基于农田图像的卷积神经网络构建方法及其系统技术方案

本发明专利技术公开了一种基于农田图像的卷积神经网络的构建方法，其包括如下步骤：获取至少一农田的一组农田图像；获取每一所述农田图像对应的一标准分割农田图像；将所述农田图像和对应的所述标准分割农田图像划分为一训练图像集和一测试图像集；以所述训练图像集中的所述农田图像和对应的所述标准分割农田图像作为卷积神经网络的输入，构建基于农田图像的卷积神经网络模型；以及以所述测试图像集中的所述农田图像和对应的所述标准分割农田图像对所述基于农田图像的卷积神经网络模型进行验证，对所述基于农田图像的卷积神经网络模型的参数进行优化。

Convolution neural network construction method and system based on farmland image

【技术实现步骤摘要】
基于农田图像的卷积神经网络构建方法及其系统
本专利技术涉及图像语义识别领域，更进一步地涉及一基于农田图像的卷积神经网络构建方法及其系统。
技术介绍
随着现代科学技术的进步和现代高效农业的不断发展，自动化控制技术在农业现代化过程中不可替代的地位和作用越来越被人们所重视。农业自动化能够很大程度上提高劳动生产率和降低劳动强度，增加劳动的舒适性，农业生产的高效率和高精度的机械化，自动化方向发展是必然的选择。尤其是近年来，精细农业的概念应运而生，在精细农业中，对农田场景的理解是推动精细农业发展和进步的重要技术。基于计算机和相关农业知识理论的自动信息获取方法，正在逐步地取代传统的信息采集方法，成为农业信息获取的主要手段。在农业信息获取技术中，精细农业面临的主要研究课题是如何能够准确、有效和全面地识别农业工作环境。即场景理解任务。精细农业发展的重要方向和热点内容是如何利用计算机让农业机械，能够拥有与人相近的感知周围环境的能力，自主开展农业任务，如农田场景中的图像分割、农田目标检测和识别、三维信息获取等，从而完成农田场景理解中的各项任务。随着研究的深入和技术的发展，包括语义分割在内的多种解决方式被不断地提出，并朝着逐渐成熟的方向进步和发展，对推动农业精细化的实现，农业生产力的提升产生了较大的意义。传统农业网生产方式对农田、果园等同一管理，在施肥、除草、喷药和耕种等操作时没有考虑农作物信息分布的空间差异，导致了生产成本的增加并且使环境污染加剧。为了解决这些问题，精细农业成为未来农业发展的趋势，而农田图像的语义分割是精细农业的前提和基础。目前深度学习方法在农田图像分割中有着极其重要的作用。卷积神经网络在分割和分类等多种图像分析任务重取得极具优势的结果，并显现出强大的适用性。目前，图像语义分割的研究方法已经进入深度学习领域，神经网络在其中取得了较为优秀的成果，但依然面临着分割结果不够精细，像素之间的关系考虑不充分等问题，导致了语义分割的图像细节的丢失，空间缺乏一致性。同时，由于农田场景中存在着类别信息较多，语义对象轮廓不够清晰，作物状态的更新，自然环境复杂且易于变化等现象，影响了语义分割的准确性和适应性。
技术实现思路
本专利技术的一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，其中所述基于农田图像的卷积神经网络构建方法将卷积神经网络引入农田图像分割中，以识别农田图像分割的精确度。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，其中所述基于农田图像的卷积神经网络构建方法将农田图像作为训练样本输入卷积神经网络，对农田图像进行实时语义分割，以供提高农田图像语义分割的精确度。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，其中在所述基于农田图像的卷积神经网络构建过程中，构建了一个有效可用的农田图像数据集。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，使用多分辨率网络方法，对不同分辨率大小的图像分别经过相互独立的网络训练，鼓励相同图像区域在不同分辨率下使用相同的标签，加强像素之间的相互作用。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，使用条件随机场座位网络后处理模块，充分考虑图像的细节，细化边缘，加强图像分割效果。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，使用优化的ENet网络进行农田图像分割，具有较强实用性和有效性。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，将卷积神经网络合并BatchNorm层参数，融合到卷集层中，以供提升模型的测试速度。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，其中所述基于农田图像的卷积神经网络构建方法操作简单、易于实现。本专利技术的另一个目的在于提供一基于农田图像的卷积神经网络构建方法及其系统，其中所述基于农田图像的卷积神经网络构建方法所构建的基于农田图像的卷积神经网络模型图像分割效率高、使用方便。相应地，为了实现以上至少一个专利技术目的，本专利技术提供一种基于农田图像的卷积神经网络的构建方法，其中所述构建方法包括以下步骤：101：获取至少一农田的一组农田图像；102：获取每一所述农田图像对应的一标准分割农田图像；103：将所述农田图像和对应的所述标准分割农田图像划分为一训练图像集和一测试图像集；104：以所述训练图像集中的所述农田图像和对应的所述标准分割农田图像作为卷积神经网络的输入，构建基于农田图像的卷积神经网络模型；以及105：以所述测试图像集中的所述农田图像和对应的所述标准分割农田图像对所述基于农田图像的卷积神经网络模型进行验证，对所述基于农田图像的卷积神经网络模型的参数进行优化。在本专利技术的一些优选实施例中，在所述步骤102和所述步骤103之间进一步包括：106：将每一所述农田图像和对应的所述标准分割农田图像转化为单通道灰度图像；和107：分别对所述农田图像和对应的所述标准分割农田图像进行预处理，用于进行图像扩增处理，以增加图像的多样性。在本专利技术的一些优选实施例中，在所述步骤101中进一步包括：1011：获取所述至少一农田的至少一视频；1012：按照帧数提取所述视频中的所述农田图像；以及1013：剔除不满足预设条件的所述农田图像。在本专利技术的一些优选实施例中，在所述步骤103中，将所述农田图像和对应的所述标准分割农田图像按照8：2的比例划分为所述训练图像集和所述测试图像集。在本专利技术的一些优选实施例中，其中在所述步骤104中，所述卷积神经网络是ENet网络，所述ENet网络的激活函数使用prelu激活函数，其中所述ai是可学习参数。在本专利技术的一些优选实施例中，在所述步骤104中进一步包括：1041：将所述训练图像集中的所述农田图像和对应的所述标准分割农田图像分别转化为多种不同分辨率大小的图像；1042：将多种不同分辨率大小的图像分别经过多个独立的网络得到相应的特征图；1043：缩放多个特征图为同一分辨率大小的图像，并将缩放后的多个特征图像融合为一融合图；以及1044：将所述融合图作为卷积神经网络的输入，构建基于农田图像的卷积神经网络模型。在本专利技术的一些优选实施例中，在所述步骤1041中，将所述训练图像集中的所述农田图像和对应的所述标准分割农田图像转化为三种分辨率图像，分别是全分辨率480*640、半分辨率240*320以及四分之三分辨率360*480。在本专利技术的一些优选实施例中，在所述步骤1042中，全分辨率480*640图像采用改进的ENet网络得到相应的特征图，半分辨率240*320和四分之三分辨率360*480的图像使用ENet网络得到相应的特征图。在本专利技术的一些优选实施例中，在所述步骤105中，将优化后的网络模型的BatchNorm层参数，融合到卷积层中，以供提高模本文档来自技高网...

