一种基于GridR-CNN的水培生菜幼苗状态检测方法技术

本发明专利技术公开了属于农作物育苗技术领域的一种基于GridR

【技术实现步骤摘要】
一种基于GridR
‑
CNN的水培生菜幼苗状态检测方法


[0001]本专利技术属于农作物育苗
，特别涉及一种基于GridR
‑
CNN的水培生菜幼苗状态检测方法

技术介绍

[0002]育苗是水培种植过程中的关键环节，秧苗的质量会直接影响水培蔬菜的产量和品质。俗话说：“苗壮半收成”，在水培蔬菜的育苗过程中，所需时间长，劳动强度大，人工成本高。同时，育苗阶段的水培蔬菜幼苗，在培养基上的长势通常会存在差异。具体而言，由于种子发芽具有一定的出苗率，有些孔洞中并未长出幼苗；此外，在播种过程中还存在种子质量过轻，有的孔洞中会长出两株或多株幼苗的现象，这种情况在后期幼苗生长中存在潜在的风险，难以保证幼苗都能汲取到充足的养分，上述两种情况下的幼苗称为问题幼苗。
[0003]在水培蔬菜的实际育苗过程中，幼苗分拣是一个不可或缺的步骤，通常需要人工对问题幼苗进行分拣，并只分拣一次，目前主要依靠人力完成，劳动强度较大且费时。水培蔬菜问题幼苗状态的检测是提高育苗效率的关键环节之一，而人工分拣存在一定的偶然性、误判性以及间歇本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GridR
‑
CNN水培生菜幼苗状态检测方法，其特征在于，具体步骤如下：(1)获取水培生菜幼苗图像，使用包括数码相机、高清手机的多种设备，采用自动白平衡、光学对焦、垂直的方式获取幼苗图像；(2)去除拍摄质量差的图像，以保证幼苗图像的质量，避免数据集中的图像冗余；并将问题幼苗的识别类别定义为孔洞内未长出幼苗的死亡状态和单一孔洞长出2株幼苗的双株状态；此外，按照一定的比例，划分训练集、验证集、测试集；(3)对训练集的图像进行数据增强，从而扩展水培蔬菜幼苗数据集，避免发生过拟合，增强模型的稳定性，提高模型的检测性能，尽可能保证数据的丰富性；在进行数据增强时，主要采取了几何变换对原始图像进行尺度上的变化；(4)构建好数据集后，借助LabelImg软件对所有图像进行2种不同类别问题幼苗的标注，采用Pascal VOC数据集格式，制作样本标签；(5)将水培生菜幼苗的训练集图像输入Grid R
‑
CNN
[4]
目标检测模型中，同时在训练过程中添加验证集，用于评估在每个批次训练结束后，模型的泛化能力以及对模型的超参数进行调整；(6)Grid R
‑
CNN模型采用HRNet作为特征提取网络，为后续的RPN和网格引导模块生成共享的特征图；(7)RPN经过端到端的训练，生成处于的死亡(die)状态和单一孔洞长出2株幼苗的双株状态的水培生菜幼苗的前景目标候选框，同时通过分类器执行二分类任务，比较每个候选框的置信度得分，判断候选框属于前景或背景；本模型采用了Focal Loss作为分类损失，利用锚框回归得到问题幼苗状态的候选框边界框；(8)根据输入图像，采用RoI Align，将感兴趣区域映射到特征图的对应位置，并将其转化为相同维度的特征；(9)在经过RoI Align处理后，进行目标候选框框的分类，沿用Faster R
‑
CNN中的方式，经过分类网络得到每个候选框的类别得分，并使用交叉熵损失进行模型参数优化；(10)Grid R<...

【专利技术属性】
技术研发人员：李振波，李晔，赵远洋，吴宇峰，李一鸣，杨泳波，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：