[发明专利]一种农作物叶面识别模型训练方法、识别方法及装置

说明书

本发明提供了一种农作物叶面识别模型训练方法、识别方法及装置，涉及图像处理领域。农作物叶面识别模型训练方法包括：获取训练样本集，训练样本集包括多个训练样本，对每个所述训练样本，分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中，得到识别结果；根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像，判断是否满足预设训练停止条件；若不满足，调整农作物叶面识别模型的模型参数，直至满足预设训练停止条件，得到训练后的农作物叶面识别模型。能够适应农田的复杂环境，通过提高农作物叶面边缘特征的识别精度，实现自动准确识别出目标农作物叶面。

技术领域

本发明涉及图像处理领域，尤其涉及一种农作物叶面识别模型训练方法、识别方法及装置。

背景技术

在农作物生长期间，检测农作物生长状态，识别区分农作物与杂草，是实现分析播种质量、杂草等处理，展开提高农作物质量、产量相关活动的重要基础。

其中，在农作物苗期，农作物的叶面状态是衡量其生长状态的一项重要指标，而且利用叶面也能很容易地区分农作物与杂草。因此，农作物叶面的识别随之变得异常重要。

然而，目前农作物叶面的识别方法通常只能在简单的背景下识别出农作物叶面，对于复杂的大田农作物生长环境，存在农作物叶面识别不准确，农作物叶面识别率低的缺点，这对于实现对整块大田农作物的播种检测、质量评估、产量预测等数据统计分析，无法提供可靠的数据支持。

发明内容

本发明提供一种农作物叶面识别模型训练方法、识别方法及装置，能够适应农田的复杂环境，根据农作物叶面边缘信息，通过提高农作物叶面边缘特征的识别精度，实现自动准确识别出目标农作物叶面。

第一方面，本发明提供一种农作物叶面识别模型训练方法，方法包括：获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括目标农作物图像和目标农作物图像对应的目标农作物标签图像，目标农作物图像和目标农作物标签图像中均包括目标农作物的叶面。

对每个训练样本，分别将目标农作物图像和目标农作物图像对应的目标农作物标签图像输入到农作物叶面识别模型中，得到识别结果；农作物叶面识别模型为包括全连接条件随机场的Unet神经网络模型。

根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像，判断是否满足预设训练停止条件。

若不满足，调整农作物叶面识别模型的模型参数，并利用训练样本集训练调整后的农作物叶面识别模型，直至满足预设训练停止条件，得到训练后的农作物叶面识别模型。

在第一方面的一些可实现方式中，获取训练样本集，包括：获取目标农作物所在多个不同局部区域的多个原始图像。

拼接多个原始图像，获得目标农作物的完整原始图像。

对完整原始图像进行处理，得到目标农作物的正射影像和目标农作物的标签图像。

分别剪裁正射影像和标签图像，得到多个第一正射影像和多个第一标签图像，并将多个第一正射影像作为训练样本中的目标农作物图像，将多个第一标签图像作为训练样本中的目标农作物标签图像。

在第一方面的一些可实现方式中，得到多个第一正射影像和多个第一标签图像之后，还包括：对第一正射影像进行镜像扩充，得到第二正射影像，并将第二正射影像作为目标农作物图像。

在第一方面的一些可实现方式中，根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像，判断是否满足预设训练停止条件，具体包括：

根据各个目标农作物图像的识别结果及目标农作物图像对应的目标农作物标签图像，获取农作物叶面识别模型的损失函数值；

判断损失函数值是否满足预设训练停止条件，预设训练停止条件为损失函数值的变化率在预设范围内。