一种基于深度学习的稻穗识别方法、系统、装置及介质制造方法及图纸

本发明专利技术涉及一种基于深度学习的稻穗识别方法、系统、装置和介质，方法包括获取农田的多个原始水稻样本图像，并根据所有原始水稻样本图像构建水稻图像数据库；对所有原始水稻样本图像进行处理，得到多个目标水稻样本图像并存储入水稻图像数据库中，从水稻图像数据库中获取目标水稻数据集；基于YOLOv3深度学习方法，对目标水稻数据集进行训练，得到神经网络稻穗识别模型；利用神经网络稻穗识别模型对农田中的待检测稻穗进行识别，得到识别结果。本发明专利技术能够克服农田复杂背景环境的干扰因素，实现稻穗这类小目标的定位和识别，定位和识别效果得到了大大提升，有利于通过稻穗来观察水稻的生长状态，有助于保障水稻产量，促进了智慧农业的发展。

A method, system, device and medium of rice ear recognition based on deep learning

【技术实现步骤摘要】
一种基于深度学习的稻穗识别方法、系统、装置及介质
本专利技术涉及智慧农业和信息化农业
，尤其涉及一种基于深度学习的稻穗识别方法、系统、装置和介质。
技术介绍
水稻是我国最主要的粮食作物，我国水稻种植面积达3000万公顷，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。在保证水稻产量的过程中，实施精准农作是其中最重要的一环。而实施精准农作的前提是实时、准确获取农田信息和水稻生长动态，例如实时获取和观察水稻稻穗的生产状态。随着科技的迅速发展和农业信息化的普及，越来越多的人工智能应用到农业领域中，例如土壤分析、农业灌溉和农药喷洒等。但对于小物体的识别，特别是农田水稻稻穗的识别上，鲜有人应用。对于农田环境，背景十分复杂，有各种杂乱的叶子、光照影响等影响因素，因此，目前传统的目标识别方法无法较好地识别出小目标，对稻穗识别的效果不佳，无法更好地帮助观察水稻的生长状态。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的稻穗识别方法、系统、装置和介质，能够在本文档来自技高网...

【技术保护点】
1.一种基于深度学习的稻穗识别方法，其特征在于，包括以下步骤：/n步骤1：获取农田的多个原始水稻样本图像，并根据所有原始水稻样本图像构建水稻图像数据库；/n步骤2：对所述水稻图像数据库中的所有原始水稻样本图像进行处理，得到多个目标水稻样本图像，将所有目标水稻样本图像存储入所述水稻图像数据库中，并从所述水稻图像数据库中获取目标水稻数据集；/n步骤3：基于YOLOv3深度学习方法，对所述目标水稻数据集进行训练，得到神经网络稻穗识别模型；/n步骤4：利用所述神经网络稻穗识别模型对农田中的待检测稻穗进行识别，得到识别结果。/n

【技术特征摘要】
1.一种基于深度学习的稻穗识别方法，其特征在于，包括以下步骤：
步骤1：获取农田的多个原始水稻样本图像，并根据所有原始水稻样本图像构建水稻图像数据库；
步骤2：对所述水稻图像数据库中的所有原始水稻样本图像进行处理，得到多个目标水稻样本图像，将所有目标水稻样本图像存储入所述水稻图像数据库中，并从所述水稻图像数据库中获取目标水稻数据集；
步骤3：基于YOLOv3深度学习方法，对所述目标水稻数据集进行训练，得到神经网络稻穗识别模型；
步骤4：利用所述神经网络稻穗识别模型对农田中的待检测稻穗进行识别，得到识别结果。


2.根据权利要求1所述的基于深度学习的稻穗识别方法，其特征在于，在所述步骤1中，获取多个原始水稻样本图像的具体步骤包括：
步骤1.1：利用无人机遥感对所述农田进行拍摄，得到水稻样本视频数据；
步骤1.2：从所述水稻样本视频数据中提取多个原始水稻样本图像；
在所述步骤1中，构建所述水稻图像数据库的具体步骤包括：
步骤1.3：采用Django框架和PythonWeb编写方法，将所有原始水稻样本图像制作成所述水稻图像数据库。


3.根据权利要求2所述的基于深度学习的稻穗识别方法，其特征在于，在所述步骤2中，得到多个目标水稻样本图像的具体步骤包括：
步骤2.1：对所有原始水稻样本图像进行筛选，得到多个中间水稻样本图像；
步骤2.2：对所有中间水稻样本图像进行切割，得到多个预处理水稻样本图像；
步骤2.3：对每个预处理水稻样本图像分别进行格式转换，得到每个预处理水稻样本图像一一对应的转换水稻样本图像；
步骤2.4：对每个转换水稻样本图像分别进行标注，得到每个转换水稻样本图像一一对应的标注水稻样本图像；
步骤2.5：对每个标注水稻样本图像分别进行滤波，得到每个标注水稻样本图像一一对应的目标水稻样本图像。


4.根据权利要求3所述的基于深度学习的稻穗识别方法，其特征在于，所述步骤2.4的具体步骤包括：
步骤2.4.1：对于任一个转换水稻样本图像，确定转换水稻样本图像中每个第一稻穗图像一一对应的外接矩形集合；
步骤2.4.2：将每个所述外接矩形集合中的最小外接矩形作为对应的第一稻穗图像所对应的目标外接矩形，并按照所述目标外接矩形对对应的第一稻穗图像进行标注，得到对应的转换水稻样本图像中每个第一稻穗图像一一对应的标注矩形框；根据对应的转换水稻样本图像中所有第一稻穗图像的所有标注矩形框，得到对应的转换水稻样本图像所对应的标注水稻样本图像；
步骤2.4.3：遍历每个转换水稻样本图像，并按照所述步骤2.4.1至所述步骤2.4.2的方法，得到每个转换水稻样本图像一一对应的标注水稻样本图像。


5.根据权利要求4所述的基于深度学习的稻穗识别方法，其特征在于，所述步骤2.5的具体步骤包括：
步骤2.5.1：对于任一个标注水稻样本图像中的任一个第二稻穗图像对应的标注矩形框，以所述标注矩形框内的任一个像素点为中心点，确定所述中心点的提取范围，并提取所述提取范围内每个像素点一一对应的RGB颜色分量，将所述提取范围内每个像素点一一对应的RGB颜色分量分别进行颜色转换，得到所述提取范围内每个像素点一一对应的HSV颜色分量；
步骤2.5.2：提取所述提取范围内每个像素点的HSV颜色分量中的H通道分量，并将所述提取范围内所有像素点的所有H通道分量进行平均运算，得到所述提取范围的H通道分量均值，将所述H通道分量均值作为对应的所述中心点的目标H通道分量值；
步骤2.5.3：遍历对应的第二稻穗图像的所述标注矩形框内的每个像素点，按照所述步骤2.5.1至所述步骤2.5.2的方法，得到对应...

【专利技术属性】
技术研发人员：彭祺，程瑞敏，李春生，屠礼芬，邵鑫，
申请(专利权)人：湖北工程学院，
类型：发明
国别省市：湖北;42