[發明專利]基于UAV-RGB圖像和深度學習的花生生長監測方法、系統及介質

有效

• 申請號: 202111116159.6
• 申請日: 2021-09-23
• 公開（公告）號: CN113822198B
• 公開（公告）日: 2023-10-17
• 發明（設計）人: 張雷;林泳達;陳婷婷;劉仕元;陳勇;蘭玉彬;岳學軍;蔡雨霖;康高碧;時浩文;鄭迪可;袁嘉豪;艾文杰;彭文;陳惠明;鐘海敏;廖臣龍
• 申請（專利權）人: 華南農業大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/20;G06V10/75;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于UAV?RGB圖像和深度學習的花生生長監測方法、系統及介質，包括下述步驟：使用無人機拍攝視頻獲取花生秧苗數據；對花生秧苗數據進行預處理，得到圖片數據集；使用圖片數據集，構建花生秧苗計數模型，所述花生秧苗計數模型包括花生秧苗檢測器和花生秧苗跟蹤器；使用花生秧苗計數模型對花生秧苗數據進行識別，記錄花生秧苗數量，得到計數結果。本發明通過無人機的靈巧性以及高效性結合深度學習技術，提供了一種識別效率高、實時性強、綜合性能優以及高可用性的花生生長監測方法，實現了對花生種植數據收集以及實時監測。

技術領域

本發明涉及花生作物智能監測領域，具體涉及一種基于UAV-RGB圖像和深度學習的花生生長監測方法、系統及介質。

背景技術

表型群是指生物體從微觀(即分子)組成到宏觀，從胚胎發育到衰老、死亡全過程中所有表型的集合?；?內因)和環境(外因，包括環境暴露和生活方式)共同決定表型。表型組學是繼基因組學之后生命科學的又一戰略制高點和創新源泉。植物出苗率是重要指標之一，以花生幼苗為例，花生是一種產量豐富、用途廣泛的堅果，具有巨大的經濟價值。

花生作為我國重要的植物作物，對其生長過程的監測具有重要意義。我國花生是田間種植的，對花生幼苗的生長情況進行監測比較困難。以往常用的監測方法主要是通過人眼觀察法，但現場環境相對惡劣，人眼監測時效性差，效率低。人工監測也會因監測對象不同而產生不同的監測結果。鑒于上述問題，迫切需要利用新興的監測工具。近年來，無人機和人工智能技術的發展將兩者結合起來，可以產生很好的效果。

近年來，人工智能技術已經應用到生活的方方面面，深度學習在農業中的應用也迅速增長，例如：L.C.等人發表的《Seed-per-pod estimation for plant breeding usingdeep learning》中使用卷積神經網絡(CNN)來估計大豆種子和果實的數量；鄧等人提出了一種基于深度學習卷積神經網絡(CNN)的水稻有效分蘗自動檢測與計數方法；Shook J等人基于科學和田間相關的觀點，建立了基于長時記憶遞歸神經網絡的作物產量預測模型。為了準確測量和獲取整個果園的信息，J Wu等人提出了一種新的基于深度學習的果樹信息提取模型(TDA-M)，該模型融合了果樹檢測、分割和冠層信息提取等特征。由于育種計劃的規模和現有資源的限制，很難收集到準確的單株數據。Khaki S等人提出了一種基于深度學習的早期玉米計數方法： deepstand；Cen C等人使用更快的R-CNN目標檢測算法，基于無人機航空圖像自動檢測流蘇的數量。由于合理的近距離種植是影響作物最終產量的重要參數，Zhang J等人使用無人機 (UAV)來量化田間玉米植株之間的距離；Toda Y等人利用CNN應用各種神經元和層次可視化方法，發現神經網絡在診斷過程中可以捕捉各種疾病獨特的病變顏色和紋理；Hassan M A 等人發現無人機光譜的DSM模型可以有效地識別小麥群體的株高；Santini F等人利用無人機多光譜、RGB和熱成像技術對森林遺傳實驗進行表型分析，提出無人機遙感是篩選森林樹種形態和生理性狀遺傳變異的有效工具；Yu L等人利用X射線和RGB掃描以及深度學習方法，提出了一種水稻穗型鑒定的綜合方法；Hua Y A等人提出了一種基于雙注意引導特征金字塔網絡的豬數分割應用方法；Oh M H等人提出了一種基于航空攝影的可伸縮高通量方法，用于自動計算和分割豬只。

近年來，目標檢測作為人工智能的一個重要分支得到了迅速的發展，并在實際問題中得到了廣泛的應用。目標識別算法也在迅速發展，目標檢測算法通常分為單級檢測器和兩級檢測器；在單級探測器中，Redom J等人提出了一種快速的目標檢測方法YOLO；Lin TY等人提出了RetinaNet算法來解決類別不平衡的問題；Law H等人根據自底向上的多人姿態估計思想，提出了CornerNet算法；在兩級檢測器方面，Girshick R等人提出了快速R-CNN算法，這是一種里程碑式的算法；在R-CNN和Fast R-CNN的基礎上，Ren S等人提出了快速R-CNN，具有較高的識別精度。