[发明专利]一种基于深度学习卷积神经网络的农作物成熟度监控方法

说明书

本发明公开了一种基于深度学习卷积神经网络的农作物成熟度监控方法，包括步骤：从接近生长成熟的农作物照片中分离出单个农作物植株的穗，利用计算机视觉算法，计算单个农作物植株穗的轮廓；对分离后的各农作物植株穗以其轮廓照片进行成熟程度分类；使用轮廓照片对深度卷积神经网络进行训练；使用验证照片对深度卷积神经网络进行验证；将监控地块进行分割和标记，并使用无人机拍摄所需监控地块照片；使用深度卷积神经网络对所述监控地块照片进行各植株成熟度分类统计，计算农作物的整体成熟度。与现有技术相比，本发明在植株生长的监控过程中，对不同地块可以实现自动化精确地分类统计，并对各个地块自动编号、记录和统计，并实现总体统计分析。

技术领域

本发明涉及农作物成熟度监控系统，尤其涉及一种基于深度学习卷积神经网络的农作物成熟度监控方法。

背景技术

农作物成熟度与作物产品的品质和产量密切相关，收获过早过迟对作物种子(籽粒)的产量品质有不良影响，因此准确地进行农作物成熟度监控是现代农业必不可少的一个重要环节。现有的监控方法中，一般采用人工监控或者卫星遥感等技术。随着人们生活水平的提高，可用劳动力的减少，单纯依靠人工监控，费时费力，尤其在面对大面积生产监控时力不从心；而且在人工监控过程中，只能对不同地块进行抽样调查，难以精确地分类统计，也不能自动编号、记录和统计。卫星遥感监控准确率不高，对不同地块难以精确地分类统计，也不能自动编号、记录和统计，致使最后在总体统计分析方面也是不尽人意。

深度学习是机器学习研究中的一个新的领域，通过建立模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，包括图像，声音和文本等。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分，不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(Convolutional neural networks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(Deep BeliefNets，简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行成苗率监控的技术。

发明内容

为克服现有技术的不足，本发明提出一种基于深度学习卷积神经网络的农作物成熟度监控方法。

本发明的技术方案是这样实现的：

一种基于深度学习卷积神经网络的农作物成熟度监控方法，包括步骤

S1：从接近生长成熟的农作物照片中分离出单个农作物植株的穗或者不同成熟度的植株群体轮廓，利用计算机视觉算法，计算单个农作物植株穗或者不同成熟度的植株群体轮廓；

S2：对分离后的各农作物植株穗以其轮廓照片进行成熟程度分类；或者不分离单个穗，直接利用不同成熟度的植株群体轮廓照片进行成熟程度分类；

S3：使用所述轮廓照片对深度卷积神经网络进行训练；

S4：使用验证照片对所述深度卷积神经网络进行验证；

S5：将监控地块进行分割和标记，并使用无人机拍摄所需监控地块照片；

S6：使用所述深度卷积神经网络对所需监控地块内的农作物植株穗或者植株群体轮廓的成熟程度进行分类统计，判断农作物的整体成熟度。

进一步地，所述步骤S1包括步骤

S11：利用机器学习判断农作物植株轮廓是否为单一植株的穗；

S12：如果是单一植株的穗，利用轮廓切割图像输出植株穗的图片；如果是连在一起的植株，利用图像分割算法分离粘连的植株。

S13：如果单穗难以分离，则不须分离单个穗，直接利用不同成熟度的植株群体轮廓照片进行成熟程度分类。

进一步地，所述步骤S5包括步骤：将各地块照片中的农作物植株的穗按照其成熟程度种类进行分类，并分别统计。