【技术实现步骤摘要】
一种多草工况下田间作物的识别方法
本申请涉及图像处理
,特别是涉及一种多草工况下田间作物的识别方法。
技术介绍
除草机器人由于具备感知、决策和精确控制等功能,能够在不伤害作物的前提下,清除作物周边的杂草,实现更加高效、安全、环保的除草作业,对减少除草剂施放量,提高农作物产量和品质具有重要意义。现有的除草机器人所使用的作物识别技术可划分为两大类:(1)基于人工设计特征的作物识别技术。这类技术通常利用作物和杂草在颜色、光谱、位置、形状、纹理、大小、高度等方面的差异对其进行分类,通过人工选取特征和分类器,将作物与土壤、杂草区分开。由于作物、杂草种类多样,这类技术通常对环境和苗草种类变化的适应性欠佳;(2)随着深度学习技术的兴起,基于深度卷积神经网络的作物识别方法因其无需手工设计特征的便利性,以及良好的鲁棒性和泛化能力等优势,已经成为当前的研究热点和主流趋势。
技术实现思路
本申请主要解决的技术问题是提供一种多草工况下田间作物的识别方法,能够将作物从多草环境中识别出来。为解决上述技术问题,本申请采用的一个技术方案是:提供一种多草工况下田间作物的识别方法,所述识别方法包括:将田间图像数据集中的训练集图像和验证集图像输入到视觉注意模型中,以获得第一预测结果图像;其中,所述田间图像数据集为多草工况下田间作物的成像的集合;根据所述训练集图像、所述验证集图像对应的标签图像和所述视觉注意模型的所述第一预测结果图像,以及所述视觉注意模型中的损失函数计算损失值;若当前所述损失值处于收敛状态,停止对所述视觉注意模型进行训练,以获得训练后的视觉注意模型;否则,利用反向传播算法调节所 ...
【技术保护点】
1.一种多草工况下田间作物的识别方法,其特征在于,所述识别方法包括:将田间图像数据集中的训练集图像和验证集图像输入到视觉注意模型中,以获得第一预测结果图像;其中,所述田间图像数据集为多草工况下田间作物的成像的集合;根据所述训练集图像、所述验证集图像对应的标签图像和所述视觉注意模型的所述第一预测结果图像,以及所述视觉注意模型中的损失函数计算损失值;若当前所述损失值处于收敛状态,停止对所述视觉注意模型进行训练,以获得训练后的视觉注意模型;否则,利用反向传播算法调节所述视觉注意模型中的权重,并对所述视觉注意模型继续进行训练,直到所述损失值达到收敛状态;将所述田间图像数据集中的测试集图像输入到训练后的所述视觉注意模型中,以获得第二预测结果图像;判断所述第二预测结果图像是否符合预期;若是,则将训练后的视觉注意模型移植到机器上,以使得机器作业时识别作物;否则,调整视觉注意模型中的超参数,并返回至将田间图像数据集中的训练集图像和验证集图像输入到视觉注意模型中的步骤。
【技术特征摘要】
1.一种多草工况下田间作物的识别方法,其特征在于,所述识别方法包括:将田间图像数据集中的训练集图像和验证集图像输入到视觉注意模型中,以获得第一预测结果图像;其中,所述田间图像数据集为多草工况下田间作物的成像的集合;根据所述训练集图像、所述验证集图像对应的标签图像和所述视觉注意模型的所述第一预测结果图像,以及所述视觉注意模型中的损失函数计算损失值;若当前所述损失值处于收敛状态,停止对所述视觉注意模型进行训练,以获得训练后的视觉注意模型;否则,利用反向传播算法调节所述视觉注意模型中的权重,并对所述视觉注意模型继续进行训练,直到所述损失值达到收敛状态;将所述田间图像数据集中的测试集图像输入到训练后的所述视觉注意模型中,以获得第二预测结果图像;判断所述第二预测结果图像是否符合预期;若是,则将训练后的视觉注意模型移植到机器上,以使得机器作业时识别作物;否则,调整视觉注意模型中的超参数,并返回至将田间图像数据集中的训练集图像和验证集图像输入到视觉注意模型中的步骤。2.根据权利要求1所述的识别方法,其特征在于,所述视觉注意模型结构包括主干网络和多个支路网络。所述主干网络依次包括第一卷积层、第一残差单元、第二残差单元、第三残差单元和第四残差单元;且所述第一残差单元与所述第一卷积层之间具有池化层;所述第一卷积层、所述第一残差单元、所述第二残差单元、所述第三残差单元和所述第四残差单元的输出端分别与第一支路网络、第二支路网络、第三支路网络、第四支路网络、第五支路网络连接。3.根据权利要求2所述的识别方法,其特征在于,所述第一残差单元或所述第二残差单元所述第三残差单元或所述第四残差单元依次包括:输入端、批归一化层、ReLU激活层、第二卷积层、批归一化层、ReLU激活层、第三卷积层、输出端,且所述输入端与所述输出端之间有一条旁路连接。4.根据权利要求2所述的识别方法,其特征在于,所述将田间图像数据集中的训练集图像输入到视觉注意模型中,以获得第一预测结果图像,包括:所述训练集图像经所述主干网络和多个所述支路网络处理后,在各支路网络输出端获得对应的第一支路预测结果图像、第二支路预测结果图像、第三支路预测结果图像、第四支路预测结果图像、第五支路预测结果图像;将所述第一支路预测结果图像、所述第二支路预测结果图像、所述第三支路预测结果图像、所述第四支路预测结果图像、所述第五支路预测结果图像融合后输出,以获得所述视觉注意模型的所述第一预测结果图像。5.根据权利要求4所述的识别方法,其特征在于,各支路网络前端具有连续的卷积结构,所述连续卷积结构依次包括:ReLU激活层、支路第一卷积层、ReLU激活层、支路第二卷积层、ReLU激活层、支路第三卷积层,在所述连续卷积结构之后,各支路网络之间具有跨支路连接结构。6.根据权利要求5所述的识别方法,所述经多个所述支路网络处理包括:各支路网络上的所述连续卷积结构分别输出第一支路特征图、第二支路特征图、第三支路特征图、第四支路特征图、第五支路特征图;将所述第五支路特征图通过反卷积上采样以形成与所述第三支路特征图、第二支路特征图、第一支路特征图尺寸分别相同的第一反卷积特征图、第二反卷积特征图和第三反卷积特征图;将所述第四支路特征图通过反卷积上采样以形成与所述第三支路特征图、第二支路特征图、第一支路特征图尺寸分别相同的第四反卷积特征图、第五反卷积特征图和第六反卷积特征图;将所述第三支路特征图和所述第二支路特征图分别通过反卷积上采样以形成与所述第一支路特征图尺寸相同的第七反卷积特征图和第八反卷积特征图;将所述第一反...
【专利技术属性】
技术研发人员:李南,张晓光,吴新宇,李柏翰,夏轩,何勇,陈春杰,马跃,
申请(专利权)人:中国科学院深圳先进技术研究院,
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。