基于深度学习的单株水稻检测定位方法、系统、设备及介质技术方案

本发明专利技术公开了一种基于深度学习的单株水稻检测定位方法、系统、设备及介质，所述方法包括：获取大田水稻样本图像数据；对大田水稻样本图像数据进行预处理和标注，得到预处理图像数据；建立深度卷积神经网络检测模型；使用预处理图像数据对深度卷积神经网络检测模型进行优化训练；利用训练后的深度卷积神经网络检测模型对大田水稻待测图像的单株水稻进行检测定位。本发明专利技术采用计算机视觉中基于深度学习的检测方法，可以大大改善上述现有技术的缺陷，通过设计深度卷积神经网络模型，提取植株高维度空间语义特征，在复杂的环境下依然有很好的定位精度和鲁棒性，能够广泛应用于农业的自动化、智能化生产管理中。

Detection and location method, system, equipment and media of single rice plant based on in-depth learning

The invention discloses a method, system, equipment and medium for detecting and locating individual rice plant based on in-depth learning, which includes: acquiring image data of rice sample in field; preprocessing and labeling image data of rice sample in field to obtain pre-processed image data; establishing detection model of deep convolution neural network; and using pre-processed image data to detect deep convolution neural network. The network detection model is optimized for training, and the depth convolution neural network detection model after training is used to detect and locate the individual rice plant in the rice image to be tested in the field. The method based on deep learning in computer vision can greatly improve the defects of the existing technology. By designing a deep convolution neural network model, the spatial semantics of plant height dimension can be extracted. It still has good positioning accuracy and robustness in complex environment, and can be widely used in agricultural automation and intelligent production management.

