一种水稻杂草识别加速系统的构建方法及其加速方法技术方案

本发明专利技术公开了一种水稻杂草识别加速系统的构建方法及其加速方法，主要针对东北稻田的特色，首先调研常见的杂草对其进行分类和杂草库建立，其次利用ubuntu操作系统对杂草库进行卷积训练提取特征值，接着搭建加速平台将卷积神经网络算法映射到FPGA的ARM芯片端，然后利用软件对系统进行调试和追踪确定要加速的部分，最后利用加速算法对设计完成加速。本发明专利技术中构建的水稻杂草识别加速系统通过对常见的杂草进行图库的建立，更能有针对性；后期将识别后的图片进行算法处理增加图像的表现力，提高竞争力，缩短硬件对目标物体的识别时间，方便针对性的处理杂草，保护生态环境。

A construction method and acceleration method of rice weed recognition acceleration system

【技术实现步骤摘要】
一种水稻杂草识别加速系统的构建方法及其加速方法
本专利技术涉及水稻杂草识别
，尤其涉及一种水稻杂草识别加速系统的构建方法及其加速方法。
技术介绍
随着万物互联的时代到来，嵌入式多线程程序执行和数据并行处理，为人工智能的迅速崛起增加越来越多的可能性。同时农作物连年受到各种因素，导致产量不佳，其中农作物的生长环境存在大量的杂草是致使产量减少的重要原因之一。目前，对于农田除草的主要方法是人工除草、机械除草、热除草、静电除草、化学除草等，其中化学除草由于其便利性而被广泛应用，目前化学除草方法都采取的是一种粗放型的喷药方式，这种方式不仅造成大量的药物浪费，增加生产成本，而且给生态环境带来很大危害，随着精准农业的提出，田间杂草精准识别技术成为研究热点。精准除草主要是针对条播作物（如小麦、玉米、大豆、水稻等）而言，根据空间分布特征，水稻田间杂草可分为行内杂草和行间杂草。对于水稻行间杂草的识别，可利用水稻和杂草的不同特征进行识别，这些特征包括：颜色特征、形状特征、纹理特征以及其他特征等。由于水稻杂草颜色的多样性，很难应用颜色特征直接将水稻杂草分割开来，实际应用中需结合多种特征实现水稻杂草的识别。目前，对于作物田间杂草的识别还处于研究阶段，很少的商品进行了商业化生产，这主要由于在图像采集中，容易受到外界环境的影响，很难获取高质量的图像，对杂草的正确识别率产生很大影响。另外，作物与杂草间的相互重叠对杂草的正确识别率也也产生很大影响，识别的耗时也较长。
技术实现思路
针对上述存在的问题，本专利技术旨在提供一种能够快速精准识别水稻杂草的水稻杂草识别加速系统的构建方法及其加速方法。为了实现上述目的，本专利技术所采用的技术方案如下：一种水稻杂草识别加速系统的构建方法，其特征在于，包括以下步骤：S1：建立水稻杂草库，对水稻杂草库中的图片数据进行卷积训练，提取特征值；S2：根据步骤S1中建立的水稻杂草库中图片的特征值，搭建水稻杂草加速平台；S3：对卷积神经网络的算法进行硬件映射和算法仿真；S4：利用FPGA进行算法加速，提高图像的输出表现力；S5：对整个加速系统的时序进行优化；S6：通过开发工具生成下载文件，烧写到开发板中，用来进行杂草识别。进一步的，步骤S1中的具体操作步骤包括：S11：对水稻杂草的不同生长期进行图库收集；S12：利用软件语言对收集到的水稻杂草图库进行分类打包；S13：新建卷积神经网络模型，并对其进行修改调整；S14：利用修改调整后的卷积神经网络模型中自定义网络结构层次对图库中的图片数据进行卷积训练，提取特征值。进一步的，所述水稻杂草包括镳草、稗草和狗尾草。进一步的，步骤S13中对卷积神经网络模型的修改调整包括对训练的步长调整，基准学习率的改变、图像滤波器的调整以及激励函数的修改。进一步的，所述卷积神经网络模型包括两个卷积层、全连接层和输出层，每个所述卷积层中均包含激励函数；起始图像经过第一卷积层，通过激励函数的辅助特征表达后输入第二卷积层，再次经过激励函数的辅助特征表达后输出到全连接层，最终到达输出层。进一步的，所述卷积层的卷积核大小为5*5。进一步的，步骤S2中的具体操作包括：S21：将卷积神经网络模型中的算法框架以及提取出来的水稻杂草库中图片的特征值全部映射到FPGA芯片中；S22：对整个卷积过程进行调试追踪；S23：根据追踪结果，对整个网络模型结构插入关键字，利用关键字进行图像识别加速。进一步的，步骤S4中通过对白平衡调节、色彩矫正、伽马矫正、高斯滤波以及细节增强提高图像的输出表现力。进一步的，一种水稻杂草识别加速系统的加速方法，其特征在于，包括以下步骤：S1：根据输入的图片信息开始执行程序，判断是否可以加速；S2：对于可加速的图片，采用流水线、内联函数、展开循环和拆分数据完成加速；S3：对于不可加速的图片，直接结束加速；对于未知情况的图片，调用源语库，判断是否存在明显影响；S4：对存在明显影响的，重复步骤S2；S5：对不存在明显影响的，执行通知，结束程序。本专利技术的有益效果是：1、本专利技术通过对不同时期的水稻杂草建立水稻杂草库，更加能够有针对性的进行不同时期的水稻杂草进行识别；2、本专利技术中通过修改卷积神经网络的结构，去掉了原来的池化层，利用2层卷积对杂草库进行训练，从而准确获取杂草的特征值，能够更加精准的对水稻杂草进行识别；3、本专利技术中通过卷积神经网络和FPGA的结合，搭建加速平台将卷积神经网络映射到利用FPGA的ARM芯片端，通过FPGA端对数据实现加速计算，缩短了水稻杂草的识别时间。附图说明图1为本专利技术水稻杂草识别加速系统总体设计图；图2为本专利技术改进的卷积神经网络框架图；图3为本专利技术卷积运算单元示意图；图4本专利技术系统时序优化寄存器路径示意图；图5为本专利技术整个硬件的数据流从输入到输出结构示意图；图6为本专利技术水稻杂草识别加速系统的加速流程图；图7为本专利技术实施例一中对狗尾草的训练测试结果图；图8为本专利技术实施例二中对镳草和稗草的训练测试结果图；图9为本专利技术实施例三中未使用加速算法时的资源占用比柱状图；图10为本专利技术实施例三中进行加速后的资源占用比柱状图。具体实施方式为了使本领域的普通技术人员能更好的理解本专利技术的技术方案，下面结合附图和实施例对本专利技术的技术方案做进一步的描述。结合附图1所示，本专利技术中的水稻杂草识别加速系统的构建方法总体设计包括以下步骤：S1：建立水稻杂草库，对水稻杂草库中的图片数据进行卷积训练，提取特征值；具体操作步骤包括，S11：对水稻杂草的不同生长期进行图库收集，为卷积神经网络模型的训练做准备；进一步的，水稻稻田里常见的杂草为镳草，稗草以及狗尾草。S12：利用python软件语言对收集到的水稻杂草图库进行分类打包；S13：新建卷积神经网络模型，并对其进行修改调整；具体的，利用改进后的cifar10卷积神经网络框架进行修改调整。具体的，Cifar10的深度学习框架由卷积层、池化层、全连接层、激活函数层以及Softmax和loss层组成。本专利技术中通过多次修改调整以及考虑硬件算法的映射设计出可以兼顾硬件资源的占用和识别精度参数的水稻杂草深度学习框架，由于输入图像的大小是32*32像素，整个图片像素有限，而且根据实际情况杂草的特征集，不需要取其周围的特征值。所以去除了池化层，图像经过两层卷积，输出到全连接层。改进后的卷积神经网络框架结构如附图2所示，卷积层的卷积核大小为5*5。在附图2中，a参数和b参数表示卷积层的像素数据流，a参数为训练库的起始图像，经过基准学习率和步长等参数的设置，经过第一卷积层，通过激励函数的辅助表达复杂特征输入到第二层卷积层，再次经过激励函数的辅助特征表达后本文档来自技高网...

