[发明专利]一种基于深度卷积神经网络的烟草植株识别方法

说明书

技术领域

本发明涉及烟草种植技术领域，特别是涉及一种基于深度卷积神经网络的烟草植株识别方法。

背景技术

烟草是我国重要的经济作物，我国的烟草总产量占全世界的41.5％。为了对烟草的种植进行宏观调控和管理，需要对种植的烟草产量进行准确的估算。

传统的估算方法是通过专业的烟草技术人员到烟草种植现场测量烟草种植面积或者清点烟草的株数来估计，这些方法效率低，准确率低，数据可靠性差。为了提高对烟草植株的数量的测量准确率，烟草技术人员使用无人机航拍技术对烟草植株的数量进行测量，即通过无人机中搭载的传感器采集烟草种植环境中的图像，对图像进行分析，从而识别烟草植株并且计数。

上述通过无人机航拍技术得到的图像中，由于烟草种植环境比较复杂，导致图像中会有各种各样的植物，同时烟草植株与植株之间有相互交叉在一起，使得在进行图像识别时，会丢失原始图像中烟草植株的信息，从而影响烟草植株的识别效果，导致准确率低。

发明内容

基于此，本发明的目的是提供一种基于深度卷积神经网络的烟草植株识别方法，以提高烟草植株的识别准确率。

一种基于深度卷积神经网络的烟草植株识别方法，所述方法包括：

整理无人机拍摄烟草植株的原始图像，并建立所述原始图像的图像库；

对所述图像库中的所述原始图像进行预处理，并将预处理后的所述原始图像分为训练样本和测试样本；

将所述训练样本用于深度卷积神经网络的训练，并确定所述深度卷积神经网络中的学习参数；

将所述测试样本输送到训练好的所述深度卷积神经网络中进行识别测试，并将识别结果标记在所述测试样本中的所述原始图像中。

上述基于深度卷积神经网络的烟草植株识别方法中，所述将所述训练样本用于深度卷积神经网络的训练，并确定所述深度卷积神经网络中的学习参数的步骤，具体包括：

建立所述深度卷积神经网络的结构，并在建立后的所述深度卷积神经网络中训练所述训练样本；

确定建立后的所述深度卷积神经网络的学习参数。

上述基于深度卷积神经网络的烟草植株识别方法中，所述建立所述深度卷积神经网络的结构，并在建立后的所述深度卷积神经网络中训练所述训练样本的步骤中，所述建立所述深度卷积神经网络的结构具体包括：

确定所述深度卷积神经网络的卷积层的层数、每卷积层的特征图数，全连接层的层数、每全连接层的特征图数，池化层的层数，卷积层所用的卷积核的大小，池化层所用的采样核的大小，以及训练步长。

上述基于深度卷积神经网络的烟草植株识别方法中，所述确定建立后的所述深度卷积神经网络的学习参数的步骤，具体为：

通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数，所述价值函数表示为

其中，ω是所述深度卷积神经网络的参数，n是所述训练样本的数量，x_i是第i个所述训练样本的特征向量，y_i是第i个所述训练样本的标签，f(·)为激励函数，L(·)为损失函数。

上述基于深度卷积神经网络的烟草植株识别方法中，所述通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数的步骤，具体包括：

采用随机梯度下降法降低所述价值函数的函数值；

学习建立后的所述深度卷积神经网络的参数。

上述基于深度卷积神经网络的烟草植株识别方法中，所述随机梯度下降法是指在每一次迭代中只使用一部分所述训练样本(x_i，y_i)进行学习参数和更新，每一代的学习参数和更新可表示为

其中，t表示迭代的次数，α表示学习速率；表示价值函数的偏微分。

上述基于深度卷积神经网络的烟草植株识别方法中，所述迭代的次数t的取值范围为：[5000,+∞]；所述学习速率α的取值范围为：[0.0005,0.01]。

上述基于深度卷积神经网络的烟草植株识别方法中，当采用所述随机梯度下降法进行每一次迭代时，所述深度卷积神经网络的参数不断地向局部最优收敛。

上述基于深度卷积神经网络的烟草植株识别方法中，所述对所述图像库中的所述原始图像进行预处理，并将预处理后的所述原始图像分为训练样本和测试样本的步骤，具体包括：

将所述图像库中的所述原始图像从RGB空间转换到Lab空间，并提取所述Lab空间中的b通道图像；