【技术实现步骤摘要】
基于深度学习的单株水稻检测定位方法、系统、设备及介质
本专利技术涉及一种检测定位方法，尤其是一种基于深度学习的单株水稻检测定位方法、系统、设备及介质，属于计算机视觉的目标检测领域。
技术介绍
水稻是世界上主要的粮食作物之一，20世界末世界水稻种植面积达1.54亿hm2。我国产量占粮食总产量的40％，水稻生产担负着确保我国粮食安全的重大责任。减少投入产出比，增加水稻种植的经济效益显得尤为重要。杂草作为导致水稻减产的主要原因之一，与农作物竞争水分、养分、阳光等资源，使得水稻减产严重。另一方面，对水稻进行精准灌溉、施肥或者喷施农药等机械化作业，可以提高农资利用率和有效率，减少生产资料的浪费和因此带来的环境污染，保护生态水资源、空气以及土壤。因此，实现智能化农业作业控制和管理显得尤为重要，其中通过智能化水稻精准定位技术，实现机械智能化除草、智能化精细喷施农业药肥等，进而实现提高水稻单产、提升农业生产精细化和自动化水平，推动我国农业可持续发展。近年来，精准定位技术在农业领域中得到了广泛的研究和应用，主要有智能机械除草、机械自主导航、药肥精准喷施和农产品自动采摘等。国外研究现状，2011年，XuewenWu等提出了一种基于位置和边缘特征的水稻检测方法，利用绿色植物与土壤背景的色差将植物分割出来，利用像素直方图来确定作物中心，作物边缘为终点填充作物面积实现检测，＝该方法难以用于水田环境中。2015年，Kazmi等利用颜色和边缘特征进行融合提出一种新的局部特征进行杂草分割，结合支持向量机SVM分类器完成对水稻的检测，但该方法受自然环境中复杂光照影响因素较大。国内研究现状，2015年，廉宁通过对田间拍摄图像进行灰度化、二值化、去噪等预处理操作，分析出最适合区分杂草和作物的方法，在图像边缘检测的基础上提出了基于模糊增强作物图像轮廓提取算法来定位。2017年，蒋郁等提出了茎基部分区分边缘拟合的方法来进行植株定位，解决了水稻除草期因为水稻冠层接连造成的定位不准确问题。但该方法鲁棒性较差，对于形态各异的水稻和反光的积水土壤定位效果较差。综上所述，国内外专家研究的方法大多基于作物的颜色、形状、纹理等低维度特征进行检测定位，也有少数结合人工设计的特征来进行检测定位。这些方法通常容易受到复杂光照背景、植株互相遮挡、犬牙交错的冠层等因素影响而不能达到要求的定位精度，甚至发生错误定位。
技术实现思路
鉴于此，本专利技术提供了一种基于深度学习的单株水稻检测定位方法、系统、设备及介质，其采用计算机视觉中基于深度学习的检测方法，可以大大改善上述现有技术的缺陷，通过设计深度卷积神经网络模型，提取植株高维度空间语义特征，在复杂的环境下依然有很好的定位精度和鲁棒性，能够广泛应用于农业的自动化、智能化生产管理中。本专利技术的第一个目的在于提供一种基于深度学习的单株水稻检测定位方法。本专利技术的第二个目的在于提供一种基于深度学习的单株水稻检测定位系统。本专利技术的第三个目的在于提供一种计算机设备。本专利技术的第四个目的在于提供一种存储介质。本专利技术的第一个目的可以通过采取如下技术方案达到：一种基于深度学习的单株水稻检测定位方法，所述方法包括：获取大田水稻样本图像数据；对大田水稻样本图像数据进行预处理和标注，得到预处理图像数据；建立深度卷积神经网络检测模型；使用预处理图像数据对深度卷积神经网络检测模型进行优化训练；利用训练后的深度卷积神经网络检测模型对大田水稻待测图像的单株水稻进行检测定位。进一步的，所述对大田水稻样本图像数据进行预处理和标注，具体包括：清洗大田水稻样本图像数据，弃用没有水稻示例或者人的视觉辨识稻株困难的图像数据；根据拟定的标准对清洗后的大田水稻样本图像数据进行标注；其中，所述拟定的标准为：以植株茎基中心为圆心，定义半径为γ的茎基圆形区域A1，圆A2是半径两倍于圆A1的同心圆，取圆A2的外接正方形作为单株水稻示例的检测真实标签。进一步的，所述建立深度卷积神经网络检测模型，具体包括：将经过缩放操作后的预处理图像输入提取图像特征信息子网络，通过提取图像特征信息子网络输出该图像的深度卷积高维空间特征信息图；将提取图像特征信息子网络输出的特征信息图输入候选区域提取子网络，通过候选区域提取子网络输出R个高质量的可能包含水稻的候选区域；将提取图像特征信息子网络输出的特征信息图，以及候选区域提取子网络输出的候选区域输入检测定位子网络，通过检测定位子网络输出特征信息图中检测定位水稻所在位置。进一步的，所述缩放操作包括：对预处理图像进行长短边等比例缩放，使得预处理图像的短边小于或等于第一预设像素值，并且长边小于或等于第二预设像素值。进一步的，所述候选区域提取子网络的顶端为一个卷积层，卷积层之后接上两个卷积层分支，两个卷积层分支分别用于候选区域的分类和回归；所述通过候选区域提取子网络输出R个高质量的可能包含水稻的候选区域，具体为：通过卷积层在提取图像特征信息子网络输出的特征信息图上，进行逐点滑动卷积，并在每个滑动中心处生成K个候选区域，K个候选区域送入两个卷积层分支，用于候选区域分类的卷积层分支输出通道数为K×2，表示对候选区域分类为前景和背景的二分类得分，用于候选区域回归的卷积层分支输出通道数为K×4，表示对K个候选区域边界框的四个修正量；对用于候选区域分类的卷积层分支中划为前景类得分较高的前T个候选区域进行非极大值抑制去除冗余候选区域，输出较少的R(R＜T)个高质量的可能包含水稻的候选区域；其中，生成K个候选区域，包括：根据特征信息图的宽度W和高度H，在经过缩放操作后的输入图像的行、列上每间隔D个像素设置一个锚点，总共W×H个锚点，每个锚点为中心生成K个候选区域，K个候选区域按面积大小不同分为U组，每组的各个候选区域面积大小相同，所有锚点总共生成W×H×K个候选区域。进一步的，所述检测定位子网络的顶端为一个输出固定大小特征信息图的池化层，在池化层之后顺序堆叠多个卷积层/全连接层，用于进一步提取R个候选区域特征信息，在多个卷积层/全连接层之后接上两个卷积层/全连接层分支，两个卷积层/全连接层分支分别用于候选区域的分类和回归；所述通过检测定位子网络输出特征信息图中检测定位水稻所在位置，具体为：进一步提取R个候选区域特征信息，用于候选区域分类的卷积层/全连接层分支输出通道数为2，表示对候选区域分类为水稻和背景的得分，用于候选区域回归的卷积层/全连接层分支输出通道数为4×2，表示对水稻和背景两类候选区域边界框各自的四个回归修正量；对属于水稻类别得分的所有候选区域进行非极大值抑制去除冗余后，输出最终的检测定位水稻候选区域。进一步的，所述使用预处理图像数据对深度卷积神经网络检测模型进行优化训练，具体为：从预处理图像数据训练集中，每次迭代随机抽取多个预处理图像数据构成一个批次进行整个深度卷积神经网络检测模型参数更新，采用反向传播和随机梯度下降算法进行优化训练；其中，所述优化训练过程迭代进行E次，初始学习率设定为lr，每step次迭代训练后学习率降低为原来的十分之一，整个训练过程迭代直至损失函数趋于稳定不下降时，即训练收敛结束。本专利技术的第二个目的可以通过采取如下技术方案达到：一种基于深度学习的单株水稻检测定位系统，所述系统包括：获取模块，用于获取大田水稻样本图像数据；预处理模块，用于对本文档来自技高网...

