[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110708858.3
• 申請(qǐng)日: 2021-06-25
• 公開(kāi)（公告）號(hào): CN113936019A
• 公開(kāi)（公告）日: 2022-01-14
• 發(fā)明（設(shè)計(jì)）人: 王宏樂(lè);葉全洲;張沖;楊明暢;鄧烈
• 申請(qǐng)（專利權(quán)）人: 深圳市識(shí)農(nóng)智能科技有限公司
• 主分類號(hào): G06T7/13
• 分類號(hào): G06T7/13;G06T7/12;G06T7/62;G06V10/764;G06V10/44;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法，其特征在于：所述估算方法如下：

步驟一：從大田作物的結(jié)實(shí)照片中分離出單株結(jié)實(shí)部位，利用計(jì)算機(jī)視覺(jué)算法，提取單株結(jié)實(shí)部位輪廓；

步驟二：對(duì)分離后的各單株結(jié)實(shí)部位以其輪廓照片進(jìn)行分類；

步驟三：使用各種類型、狀態(tài)的單株結(jié)實(shí)部位輪廓照片對(duì)大田作物結(jié)實(shí)部位進(jìn)行模型訓(xùn)練；

步驟四：對(duì)訓(xùn)練的模型進(jìn)行驗(yàn)證和優(yōu)化，確定最終模型；

步驟五：根據(jù)調(diào)查面積和田塊數(shù)確定調(diào)查點(diǎn)數(shù)量；

步驟六：使用可測(cè)距的圖像獲取設(shè)備，獲取高質(zhì)量的目標(biāo)圖像；

步驟七：將獲取的目標(biāo)圖像導(dǎo)入云端服務(wù)器的智能計(jì)數(shù)系統(tǒng)，對(duì)獲取的目標(biāo)圖像特征信息進(jìn)行提取和檢測(cè)，輸出目標(biāo)圖像中有效結(jié)實(shí)部位的數(shù)量；

步驟八：根據(jù)圖像獲取設(shè)備的距離，輸出目標(biāo)圖像的實(shí)際面積；

步驟九：按照以下公式對(duì)目標(biāo)作物進(jìn)行產(chǎn)量計(jì)算：

其中：

P代表：?jiǎn)挝划a(chǎn)量；

ci代表：目標(biāo)圖像有效結(jié)實(shí)部位的數(shù)量；

ai代表：目標(biāo)圖像面積；

mj代表：?jiǎn)挝挥行ЫY(jié)實(shí)部位的質(zhì)量；

pd代表：?jiǎn)挝挥行ЫY(jié)實(shí)部位的含水率；

A代表：作物種植面積。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法，其特征在于：所述步驟二中，單株結(jié)實(shí)部位狀態(tài)包括無(wú)遮擋、1/3遮擋、2/3遮擋。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法，其特征在于：所述模型訓(xùn)練采用深度卷積神經(jīng)網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法，其特征在于：所述智能計(jì)數(shù)系統(tǒng)將從特征融合的角度進(jìn)行優(yōu)化，僅考慮深層卷積提取的特征傳遞淺層，而且增加淺層卷積網(wǎng)絡(luò)提取的特征傳遞到深層，反復(fù)進(jìn)行不同卷積層的特征融合。

5.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法，其特征在于：所述可測(cè)距的圖像獲取設(shè)備為手機(jī)、無(wú)人機(jī)、雙目攝像頭中的一種或幾種組合。

6.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法，其特征在于：圖片進(jìn)行訓(xùn)練前，會(huì)對(duì)數(shù)據(jù)進(jìn)行增強(qiáng)，數(shù)據(jù)增強(qiáng)方法為隨機(jī)抖動(dòng)縮放，圖片亮度、HSV的改變，隨機(jī)水平翻轉(zhuǎn)和旋轉(zhuǎn)，mixup，cutmix，mosaic，把一幅圖像粘貼在另一幅圖像中的隨機(jī)位置中的一種或幾種組合。

7.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的大田作物產(chǎn)量估算方法，其特征在于：大田作物結(jié)實(shí)部位計(jì)數(shù)算法的網(wǎng)絡(luò)結(jié)構(gòu)采用特征提取網(wǎng)絡(luò)，特征提取網(wǎng)絡(luò)為CSPDarknet53、EfficientNet_B0-B7、Resnest50，以及MobileNet_V3、GhostNet、ShuffleNet_V2。