[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

说明书

本发明公开了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，包括以下步骤：S1.数据采集：利用照相设备拍摄稻田，拍摄时设置用于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。本发明的方法通过卷积神经网络模型完成了水稻的计数，相较于现有的水稻计数方法，提高了计数准确率和计数效率。

技术领域

本发明属于水稻计数领域，特别是涉及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。

背景技术

水稻是最重要的农作物之一。在占世界人口60％以上的亚洲，大米是人们的主要食物。根据中国国家统计局的数据，2019年中国大米总产量将为20961万吨。水稻的产量不仅是农民经济收成的问题，还是关系民生的重大问题。因此，水稻种植管理是农业管理中非常重要的一项。水稻的高产量是种植和生产过程的主要目标，完成稻穗计数是一项重要的任务。精细农业是未来农业发展的重要趋势，其中农业信息化是当前大力倡导的发展方向。实现农业信息化将有助于实现农业管理的智能化，提高农产品产量，取得更大的经济效益。农业信息化在农产品产量的预测中也起着重要作用，有助于实现农产品生产周期的管理。

深度学习方法在多个领域的不同环境中都有广泛使用，且被证明是一种十分高效的方法。当然，它也广泛地应用在各个农业相关领域中。例如，Amara,J.等人使用深度神经网络对香蕉叶病进行检测分类，Potena,C.等人使用深度学习的方法实现了对杂草的快速检测识别，Chen,S.W.等人使用深度学习中的目标检测方法实现了对苹果和橘子的检测并计数。这些深度学习应用在农业上的例子都表明了，深度学习在植物处理的领域具有良好的效果。但是在水稻方向上，使用深度学习来进行处理的例子并不多。

目前的水稻产量估计方法，一是通过田间采样，人工计数的预测方式，这种方式虽然结果相对准确，但是需要大量的人力资源投入，并且不适合大规模水稻生产的产量预估；二是通过传统的机器学习方法，对卫星遥感图像或无人机拍摄的高清图像进行处理，针对彩色图像的颜色特征进行聚类分析，这种方法仅仅利用到水稻不同时期的颜色特征，过程较繁琐且不准确。

在Nguyen Cao Tri的一文中，作者使用无人机与深度学习结合的方式对稻田产量进行了预估。然而此文中，作者等人的评估方式是使用无人机对稻田进行图像采集，对采集的图像进行图像分类，检测水稻分类的精度。针对水稻的产量预估，Nguyen Cao Tri等人先对1m2的水稻进行人工数量的计数，获取大量平均数据后，得到了平均1m2的水稻产量，并将这个平均数据应用计算在整个稻田上。然而这种水稻产量的预估方式并没有对具体的水稻数进行检测，因此也会因为各个土地环境的不同产生不少误差。

发明内容

本发明的目的在于克服现有技术的不足，提供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，提高水稻计数的准确性和计数效率。

本发明的目的是通过以下技术方案来实现的：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，包括以下步骤：

S1.数据采集：利用照相设备拍摄稻田，拍摄时设置用于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。

优选的，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；

优选地，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。

优选的，所述取景框的颜色采用除水稻颜色以外的任意颜色。