【技术实现步骤摘要】
水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质
本专利技术涉及一种水稻秧苗及苗期杂草图像语义分割方法，尤其是一种水稻秧苗及苗期杂草图像语义分割方法、系统、计算机设备和存储介质，属于图像处理与深度学习
技术介绍
农药的精准喷施可在不影响杂草防控效果的前提下，有效节约40～60％的农药用量。水稻秧苗及苗期杂草识别是除草剂喷施对象和药品种类选择的依据，是稻田杂草精确防控管理的基础，因此，如何快速准确进行水稻秧苗及苗期杂草自动识别具有重要意义。由于在以往水稻秧苗及苗期杂草识别过程中，往往依靠手工设计特征，需要丰富的专业知识并且花费大量的时间。特征的好坏在很大程度上还要依靠经验和运气，往往整个算法的测试和调节工作都集中于此，需要手工完成，十分费力。与之相比，近年来受到广泛关注的深度学习理论中的一个重要观点就是手设计的特征描述子作为视觉计算的第一步，往往过早地丢失掉有用信息，而直接从图像中学习到与任务相关的特征表示，比手工设计特征更加有效。申请号为201710102806.5的中国专利技术专利申请公开了一种基于深度堆叠网络的杂草图像识别方法。该基于深度堆叠网络...
【技术保护点】
1.一种水稻秧苗及苗期杂草图像语义分割方法，其特征在于，所述方法包括：获取水稻秧苗及苗期杂草的彩色样本图像；生成与彩色样本图像对应的标签样本图像；其中，所述标签样本图像带有水稻秧苗、苗期杂草和背景对应的像素种类标签；将彩色样本图像及其对应的标签样本图像分为训练样本和测试样本；对所有样本进行预处理和数据扩增，形成训练数据集和测试数据集；通过训练数据集训练全卷积神经网络，构建基于全卷积神经网络的水稻秧苗及苗期杂草图像语义分割模型；利用水稻秧苗及苗期杂草图像语义分割模型对待分割水稻秧苗及苗期杂草的彩色图像的像素进行分类，输出水稻秧苗及苗期杂草分割图像，实现水稻秧苗及苗期杂草图像的语义分割。
【技术特征摘要】
1.一种水稻秧苗及苗期杂草图像语义分割方法，其特征在于，所述方法包括：获取水稻秧苗及苗期杂草的彩色样本图像；生成与彩色样本图像对应的标签样本图像；其中，所述标签样本图像带有水稻秧苗、苗期杂草和背景对应的像素种类标签；将彩色样本图像及其对应的标签样本图像分为训练样本和测试样本；对所有样本进行预处理和数据扩增，形成训练数据集和测试数据集；通过训练数据集训练全卷积神经网络，构建基于全卷积神经网络的水稻秧苗及苗期杂草图像语义分割模型；利用水稻秧苗及苗期杂草图像语义分割模型对待分割水稻秧苗及苗期杂草的彩色图像的像素进行分类，输出水稻秧苗及苗期杂草分割图像，实现水稻秧苗及苗期杂草图像的语义分割。2.根据权利要求1所述的水稻秧苗及苗期杂草图像语义分割方法，其特征在于，所述对所有样本进行预处理和数据扩增，形成训练数据集和测试数据集，具体包括：将彩色样本图像及其对应的标签样本图像的尺度调整至预设值；通过图像在[-180°,180°]内随机旋转、沿X、Y轴在[-10°,10°]内随机偏移的方法对所述彩色样本图像及其对应的标签样本图像进行扩增；随机将80％的彩色样本图像及其对应的标签样本图像作为训练数据集，剩余20％的彩色样本图像及其对应的标签样本图像样本作为测试数据集。3.根据权利要求2所述的水稻秧苗及苗期杂草图像语义分割方法，其特征在于，所述对所有样本进行预处理和数据扩增，形成训练数据集和测试数据集，还包括：通过对水稻秧苗、苗期杂草和背景像素总数进行计算，加入惩罚权重的方法使像素种类达到平衡。4.根据权利要求1-3任一项所述的水稻秧苗及苗期杂草图像语义分割方法，其特征在于，所述水稻秧苗及苗期杂草图像语义分割模型包括基于SegNet的编码器-解码器结构和像素分类网络；所述基于SegNet的编码器-解码器结构的构建过程为：编码器由VGG16的前十三层卷积网络构成，其中有多个编码单元，通过卷积提取特征，使每个编码单元对应一个解码单元，多个解码单元构成的解码器使用反卷积和上采样，以填充在池化过程中缺失的内容；所述像素分类网络的构建过程为：在基于SegNet的编码器-解码器结构中的最后一个卷积层输出水稻秧苗、苗期杂草和背景对应的像素种类，基于SegNet的编码器-解码器结构最后加上一个softmax分类器层为每个像素产生类概率，完成图像像素级别的分类。5.根据权利要求4所述的水稻秧苗及苗期杂草图像语义分割方法，其特征在于，所述编码器-...
【专利技术属性】
技术研发人员：蒋郁，邓向武，齐龙，马旭，郑文汉，龚浩，邓若玲，刘闯，陶明，李秀昊，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。