【技术保护点】
1.一种基于深度学习的单株水稻检测定位方法，其特征在于，所述方法包括：获取大田水稻样本图像数据；对大田水稻样本图像数据进行预处理和标注，得到预处理图像数据；建立深度卷积神经网络检测模型；使用预处理图像数据对深度卷积神经网络检测模型进行优化训练；利用训练后的深度卷积神经网络检测模型对大田水稻待测图像的单株水稻进行检测定位。

【技术特征摘要】
1.一种基于深度学习的单株水稻检测定位方法，其特征在于，所述方法包括：获取大田水稻样本图像数据；对大田水稻样本图像数据进行预处理和标注，得到预处理图像数据；建立深度卷积神经网络检测模型；使用预处理图像数据对深度卷积神经网络检测模型进行优化训练；利用训练后的深度卷积神经网络检测模型对大田水稻待测图像的单株水稻进行检测定位。2.根据权利要求1所述的单株水稻检测定位方法，其特征在于，所述对大田水稻样本图像数据进行预处理和标注，具体包括：清洗大田水稻样本图像数据，弃用没有水稻示例或者人的视觉辨识稻株困难的图像数据；根据拟定的标准对清洗后的大田水稻样本图像数据进行标注；其中，所述拟定的标准为：以植株茎基中心为圆心，定义半径为γ的茎基圆形区域A1，圆A2是半径两倍于圆A1的同心圆，取圆A2的外接正方形作为单株水稻示例的检测真实标签。3.根据权利要求1所述的单株水稻检测定位方法，其特征在于，所述建立深度卷积神经网络检测模型，具体包括：将经过缩放操作后的预处理图像输入提取图像特征信息子网络，通过提取图像特征信息子网络输出该图像的深度卷积高维空间特征信息图；将提取图像特征信息子网络输出的特征信息图输入候选区域提取子网络，通过候选区域提取子网络输出R个高质量的可能包含水稻的候选区域；将提取图像特征信息子网络输出的特征信息图，以及候选区域提取子网络输出的候选区域输入检测定位子网络，通过检测定位子网络输出特征信息图中检测定位水稻所在位置。4.根据权利要求3所述的单株水稻检测定位方法，其特征在于，所述缩放操作包括：对预处理图像进行长短边等比例缩放，使得预处理图像的短边小于或等于第一预设像素值，并且长边小于或等于第二预设像素值。5.根据权利要求3所述的单株水稻检测定位方法，其特征在于，所述候选区域提取子网络的顶端为一个卷积层，卷积层之后接上两个卷积层分支，两个卷积层分支分别用于候选区域的分类和回归；所述通过候选区域提取子网络输出R个高质量的可能包含水稻的候选区域，具体为：通过卷积层在提取图像特征信息子网络输出的特征信息图上，进行逐点滑动卷积，并在每个滑动中心处生成K个候选区域，K个候选区域送入两个卷积层分支，用于候选区域分类的卷积层分支输出通道数为K×2，表示对候选区域分类为前景和背景的二分类得分，用于候选区域回归的卷积层分支输出通道数为K×4，表示对K个候选区域边界框的四个修正量；对用于候选区域分类的卷积层分支中划为前景类得分较高的前T个候选区域进行非极大值抑制去除冗余候选区域，输出较少的R个高质量的可能包含水稻的候选区域...

【专利技术属性】
技术研发人员：黄双萍，伍思航，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44