【技术保护点】
1.一种基于农田图像的卷积神经网络的构建方法，其特征在于，所述构建方法包括以下步骤：/n101：获取至少一农田的一组农田图像；/n102：获取每一所述农田图像对应的一标准分割农田图像；/n103：将所述农田图像和对应的所述标准分割农田图像划分为一训练图像集和一测试图像集；/n104：以所述训练图像集中的所述农田图像和对应的所述标准分割农田图像作为卷积神经网络的输入，构建基于农田图像的卷积神经网络模型；以及/n105：以所述测试图像集中的所述农田图像和对应的所述标准分割农田图像对所述基于农田图像的卷积神经网络模型进行验证，对所述基于农田图像的卷积神经网络模型的参数进行优化。/n

【技术特征摘要】
1.一种基于农田图像的卷积神经网络的构建方法，其特征在于，所述构建方法包括以下步骤：
101：获取至少一农田的一组农田图像；
102：获取每一所述农田图像对应的一标准分割农田图像；
103：将所述农田图像和对应的所述标准分割农田图像划分为一训练图像集和一测试图像集；
104：以所述训练图像集中的所述农田图像和对应的所述标准分割农田图像作为卷积神经网络的输入，构建基于农田图像的卷积神经网络模型；以及
105：以所述测试图像集中的所述农田图像和对应的所述标准分割农田图像对所述基于农田图像的卷积神经网络模型进行验证，对所述基于农田图像的卷积神经网络模型的参数进行优化。


2.根据权利要求1所述的基于农田图像的卷积神经网络的构建方法，在所述步骤102和所述步骤103之间进一步包括：
106：将每一所述农田图像和对应的所述标准分割农田图像转化为单通道灰度图像；和
107：分别对所述农田图像和对应的所述标准分割农田图像进行预处理，用于进行图像扩增处理，以增加图像的多样性。


3.根据权利要求1所述的基于农田图像的卷积神经网络的构建方法，在所述步骤101中进一步包括：
1011：获取所述至少一农田的至少一视频；
1012：按照帧数提取所述视频中的所述农田图像；以及
1013：剔除不满足预设条件的所述农田图像。


4.根据权利要求1所述的基于农田图像的卷积神经网络的构建方法，在所述步骤103中，将所述农田图像和对应的所述标准分割农田图像按照8：2的比例划分为所述训练图像集和所述测试图像集。


5.根据权利要求1所述的基于农田图像的卷积神经网络的构建方法，其中在所述步骤104中，所述卷积神经网络是ENet网络，所述ENet网络的激活函数使用prelu激活函数，其中所述ai是可学习参数。


6.根据权利要求1所述的基于农田图像的卷积神经网络的构建方法，其中在所述步骤104中进一步包括：
1041：将所述训练图像集中的所述农田图像和对应的所述标准分割农田图像分别转化为多种不同分辨率大小的图像；
1042：将多种不同分辨率大小的图像分别经过多个独立的网络得到相应的特征图；
1043：缩放多个特征图为同一分辨率大小的图像，并将缩放后的多个特征图像融合为一融合图；以及
1044：将所述融合图作为卷积神经网络的输入，构建基于农田图像的卷积神经网络模型。


7.根据权利要求6所述的基于农田图像的卷积神经网络的构建方法，其中在所述步骤1041中，将所述训练图像集中的所述农田图像和对应的所述标准分割农田图像转化为三种分辨率图像，分别是全分辨率480*640、半分辨率240*320以及四分之三分辨率360*480。


8.根据权利要求7所述的基于农田图像的卷积神经网络的构建方法，其中在所述步骤1042中，全分辨率480*640图像采用改进的ENet网络得到相应的特征图，半分辨率240*320和四分之三分辨率360*480的图像使用ENet网络得到相应的特征图。


9.根据权利要求1所述的基于农田图像的卷积神经网络的构建方法，其中在所述步骤105中，将优化后的网络模型的BatchNorm...

【专利技术属性】
技术研发人员：吴迪，陈召弟，陈旻昕，吴晨健，陈虹，
申请(专利权)人：丰疆智能科技股份有限公司，
类型：发明
国别省市：湖北;42