一种基于卷积神经网络的出苗密度估算方法技术

本发明专利技术公开了一种基于卷积神经网络的出苗密度估算方法，其技术方案是：通过以下步骤：S1、田地选取；S2、玉米苗选取；S3、无人机拍摄；S4、真实值标注；S5、生成分布图；S6、密度估算；S7、模型评价；本发明专利技术的有益效果是：使用无人机在玉米种植区随机获取不同田块的可见光影像，使用高斯模糊算法生成地面真值数据集的标注文件，读取数据并进行数据扩增，将扩增后的数据送入卷积神经网络开始训练，通过训练获得的模型可直接用于对RGB影像的出苗密度估算，根据无人机拍摄遥感影像估算不同日龄的玉米出苗密度，并生成出苗分布热力图，该方法具有较强的鲁棒性，对不同空间分辨率、田间含有杂草的复杂影像估算结果稳定。的复杂影像估算结果稳定。

【技术实现步骤摘要】
一种基于卷积神经网络的出苗密度估算方法


[0001]本专利技术涉及出苗密度估算方法领域，具体涉及一种基于卷积神经网络的出 苗密度估算方法。

技术介绍

[0002]出苗密度是影响作物生长和产量的关键因素，准确的估算出苗密度对作物 选种育种、水肥管理有辅助决策的作用，传统农学的出苗率估算通常基于田间 采样，依靠人力进行计数清点，该方法往往需要大量的人工和时间，极大的提 高了种植成本，随着无人机的快速普及，基于无人机遥感影像的出苗密度监测 方法应运而生，很多学者提出使用传统计算机视觉和回归分析的方法。
[0003]现有技术存在以下不足：现有的方法准确度依赖于对农作物分割提取的精 度，田间杂草、光照及复杂土壤环境对结果精度的影响很大，且该方法对表征 作物的具体分布有一定的局限性。
[0004]因此，专利技术一种基于卷积神经网络的出苗密度估算方法很有必要。