【技术保护点】
1.一种水稻杂草识别加速系统的构建方法，其特征在于，包括以下步骤：/nS1：建立水稻杂草库，对水稻杂草库中的图片数据进行卷积训练，提取特征值；/nS2：根据步骤S1中建立的水稻杂草库中图片的特征值，搭建水稻杂草加速平台；/nS3：对卷积神经网络的算法进行硬件映射和算法仿真；/nS4：利用FPGA进行算法加速，提高图像的输出表现力；/nS5：对整个加速系统的时序进行优化；/nS6：通过开发工具生成下载文件，烧写到开发板中，用来进行杂草识别。/n

【技术特征摘要】
1.一种水稻杂草识别加速系统的构建方法，其特征在于，包括以下步骤：
S1：建立水稻杂草库，对水稻杂草库中的图片数据进行卷积训练，提取特征值；
S2：根据步骤S1中建立的水稻杂草库中图片的特征值，搭建水稻杂草加速平台；
S3：对卷积神经网络的算法进行硬件映射和算法仿真；
S4：利用FPGA进行算法加速，提高图像的输出表现力；
S5：对整个加速系统的时序进行优化；
S6：通过开发工具生成下载文件，烧写到开发板中，用来进行杂草识别。


2.根据权利要求1所述的一种水稻杂草识别加速系统的构建方法，其特征在于，步骤S1中的具体操作步骤包括：
S11：对水稻杂草的不同生长期进行图库收集；
S12：利用软件语言对收集到的水稻杂草图库进行分类打包；
S13：新建卷积神经网络模型，并对其进行修改调整；
S14：利用修改调整后的卷积神经网络模型中自定义网络结构层次对图库中的图片数据进行卷积训练，提取特征值。


3.根据权利要求2所述的一种水稻杂草识别加速系统的构建方法，其特征在于：所述水稻杂草包括镳草、稗草和狗尾草。


4.根据权利要求3所述的一种水稻杂草识别加速系统的构建方法，其特征在于：步骤S13中对卷积神经网络模型的修改调整包括对训练的步长调整，基准学习率的改变、图像滤波器的调整以及激励函数的修改。


5.根据权利要求4所述的一种水稻杂草识别加速系统的构建方法，其特征在于：所述卷积神经网络模型包...

【专利技术属性】
技术研发人员：苗凤娟，陶佰睿，王一鸣，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：黑龙;23