融合。

進一步地，所述通過所述訓練集對改進后的YOLOv5深度學習網絡進行訓練，具體包括：

將所述訓練集輸入至改進后的YOLOv5深度學習網絡；

判斷改進后的YOLOv5深度學習網絡的輸出結果的誤差是否在預設范圍內；