[发明专利]一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法

说明书

本发明公开一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，包括以下步骤，(1)无人机进行水稻田的图像拍摄采集，并传输至地面站；(2)地面站对图片样本进行预处理和语义标注，形成标签图片；(3)将标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，得到杂草识别模型；(4)将杂草识别模型移植至边缘计算嵌入式硬件中；(5)无人机进行水稻田的图像拍摄采集，通过杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；(6)将实时获取的杂草识别结果和杂草密度统计结果发送至地面站。本发明实现对水稻田的杂草密度的实时统计，具有效率高，识别准确的优点，有利于实现水稻田的变量施药和精准施药。

技术领域

本发明涉及一种水稻农田杂草分析方法，具体涉及一种水稻田杂草密度实时统计方法。

背景技术

水稻田间杂草对水稻生长带来极大的危害，杂草与水稻争夺养分、水分以及光线等，影响水稻生长，降低水稻粮食的质量和产量。为了预防或防治田间杂草，常用的方法是对整个作业区域进行覆盖式的均匀喷洒除草，这不可避免地会造成农药的过量施用，还会造成杂草耐药性增强、浪费农药和环境污染等问题。在喷施农药时，如果能够快速实时地对水稻田块的杂草分布密度进行划分区域统计，得出各个区域的杂草密度信息和草害等级，形成整个田块的杂草密度分布图，这有利于实现变量施药和精准施药，有效降低农药用量及喷施作业效率。

目前对水稻田间杂草分布密度进行调查统计的方法主要有人工抽样调查和遥感光谱检测等。显然地，人工调查方法只能局限于有限的范围和有限的统计方式，不仅成本高、效率低，而且通过估算的方式统计田间杂草密度，结果存在差异性和不准确性，不适用于多田块、大范围的杂草密度调查。光谱检测方法虽然能应用在大范围的杂草分布统计，但是由于数据处理流程复杂，得到的农田光谱数据并不能立刻转化为杂草的分布密度信息，缺乏实时检测的性能；同时基于遥感光谱技术的杂草识别分析方法对采集数据的光学设备要求较高，且设备成本较高，不利于维护且实用性低，大多数研究仅限于实验室研究，并不利于实际农田杂草密度检测技术的推广。

发明内容

本发明目的在于克服现有技术的不足，提供一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，该方法实现对水稻田的杂草密度实时统计，具有效率高，识别准确，且实时输出统计结果的优点，以便实现水稻田的变量施药和精准施药。

本发明的目的通过以下技术方案实现：

一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，包括以下步骤：

(1)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务进行水稻田的图像拍摄采集，并通过无线通信传输模块将所采集的图片样本传输至地面站；

(2)地面站对所述图片样本进行预处理，并对预处理后的图片样本进行语义标注，形成标签图片；

(3)将步骤(2)中的标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，并对改进BiSeNetV2分割网络进行参数调整，得到杂草识别模型；

(4)将所述杂草识别模型进行量化冻结生成PB文件，并移植至边缘计算嵌入式硬件中，边缘计算嵌入式硬件对杂草识别模型进行优化加速；

(5)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务对待测水稻田进行图像拍摄采集，通过所述杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；

(6)最后通过无线通信传输模块，将实时获取的杂草识别结果和杂草密度统计结果发送至地面站；同时，返回步骤(5)，无人机继续进行下一航线任务的飞行作业。

本发明的一个优选方案，在步骤(2)中，对图片样本进行预处理，包括对图片样本进行旋转、翻转以及饱和度和对比度的改变；所述语义标注利用labelme进行。