[發明專利]一種基于無人機和深度學習的農作物雜草檢測方法及裝置

有效

• 申請號: 202210267089.2
• 申請日: 2022-03-17
• 公開（公告）號: CN114648500B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 羅強;韓潤華;殷志堅;楊貞;余亮;熊朝松
• 申請（專利權）人: 江西科技師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/048;G06N3/08;G06T5/50;G01S19/42
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明公開了一種基于無人機和深度學習的農作物雜草檢測方法及裝置。該裝置通過固定在無人機上的控制模塊和視覺模塊進行實時掃描與檢測，并通過定位模塊返回雜草坐標。該方法包括：拍攝制作農作物雜草數據集；然后在FPN部分添加改進注意力模塊的NanoDet作為識別模型，使用公共農作物雜草數據集訓練模型；再將改進的NanoDet檢測算法和訓練好的模型移植到無人機上，操作無人機獲取圖像，檢測算法通過讀取圖像進行實時檢測；最后，通過GPS將檢測到雜草所在的坐標進行定位，傳輸回后臺以待下一步的除草任務。本方法提升了現有算法的檢測精度，配合無人機能實現高效、精確的雜草檢測坐標，為科學管理農田提供了新的方法。

技術領域

本發明屬于計算機視覺目標檢測技術領域，涉及使用改進NanoDet模型的雜草檢測，具體涉及一種基于無人機和深度學習的農作物雜草檢測方法及裝置。

背景技術

雜草是農作物減產的主要原因之一，會對種植人員的收入造成極大的影響。準確檢測出農作物中混雜的雜草，有利于農田管理者及時采取有效的措施清理雜草，減輕雜草和農作物爭奪養分導致農作物減產的情況。傳統的人工除草方法效率低、操作慢，在進行除草時沒有區分有、無雜草區域，直接對所有農田進行農藥噴灑，會造成農藥的浪費和時間上過多的消耗，同時也無法適應當前日益成熟的大農場生產方式，會降低經濟效益和減少農作物產量。

圖像的目標檢測在計算機視覺領域是一項具有挑戰性的工作，與簡單分類的上游任務不同，其要求對圖像中每個目標進行精確分類并且標注目標的位置，現在主流的目標檢測技術是基于深度卷積神經網絡來完成，并且根據是否利用anchor提取目標候選框可以分為anchor-based和anchor-free兩大類，其中基于anchor-based的算法有Faster-RCNN、Yolov2和Yolov3等，優點是訓練穩定；基于anchor-free的算法有CornerNet、CenterNet以及FCOS，由于擺脫了使用anchor帶來的計算量，實時性更高。

將圖像的目標檢測技術與農業除草相結合，通過神經卷積神經網絡識別種植區域中的雜草位置，然后進行定點清楚，可以提高除草效率。李繼維等人提出一種無人機自動除草作業方法，通過生成檢測點進行雜草檢測，但是需要重復檢測步驟，對同一區域無法完成邊掃描邊檢測的操作，導致檢測時間過長。同時還存在雜草檢測方法模型體量大、實時性不足，以及對雜草掃描定位時操作復雜，不適用于實際的生產等問題。

發明內容

針對現有技術的不足，本發明提出了一種基于無人機和深度學習的農作物雜草檢測方法及裝置，通過NanoDet模型對無人機掃描到的區域進行實時檢測，判斷區域內是否存在雜草，并且將存在雜草區域的GPS坐標返回后臺，不需要重復掃描，能夠高效率地檢測農作物中的雜草，保證檢測的實時性以便后續的除草工作。

一種基于無人機和深度學習的農作物雜草檢測方法，具體包括以下步驟：

步驟1、收集包含雜草的圖像，并對圖像中的雜草進行標注，形成雜草數據集。

步驟2、構建改進的NanoDet模型，作為雜草識別模型，使用步驟1得到的雜草數據集進行訓練。所述改進的NanoDet模型具體為：主干網絡使用CSPnet卷積塊的ShuffleNetV2-1.5x；FPN部分使用PAN結構，針對主干網絡輸出的8、16、32倍下采樣特征進行多尺度特征融合，并在每層特征的輸出之后，通過一個注意力模塊進行特征整合。

步驟3、將步驟2訓練好雜草識別模型移植到無人機中，再使用無人機掃描待除草的種植區域。無人機在掃描過程中通過雜草識別模型進行實時檢測，當雜草識別模型判斷掃描圖像中存在雜草時，通過GPS定位雜草所在的位置，并將坐標返回到后臺。