[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的甘蔗幼苗自動識別與計數(shù)方法

有效

• 申請?zhí)枺?/td>: 202110671163.2
• 申請日: 2021-06-17
• 公開（公告）號: CN113392775B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計）人: 李修華;朱能志;潘雨蘊;張詩敏
• 申請（專利權(quán)）人: 廣西大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 北京東方盛凡知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11562
• 代理人: 賈耀淇

本發(fā)明涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的甘蔗幼苗自動識別與計數(shù)方法，包括：數(shù)據(jù)采集、圖像預處理、制作數(shù)據(jù)集、搭建卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、模型訓練、模型精度評估及選擇、對大尺寸航拍檢測結(jié)果進行拼接與去重，得到對原始航拍圖像全圖甘蔗苗的檢測與計數(shù)結(jié)果。本發(fā)明提出一種基于深度神經(jīng)網(wǎng)絡(luò)的甘蔗幼苗自動識別與計數(shù)方法，通過深度卷積神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的本身特征進行非線性表達，能夠從復雜數(shù)據(jù)中學習到甘蔗幼苗的特征，增強了模型的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像識別技術(shù)和農(nóng)業(yè)遙感檢測相結(jié)合的技術(shù)領(lǐng)域，特別是涉及一種基于深度神經(jīng)網(wǎng)絡(luò)的甘蔗幼苗自動識別與計數(shù)方法。

背景技術(shù)

甘蔗的苗數(shù)在計算甘蔗出苗率與分蘗率等表型特征中均是必須采集的數(shù)據(jù)，為了掌握甘蔗幼苗的出苗情況，需要定期對田間蔗苗的分布和數(shù)量進行調(diào)查。但在實際應(yīng)用中，目前獲取田間作物數(shù)據(jù)的常規(guī)方法很大程度上依然依賴于人工，這在處理田間大規(guī)模實地測量時既耗時又繁瑣，這些成本的增加也會限制樣本的采樣規(guī)模，數(shù)據(jù)的稀疏和人工測量的偏差都會影響數(shù)據(jù)的準確度。人工智能技術(shù)的發(fā)展與應(yīng)用為甘蔗育種改良提供了新的思路,尤其是深度學習目標檢測技術(shù)在作物表型分析中取得了較好的成果，F(xiàn)aster R-CNN作為目標檢測中的常用模型之一，已經(jīng)應(yīng)用到植物生產(chǎn)的幾個方向，常見的應(yīng)用包括生物量的估計、營養(yǎng)狀況診斷、害蟲和雜草的檢測等。

隨著檢測技術(shù)的快速發(fā)展，基于遙感的農(nóng)情監(jiān)測能夠快速、準確地估算作物的生理指標，已經(jīng)成為人們研究的焦點。為了快速、無損、準確地追蹤田間甘蔗幼苗的出苗情況，需要對田間幼苗進行精準地識別定位，并能夠在較短時間內(nèi)輸出計數(shù)結(jié)果。有了對蔗苗分布和數(shù)量等特征的準確了解，育種人員才能有效地管理如精確噴灑、精確除草和監(jiān)測甘蔗早期生長等過程。航拍圖像覆蓋范圍廣，且利用無人機采集冠層數(shù)據(jù)保證了較高的實時性和效率，是適合在田間對甘蔗幼苗檢測的一種方式。通過低空航拍圖像檢測早期甘蔗的幼苗數(shù)可以研究環(huán)境因子、土壤特性、栽培方式和不同品種對甘蔗出苗性狀的影響并且有助于制定更加合理的施肥等管理方案，然而目前深度學習目標檢測技術(shù)對低空航拍植物冠層圖像檢測的報道比較少。

無人機代表了在高分辨率前提下獲取圖像的一種低成本遙感技術(shù)，它能使種植者不斷監(jiān)測作物的生長發(fā)育狀況，已經(jīng)有育種研究人員通過無人機的航拍圖像來篩選能抵抗生物脅迫和非生物脅迫的性狀，并且選擇最優(yōu)化的土壤和水資源管理的方案來加快育種進度。配備傳感器的輕型無人機平臺可以獲得高時空分辨率的圖像，加上其執(zhí)行任務(wù)速度快，飛行時間靈活，操作方便，為高通量表型分析提供更加靈活和經(jīng)濟的解決方案，越來越多地應(yīng)用于田間表型鑒定。Oscar等提出將低分辨率多光譜圖像和高分辨率RGB圖像融合用來檢測水稻出苗后的田間禾本科雜草。Juan Enciso等通過無人機搭載高清RGB相機和多光譜傳感器系統(tǒng)用于不同品種番茄的表型性狀鑒定，用無人機估算冠層覆蓋度和冠層分析儀測得的葉面積指數(shù)進行相關(guān)性分析，相關(guān)系數(shù)達到0.72。這些方法在進行作物識別時都需要在無人機上搭載復雜的多光譜傳感器，不僅會增加采集圖像的成本也會影響航行的時間。并且甘蔗的生長環(huán)境更加復雜，采用這些方法不能對每株甘蔗幼苗進行準確識別和定位，也就無法給育種人員提供可靠的評估依據(jù)。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是目前應(yīng)用最廣泛的圖像識別深度學習方法，目前在農(nóng)業(yè)領(lǐng)域圖像數(shù)據(jù)的各種應(yīng)用中已經(jīng)取得很高的性能，涉及植物識別、植物葉片分割與分類、農(nóng)作物病蟲害識別、雜草檢測、果實識別、產(chǎn)量估計和農(nóng)田的作物計數(shù)等研究。目前，一些比較前沿的基于深度學習的目標檢測算法，如Faster R- CNN，YOLO，SSD等基本都是在傳統(tǒng)公開的遙感圖像數(shù)據(jù)集上進行實驗的。但由于田間的環(huán)境更加復雜，作物的形態(tài)結(jié)構(gòu)差異較大，在大田作物航拍圖像數(shù)據(jù)集上使用傳統(tǒng)目標檢測算法識別的效果不佳。所以，需要單獨分析深度學習在作物航拍圖像上的目標檢測，且目前利用基于深度學習的目標檢測在作物航拍圖像上取得顯著效果的研究并不多。

發(fā)明內(nèi)容