[發明專利]一種基于深度學習的玉米苗期田間分布信息統計方法

在審

• 申請號: 202111345765.5
• 申請日: 2021-11-15
• 公開（公告）號: CN114022771A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 劉立超;畢大偉;陳黎卿;畢全鵬;王健清;王韋韋
• 申請（專利權）人: 安徽農業大學;合肥綜合性國家科學中心人工智能研究院（安徽省人工智能實驗室）
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06K9/62;G06T7/80
• 代理公司: 北京保識知識產權代理事務所(普通合伙) 11874
• 代理人: 姚天健

本發明公開了一種基于深度學習的玉米苗期田間分布信息統計方法，屬于目標檢測和深度學習技術領域。一種基于深度學習的玉米苗期田間分布信息統計方法，包括以下步驟：控制無人機按播種路徑飛行；通過無人機拍攝獲取玉米苗期圖像，對圖像中的整株玉米和玉米株心進行標注、訓練得到權重文件；將權重文件加載到深度學習算法里得到目標檢測網絡，結合無人機相機標定結果進行整株玉米和玉米株心檢測并計算株數、株距、行距等數據。本發明的方法可以統計作物的數量和作物間的距離，從而可以得到作物的密度、播種質量等信息；本發明解決了現有作物信息統計效率低的問題，同時深度學習算法具有較高的檢測速度和檢測精度，大大提升了統計效率。

本發明屬于目標檢測和深度學習技術領域，具體為一種基于深度學習的玉米苗期田間分布信息統計方法。

背景技術

作物的株距和作物的株數可以反映作物的種植情況，是影響作物產量的重要因素。目前，對于播種后作物的株距和組作物的株數測量沒有一個很好的方法，大多局限于人工測量或者近似計算，前者由于費時費力從而測量的規模有限、測量的效率低，后者則精度低，也無法做到很好的統計效果。

近年來，隨著深度學習在計算機視覺領域的飛速發展，目標檢測作為計算機視覺領域的研究熱點也從基于手工特征的傳統算法轉向了基于深度神經網絡的檢測技術，深度學習系列算法使用卷積神經網絡直接預測不同目標的類別與位置，目前最新的深度學習算法速度快，有非常輕量級的模型大小，同時準確度也高，實現了精度與速度的雙提升。

為解決以上存在的問題，進一步提高測量效率以及測量的精度，對作物的產量提供更好的技術支持，本發明提供了一種基于深度學習的玉米苗期田間分布信息統計方法。

發明內容

本發明的目的在于提供一種基于深度學習的玉米苗期田間分布信息統計方法，以解決上述背景技術中提出的問題：

現有的測量方法測量效率低或者測量的精度低的問題。

為了實現上述目的，本發明采用了如下技術方案：

一種基于深度學習的玉米苗期田間分布信息統計方法，所述方法步驟如下：

S1、進行航拍無人機相機標定；

S2、基于北斗定位裝置提取玉米播種機播種時各播種行的經緯度坐標信息，制作KML文件；

S3、將KML文件作為航拍無人機的飛行規劃路徑導入航拍無人機控制軟件中，控制無人機沿玉米播種時的路徑飛行并錄制玉米苗期俯拍視頻影像；

S4、將獲取的部分視頻影像間隔相同幀數提取出多張圖片數據，分別以整株玉米和玉米株心為檢測目標制作訓練集和測試集；

S5、利用深度學習算法對訓練集數據進行訓練并判斷訓練結果；

S6、將訓練好的權重文件加載到深度學習算法中進行所有拍攝視頻的整株玉米和玉米株心檢測；

S7、結合相機標定結果得到深度學習算法的玉米苗期植株檢測結果，輸出株數、株距、行距等數據；

S8、基于輸出數據構建單株玉米在田塊中的二維坐標，計算玉米苗密度、各行一致性變異系數等參數。

優選地，所述S2中提到的制作KML文件，具體包括以下步驟：

A1、將玉米播種機播種作業時的行駛軌跡經緯度數據提取出來，根據播種作業邊界剔除轉彎、掉頭等無效軌跡數據；

A2、將處理后的經緯度數據按照播種作業行的相鄰順序，按照首尾相接的順序把數據存儲到Excel文件中；

A3、利用KML制作軟件將Excel中存儲的經緯度數據轉換為可供航拍無人機控制軟件調用的KML格式文件。