[发明专利]一种基于图像分割和全卷积神经网络的田间稻穗计数方法

权利要求书

1.一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，包括：

S1.数据采集：利用照相设备拍摄稻田，拍摄时设置固定拍摄范围的取景框，拍摄若干张抽穗期的水稻照片；

S2.图像预处理：裁剪水稻照片，保留取景框内的部分；

S3.创建数据集：对水稻照片进行点标注，生成包含训练集、验证集和测试集的点标注数据集；

S4.水稻计数：利用LC-FCN模型对水稻进行计数：

所述步骤S4包括：

S41.构建LC-FCN模型，并输入水稻照片；

S42.LC-FCN模型中的残差网络对水稻照片进行水稻的语义分割，得到特征图；

S43.对特征图进行上采样，获得与原水稻照片大小一致的输出图片；

S44.根据LC-FCN模型的定位损失获取输出图片中每个像素点属于水稻类别的概率；

S45.输出图片中，若像素点属于水稻类别的概率大于阈值，则将该像素点置1，否则将该像素点置0，得到水稻的二进制掩码；

S46.查找水稻类别的连通域个数，其结果为稻穗的预测数量。

2.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S1中采集的水稻照片包括不同品种水稻在抽穗期的照片。

3.根据权利要求1或2所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S1中采集的水稻照片包括水稻在抽穗期不同生长期的照片。

4.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述取景框的颜色采用除水稻颜色以外的任意颜色。

5.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S2包括：

S21.获取水稻照片的中心；

S22.从水稻照片的中心向上下左右四个方向分别偏移若干像素点，得到四个偏移点；

S23.经过上下方向偏移的偏移点水平延伸作水平线，左右方向偏移的偏移点垂直延伸作垂直线，延伸所得四条直线与水稻照片的边界相交；

S24.在步骤S23得到的四条线上，由四个偏移点出发向两侧沿直线探索，直到探索到取景框的颜色时，将探索到取景框时的探索点作为临界点，每个偏移点对应得到两个临界点；

S25.将位于同一方向的两个临界点相连作直线，得到的四条直线两两相交得到四个交点；

S26.将四个交点带入OpenCV函数，进行拉伸得到取景框内的照片。

6.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S2中，在对水稻照片进行裁剪后，将水稻照片的尺寸调整为原照片的20％-35％。

7.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S3包括：

S31.使用Labelme注释工具对水稻照片进行点标注，每张水稻照片中每一株稻穗的中心标注为一个稻穗中心点，其余像素则全部标注为背景区域，稻穗中心点的颜色与背景区域的颜色不同，生成PNG格式的点标注标签文件；

S32.按预设比例随机分配生成包含训练集、验证集和测试集的点标注数据集。

8.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于：所述步骤S4中，首先将训练集中的任一张图片作为输入，按照步骤S41～S46进行处理，并在每次处理过程中，使得稻穗的预测数目等于该图片中标注的稻穗中心点数目，在每一张图片输入时重复上述过程，从而实现对LC-FCN模型的训练；

然后利用验证集中的图片作为输入，按照步骤S41～S46得到预测结果，与验证集中对应图片标注的稻穗中心点数目进行比较，并根据比较结果对LC-FCN模型进行调参；

最后将测试集中的图片作为输入，按照步骤S41～S46得到预测结果，与测试集中对应图片标注的稻穗中心点数目进行比较，评估模型的预测准确性。