[发明专利]一种基于深度神经网络的甘蔗幼苗自动识别与计数方法

说明书

本发明涉及一种基于深度神经网络的甘蔗幼苗自动识别与计数方法，包括：数据采集、图像预处理、制作数据集、搭建卷积神经网络结构、模型训练、模型精度评估及选择、对大尺寸航拍检测结果进行拼接与去重，得到对原始航拍图像全图甘蔗苗的检测与计数结果。本发明提出一种基于深度神经网络的甘蔗幼苗自动识别与计数方法，通过深度卷积神经网络对数据的本身特征进行非线性表达，能够从复杂数据中学习到甘蔗幼苗的特征，增强了模型的鲁棒性。

技术领域

本发明属于图像识别技术和农业遥感检测相结合的技术领域，特别是涉及一种基于深度神经网络的甘蔗幼苗自动识别与计数方法。

背景技术

甘蔗的苗数在计算甘蔗出苗率与分蘖率等表型特征中均是必须采集的数据，为了掌握甘蔗幼苗的出苗情况，需要定期对田间蔗苗的分布和数量进行调查。但在实际应用中，目前获取田间作物数据的常规方法很大程度上依然依赖于人工，这在处理田间大规模实地测量时既耗时又繁琐，这些成本的增加也会限制样本的采样规模，数据的稀疏和人工测量的偏差都会影响数据的准确度。人工智能技术的发展与应用为甘蔗育种改良提供了新的思路,尤其是深度学习目标检测技术在作物表型分析中取得了较好的成果，Faster R-CNN作为目标检测中的常用模型之一，已经应用到植物生产的几个方向，常见的应用包括生物量的估计、营养状况诊断、害虫和杂草的检测等。

随着检测技术的快速发展，基于遥感的农情监测能够快速、准确地估算作物的生理指标，已经成为人们研究的焦点。为了快速、无损、准确地追踪田间甘蔗幼苗的出苗情况，需要对田间幼苗进行精准地识别定位，并能够在较短时间内输出计数结果。有了对蔗苗分布和数量等特征的准确了解，育种人员才能有效地管理如精确喷洒、精确除草和监测甘蔗早期生长等过程。航拍图像覆盖范围广，且利用无人机采集冠层数据保证了较高的实时性和效率，是适合在田间对甘蔗幼苗检测的一种方式。通过低空航拍图像检测早期甘蔗的幼苗数可以研究环境因子、土壤特性、栽培方式和不同品种对甘蔗出苗性状的影响并且有助于制定更加合理的施肥等管理方案，然而目前深度学习目标检测技术对低空航拍植物冠层图像检测的报道比较少。

无人机代表了在高分辨率前提下获取图像的一种低成本遥感技术，它能使种植者不断监测作物的生长发育状况，已经有育种研究人员通过无人机的航拍图像来筛选能抵抗生物胁迫和非生物胁迫的性状，并且选择最优化的土壤和水资源管理的方案来加快育种进度。配备传感器的轻型无人机平台可以获得高时空分辨率的图像，加上其执行任务速度快，飞行时间灵活，操作方便，为高通量表型分析提供更加灵活和经济的解决方案，越来越多地应用于田间表型鉴定。Oscar等提出将低分辨率多光谱图像和高分辨率RGB图像融合用来检测水稻出苗后的田间禾本科杂草。Juan Enciso等通过无人机搭载高清RGB相机和多光谱传感器系统用于不同品种番茄的表型性状鉴定，用无人机估算冠层覆盖度和冠层分析仪测得的叶面积指数进行相关性分析，相关系数达到0.72。这些方法在进行作物识别时都需要在无人机上搭载复杂的多光谱传感器，不仅会增加采集图像的成本也会影响航行的时间。并且甘蔗的生长环境更加复杂，采用这些方法不能对每株甘蔗幼苗进行准确识别和定位，也就无法给育种人员提供可靠的评估依据。

卷积神经网络(CNN)是目前应用最广泛的图像识别深度学习方法，目前在农业领域图像数据的各种应用中已经取得很高的性能，涉及植物识别、植物叶片分割与分类、农作物病虫害识别、杂草检测、果实识别、产量估计和农田的作物计数等研究。目前，一些比较前沿的基于深度学习的目标检测算法，如Faster R- CNN，YOLO，SSD等基本都是在传统公开的遥感图像数据集上进行实验的。但由于田间的环境更加复杂，作物的形态结构差异较大，在大田作物航拍图像数据集上使用传统目标检测算法识别的效果不佳。所以，需要单独分析深度学习在作物航拍图像上的目标检测，且目前利用基于深度学习的目标检测在作物航拍图像上取得显著效果的研究并不多。

发明内容