技术实现思路

[0005]为此，本专利技术提供一种基于卷积神经网络的出苗密度估算方法，通过无人 机拍摄遥感影像估算不同日龄的玉米出苗密度，并生成出苗分布热力图，以解 决需要大量的人工和时间，极大的提高了种植成本，田间杂草、光照及复杂土 壤环境对结果精度的影响很大的问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：一种基于卷积神经网络的 出苗密度估算方法，具体步骤如下：
[0007]S1、田地选取：选择日照充足的多个玉米苗田地，玉米苗田地可以是地段、 环境、土壤肥沃度不同的玉米苗田地；
[0008]S2、玉米苗选取：可选取玉米苗品种不同的玉米苗田地，选取不同日龄的 玉米苗，同时选取没有玉米苗的玉米田地作为负样本，以及含有杂草的玉米苗 田地；
[0009]S3、无人机拍摄：将RGB相机固定在无人机底下，相机拍摄方向为竖直向 下，选择无风日通过手动控制无人机飞行，使RGB相机对玉米苗田地进行摄像 拍照；
[0010]S4、真实值标注：首先根据玉米苗中心点所在图片中的位置坐标，生成包 含玉米苗中心坐标(x，y)的.mat文件，之后使用高斯自适应卷积核生成表征 表面真实情况的热力密度图，将.mat文件转换为表示真值的.h5文件；
[0011]S5、生成分布图：借鉴密集场景识别网络的结构进行训练，采用CSRNet网 络模型，CSRNet网络模型主要分为前端和后端网络来生成玉米苗分布图；
[0012]S6、密度估算：影像中玉米苗的总株数可以用玉米苗分布图的积分计算得 出，通过出苗总株数与地块面积的比值来计算并得到出苗密度；
[0013]S7、模型评价：采用的均方误差(MSE)和平均绝对误差(MAE)作为模型 评价标准，
随机选取影像对训练出的模型进行测试，测试计算均方误差(MSE) 和平均绝对误差(MAE)。
[0014]优选的，在所述步骤S2中选取的玉米苗日龄为20
‑
50日，含有杂草的玉米 苗田地选取1
‑
4块。
[0015]优选的，在所述步骤S3中控制无人机飞行高度为5
‑
11m，拍摄照片控制在 100
‑
200张。
[0016]优选的，在所述步骤S5中使用删除了全连接层的VGG
‑
16作为CSRNet的前 端网络，采用空洞卷积神经网络作为后端网络，扩大感知域，生成高质量的玉 米苗分布图。
[0017]优选的，在所述步骤S6中将地块面积控制在9
‑
12平方。
[0018]优选的，在所述步骤S7中均方误差(MSE)公式为优选的，在所述步骤S7中均方误差(MSE)公式为MSE越小表示准确度越高。
[0019]优选的，在所述步骤S7中平均绝对误差(MAE)公式为优选的，在所述步骤S7中平均绝对误差(MAE)公式为MAE可反映预测值的误差情况。
[0020]本专利技术的有益效果是：
[0021]通本专利技术使用无人机在玉米种植区随机获取不同田块的可见光影像，使用 高斯模糊算法生成地面真值数据集的标注文件，读取数据并进行数据扩增，将 扩增后的数据送入卷积神经网络开始训练，通过训练获得的模型可直接用于对 RGB影像的出苗密度估算，根据无人机拍摄遥感影像估算不同日龄的玉米出苗密 度，并生成出苗分布热力图，该方法具有较强的鲁棒性，对不同空间分辨率、 田间含有杂草的复杂影像估算结果稳定。
具体实施方式
[0022]以下对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0023]实施例1：
[0024]本专利技术提供的一种基于卷积神经网络的出苗密度估算方法，具体步骤如下：
[0025]S1、田地选取：选择日照充足的多个玉米苗田地，玉米苗田地可以是地段、 环境、土壤肥沃度不同的玉米苗田地；
[0026]S2、玉米苗选取：可选取玉米苗品种不同的玉米苗田地，选取不同日龄的 玉米苗，同时选取没有玉米苗的玉米田地作为负样本，以及含有杂草的玉米苗 田地；
[0027]S3、无人机拍摄：将RGB相机固定在无人机底下，相机拍摄方向为竖直向 下，选择无风日通过手动控制无人机飞行，使RGB相机对玉米苗田地进行摄像 拍照；
[0028]S4、真实值标注：首先根据玉米苗中心点所在图片中的位置坐标，生成包 含玉米苗中心坐标(x，y)的.mat文件，之后使用高斯自适应卷积核生成表征 表面真实情况的热力密度图，将.mat文件转换为表示真值的.h5文件；
[0029]S5、生成分布图：借鉴密集场景识别网络的结构进行训练，采用CSRNet网 络模型，CSRNet网络模型主要分为前端和后端网络来生成玉米苗分布图；
[0030]S6、密度估算：影像中玉米苗的总株数可以用玉米苗分布图的积分计算得 出，通
过出苗总株数与地块面积的比值来计算并得到出苗密度；
[0031]S7、模型评价：采用的均方误差(MSE)和平均绝对误差(MAE)作为模型 评价标准，随机选取影像对训练出的模型进行测试，测试计算均方误差(MSE) 和平均绝对误差(MAE)。
[0032]进一步地，在所述步骤S2中选取的玉米苗日龄为20日，含有杂草的玉米 苗田地选取1块。
[0033]进一步地，在所述步骤S3中控制无人机飞行高度为5m，拍摄照片控制在 100张。
[0034]进一步地，在所述步骤S5中使用删除了全连接层的VGG
‑
16作为CSRNet的 前端网络，采用空洞卷积神经网络作为后端网络，扩大感知域，生成高质量的 玉米苗分布图。
[0035]进一步地，在所述步骤S6中将地块面积控制在9平方。
[0036]进一步地，在所述步骤S7中均方误差(MSE)公式为进一步地，在所述步骤S7中均方误差(MSE)公式为MSE越小表示准确度越高。
[0037]进一步地，在所述步骤S7中平均绝对误差(MAE)公式为 MAE可反映预测值的误差情况本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的出苗密度估算方法，其特征在于：具体步骤如下：S1、田地选取：选择日照充足的多个玉米苗田地，玉米苗田地可以是地段、环境、土壤肥沃度不同的玉米苗田地；S2、玉米苗选取：可选取玉米苗品种不同的玉米苗田地，选取不同日龄的玉米苗，同时选取没有玉米苗的玉米田地作为负样本，以及含有杂草的玉米苗田地；S3、无人机拍摄：将RGB相机固定在无人机底下，相机拍摄方向为竖直向下，选择无风日通过手动控制无人机飞行，使RGB相机对玉米苗田地进行摄像拍照；S4、真实值标注：首先根据玉米苗中心点所在图片中的位置坐标，生成包含玉米苗中心坐标(x，y)的.mat文件，之后使用高斯自适应卷积核生成表征表面真实情况的热力密度图，将.mat文件转换为表示真值的.h5文件；S5、生成分布图：借鉴密集场景识别网络的结构进行训练，采用CSRNet网络模型，CSRNet网络模型主要分为前端和后端网络来生成玉米苗分布图；S6、密度估算：影像中玉米苗的总株数可以用玉米苗分布图的积分计算得出，通过出苗总株数与地块面积的比值来计算并得到出苗密度；S7、模型评价：采用的均方误差(MSE)和平均绝对误差(MAE)作为模型评价标准，随机选取影像对训练出的模型进行测试，测试计算均方误差(MSE)和平均绝对误差(MAE)。2.根据权利要求1...

【专利技术属性】
技术研发人员：白亚利，徐武健，刘龙，宫华泽，陈祺，张晟楠，
申请(专利权)人：北京麦飞科技有限公司，
类型：发明
国别省市：