一种基于迁移学习的麦穗自动识别方法和系统技术方案

本发明专利技术公开了一种基于迁移学习的麦穗自动识别方法和系统，涉及迁移学习技术领域，所述方法包括：采集带有地面标准和未带地面标准的麦穗图像；构建基于麦穗图像的数据集；将构建的数据集输入Yolov5模型中对模型进行迁移学习和目标识别训练；将待测试图像输入训练后的Yolov5模型中实现单位面积麦穗的识别与计数。采用本发明专利技术的方法和系统，经过迁移学习的模型精度为91.10%，mAP@0.5为98.20%，应用迁移学习后的麦穗密度识别R

【技术实现步骤摘要】
一种基于迁移学习的麦穗自动识别方法和系统
本专利技术涉迁移学习
，具体涉及一种基于迁移学习的麦穗自动识别方法和系统。
技术介绍
小麦在全球分布最广，是种植面积最大的粮食作物，种植面积在2亿多公顷，全球35%-40%的人口以小麦为主食。计算单位面积穗数是确定小麦产量的主要方法，然而，目前单位面积穗数的调查却仍然以人工调查为主，费时费力。近年来，随着机器学习在农业中的深入应用，利用图像分析和深度学习等技术实现穗数的自动计算已经有不少研究。这些处理分析技术包括：数码相机、热成像技术、地面车和无人机平台。然而，由于各类研究主要聚焦于本地实验数据，数据量小，数据多样性不足，限制了用于训练和测试模型的基因型数量、环境和条件，开发一个通用模型来分析图像计数麦穗数目仍是一个重大难题。迁移学习作为可以避免大量数据标注工作，提高机器学习性能，增强深度神经网络的泛化能力。迁移学习已广泛应用到耕地信息提取，土地利用分类，作物虫害识别与分类，作物病害监测与识别，杂草识别，作物倒伏面积提取等各个领域，但是还没有进行麦穗的识别与计数方面的研究。本文档来自技高网...

【技术保护点】
1.一种基于迁移学习的麦穗自动识别方法，其特征在于，包括：/nS1：采集带有地面标准和未带地面标准的麦穗图像；/nS2：构建基于步骤S1中的麦穗图像的数据集；/nS3：将步骤S2中构建的数据集输入Yolov5模型中对模型进行迁移学习和目标识别训练；/nS4：将待测试图像输入训练后的Yolov5模型中实现单位面积麦穗的识别与计数。/n

【技术特征摘要】
1.一种基于迁移学习的麦穗自动识别方法，其特征在于，包括：
S1：采集带有地面标准和未带地面标准的麦穗图像；
S2：构建基于步骤S1中的麦穗图像的数据集；
S3：将步骤S2中构建的数据集输入Yolov5模型中对模型进行迁移学习和目标识别训练；
S4：将待测试图像输入训练后的Yolov5模型中实现单位面积麦穗的识别与计数。


2.根据权利要求1所述的基于迁移学习的麦穗自动识别方法，其特征在于，步骤S2中的数据集包括第一数据、第二数据集、第三数据集和第四数据集；
所述第一数据集包括统一大小的15000张分割后的无地面标准的麦穗图像，并对图像中的麦穗数进行人工标记，其中12000张作为训练集，3000张作为验证集，用于对Yolov5模型进行全面特征的提取学习训练；
所述第二数据集包括统一大小的16800张分割后的无地面标准麦穗图像，并对所述麦穗图像中的麦穗数进行了人工标记，然后选取无麦穗、1个麦穗、2个麦穗和3个麦穗的图像各3200张作为训练集，剩余图像作为验证集，用于对Yolov5模型进行特征迁移强化学习训练；
所述第三数据集包括从不同时间不同区域拍摄的112个带有地面标准的不同基因型麦穗图像，每个基因型随机选取3张，共336张，随机从图像中心位置进行1800-2200大小的裁切，然后进行轮廓特征提取分割，随机选取每个分割后图像的10个子图，共3360张作为训练集，再随机选取每个分割后图像的5个子图，共1680张作为验证集，用于对Yolov5模型进行小数据集迁移学习训练，验证迁移学习效果；
所述第四数据集包括从不含地面标准的104张不同基因型麦穗图像中，每个基因型随机选取2张，共208张图像，随机从图像中...

【专利技术属性】
技术研发人员：许鑫，乔红波，马新明，
申请(专利权)人：河南农业大学，
类型：发明
国别省市：河南;41