[发明专利]基于深度学习图像分割的作物行检测方法及装置

说明书

本发明提供一种基于深度学习图像分割的作物行检测方法及装置，该方法包括：获取农田作物图像；将所述农田作物图像输入训练后的卷积网络模型，输出图像分割结果的二值图像；对所述卷积网络模型提取的高维度特征向量进行空间聚类，得到不同作物行实例；根据所述二值图像和所述不同作物行实例进行作物行拟合，得到作物行曲线；其中，所述卷积网络模型，根据已知作物行结果的农田作物图像训练后得到。该方法通过卷积神经网络模型得到二值化分割结果和像素级高维度向量表示，通过融合二者信息获取作物行特征，随后使用聚类算法和曲线拟合算法对作物行线进行拟合描绘，有效提高作物行识别速度和精确度。

技术领域

本发明涉及深度学习和图像分割技术领域，尤其涉及一种基于深度学习图像分割的作物行检测方法及装置。

背景技术

在智能农业和精准农业的倡导和发展下，作物行精准高效的检测为机械化农业生产活动提供了基础，为农田作业机械提供直接、辅助导航，作业机械精准施用化肥、药物和除草提供指导，精准智能化作业实施减少了农田化肥浪费和农药过量投放，保护生态环境。同时降低劳动力投入强度、生产成本，提高资源利用率，进一步提升农田经济效益。

当前的作物行识别主要基于车载和无人机两种平台搭载视觉传感器设备，主要流程为：人工提取作物行颜色、纹理等图像特征，或者高程、深度等三维信息特征，针对一定的环境适宜条件，选取特定阈值范围进行目标识别，裁剪感兴趣区域并提取作物行特征点，最后进行特征点的拟合，描绘作物行线。常见的作物行特征提取方法，有基于RGB、HSV等不同颜色空间提出各种绿色特征描述算子，结合图像二值化、阈值分割等确定作物行阈值范围，分割目标区域。作物行线拟合方法，主要基于Hough空间变换、最小二乘法及其改进方法。Hough变换方法具有抗干扰能力强，受噪声影响较小的优点，在一定杂草密度下也能够实现检测，但算法所需存储空间大，时间复杂度较高，不能满足实时精准的农田作业；最小二乘法可以实现快速测量，但受噪声干扰大。

由此可知，传统作物行检测方法依靠人工提取颜色、纹理、三维特征，根据特定作业环境需要调整目标分割阈值范围，才能达到较好效果。实际农田环境复杂多变，作物行所处不同光照条件、不同的生长阶段、不同杂草密度及由于地形起伏或作业机械抖动引起作物行不同程度弯曲，使得传统方法阈值分割范围难以适应多个场景，鲁棒性较差。

发明内容

针对现有技术存在的问题，本发明提供一种基于深度学习图像分割的作物行检测方法及装置。

本发明提供一种基于深度学习图像分割的作物行检测方法，包括：获取农田作物图像；将所述农田作物图像输入训练后的卷积网络模型，输出图像分割结果的二值图像；对所述卷积网络模型提取的高维度特征向量进行空间聚类，得到不同作物行实例；根据所述二值图像和所述不同作物行实例进行作物行拟合，得到作物行曲线；其中，所述卷积网络模型，根据已知作物行结果的农田作物图像训练后得到。

根据本发明一个实施例的基于深度学习图像分割的作物行检测方法，将农田作物图像输入训练后的卷积网络模型之前，还包括：获取不同生长阶段、不同杂草密度、不同弯曲程度的农田作物图像，并对作物行进行标注作为训练样本；基于多个训练样本，对构建的改进型BiSeNet V2网络模型进行训练，得到所述训练后的卷积网络模型；其中，所述改进型BiSeNet V2网络模型，是在BiSeNet V2网络的聚合层和seg Head层之间加入SCNN网络层得到。

根据本发明一个实施例的基于深度学习图像分割的作物行检测方法，所述基于多个训练样本，对构建的卷积网络模型进行训练，包括：通过梯度下降和反向传播，对构建的卷积网络模型进行训练。

根据本发明一个实施例的基于深度学习图像分割的作物行检测方法，所述对所述卷积网络模型提取的高维度特征向量进行空间聚类的聚类方法包括：Mean Shift聚类或DBSCAN聚类。

根据本发明一个实施例的基于深度学习图像分割的作物行检测方法，所述获取农田作物图像，包括：通过农业作业机械平台搭载视觉传感器获取农田作物图像。