一种基于深度学习和探地雷达的果树根系识别与定位方法技术

本发明专利技术公开了一种基于深度学习和探地雷达的果树根系识别与定位方法，包括：确定以目标果树为中心的圆形轨道作为探地雷达的探测路线；对所述探地雷达生成的B

【技术实现步骤摘要】
一种基于深度学习和探地雷达的果树根系识别与定位方法


[0001]本专利技术涉及对植物根系的无损探测领域，特别涉及一种基于深度学习和探地雷达的果树根系识别与定位方法。

技术介绍

[0002]根系是植物的根本，是树体整体发育的基础和中心，果树生长主要依靠根系为其提供所必需的养分。对果树根系的生长状态以及的空间分布规律进行研究，是果树养根、护根工作的基础，同时有利于更好地指导精准施肥，精确灌溉等工作，提高水肥利用效率和果树产量。
[0003]根系分布于地下，结构复杂、而且传统的根系探测方法，比如挖掘法、土钻法，具有费时费力，会对植物根系和土壤环境进行破坏，无法对根系进行长时间、重复的探测和研究等缺点，而一些根系原位无损或低损的测量技术，如微根窗管法、高分辨X射线断层扫描(CT)、核磁共振成像(NMR)等技术探测范围较小且花费较大。探地雷达具有迅速性、无损性、可重复性，被广泛应用于植物根系的探测。为了进一步了解果树根系统结构，通常需要对果树根系统结构进行识别与定位。
[0004]因此，为了全面了解果树根系系统结构，如何对植物根系系统结构进行识别与定位，提高工作效率，降低现有技术操作的复杂性，成为同行从业人员亟待解决的问题。

技术实现思路

[0005]本专利技术的主要目的在于提供一种至少部分解决上述技术问题的基于深度学习和探地雷达的果树根系识别与定位方法，能够在不破坏根系以及周围土壤环境的条件下对果树根系进行识别和定位。
[0006]为实现上述目的，本专利技术采取的技术方案为：
[0007]本专利技术提供一种基于深度学习和探地雷达的果树根系识别与定位方法，包括：
[0008]S10、确定以目标果树为中心的圆形轨道作为探地雷达的探测路线；
[0009]S20、对所述探地雷达生成的B
‑
scan图像进行预处理操作；
[0010]S30、将经预处理后的B
‑
scan图像输入预先训练的网络模型进行根目标检测，定位目标双曲线区域；
[0011]S40、提取目标双曲线的顶点，通过基于代数距离拟合提取根目标的双曲线，推算根目标的位置以及直径。
[0012]进一步地，步骤S10包括：
[0013]规划以果树为中心的等间距的数个同心圆轨道，作为探地雷达的探测路线。
[0014]进一步地，步骤S20包括：
[0015]对所述探地雷达生成的B
‑
scan图像依次进行零点校正、背景去除、直达波去除、图像增益和图像滤波处理操作。
[0016]进一步地，步骤S30中网络模型的训练过程包括：
[0017]S31、构建数据集；所述数据集包括：通过在土槽实验室进行条件可控的根茎预埋试验以及实地探测果树根系试验收集的根真实图像；通过仿真软件得到根仿真图像；通过循环对抗生成网络CycleGAN制作的根转换图像；
[0018]S32、基于所述数据集，对改进的YOLOv5s深度学习网络模型进行迭代训练，获得进行根目标检测的网络模型；所述改进的YOLOv5s深度学习网络模型所包括的主干网络引入注意力机制，并在Focus结构之后加入CBAM模块。
[0019]进一步地，循环对抗生成网络CycleGAN由两个完全一致的GAN网络组成的一种环形网络，包括两个结构相同的生成器，两个结构相同的判别器；
[0020]以真实图像作为源域样本空间A，以仿真图像作为目标域样本空间B，通过生成器和判别器之间的对抗训练，学习数据集图片的像素分布概率来生成新的图片，实现两个样本空间之间的风格转换，以此对数据集进行数据增强。
[0021]进一步地，步骤S40包括：
[0022]S41、对所述目标双曲线区域进行图像分割和边缘处理，根据双曲线对称性提取顶点，利用顶点坐标定位根系位置；
[0023]S42、利用基于代数距离拟合算法拟合目标双曲线，提取双曲线参数，利用其参数估算根茎的直径。
[0024]进一步地，步骤S41中，对所述目标双曲线区域进行图像分割包括：
[0025]利用K
‑
means算法对所述目标双曲线区域图像进行分割，设定聚类中心数目为K＝2，将图像分为目标双曲线以及背景两类；
[0026]计算其他样本点与聚类中心的欧式距离，选择欧式距离最小的聚类中心，归类到该中心所在的簇类中；
[0027]计算当前每个聚类簇的平均值，并将其作为下一次迭代的聚类中心；计算当前聚类中心与下一次迭代的聚类中心的距离，若小于阈值，则完成迭代，否则重新分配样本点到距离最近的新簇类中。
[0028]进一步地，步骤S42包括：
[0029]根据探地雷达的工作方式，利用几何关系得：
[0030][0031]其中，v表示电磁波在土壤中的传播速度，x表示水平位置，t表示回波时延，t
i
表示位于x
i
的回波时延；(x0，t0)表示顶点位置，x
i
表示采样点水平位置，r表示根茎半径；将(1)式进行变化得二次曲线方程如下：
[0032][0033]利用基于代数距离拟合算法对雷达图像中的目标进行拟合，双曲线表达式拟合为带约束条件的隐式二阶多项式：
[0034]F(P，X)＝P
·
X＝Ax2+Bxt+Ct2+Dx+Et+F＝0
ꢀꢀꢀ
(3)
[0035]其中，P＝[A，B，C，D，E，F]T
，X＝(x2，xt，t2，x，t，1)；
[0036]对于选定的N个离散采样点X
i
＝(x
i
，t
i
)，N＝1...N，用S(P，X)表示曲线到各点的代数距离的平方的最小值，其定义如下：
[0037][0038]通过双曲线顶点以及双曲线开口向下的特征，确立约束条件：
[0039]双曲线顶点位置的双程走时最短，即：t0≤min(t
i
)；顶点位置位于开口范围之内，即：x
l
≤x0≤x
r
，x
l
表示顶点左侧采样点的水平位置，x
r
表示顶点右侧采样点的水平位置；
[0040]通过计算B2‑
4AC的值确立曲线的形状，在该双曲线模型中：B＝0，4AC＝
‑
1；通过基于代数距离算法得到双曲线隐式二阶多项式之后，根据下式对根茎半径进行估算：
[0041][0042](5)式中，r表示根茎半径，E为式(3)中的参数；v表示电磁波在土壤中的传播速度。
[0043]与现有技术相比，本专利技术具有如下有益效果：
[0044]一种基于深度学习和探地雷达的果树根系识别与定位方法，包括：确定以目标果树为中心的圆形轨道作为探地雷达的探测路线；对所述探地雷达生成的B
‑
scan图像进行预处理操作；将经预处理后的B
‑
scan图像输入预先训练的网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和探地雷达的果树根系识别与定位方法，其特征在于，包括：S10、确定以目标果树为中心的圆形轨道作为探地雷达的探测路线；S20、对所述探地雷达生成的B
‑
scan图像进行预处理操作；S30、将经预处理后的B
‑
scan图像输入预先训练的网络模型进行根目标检测，定位目标双曲线区域；S40、提取目标双曲线的顶点，通过基于代数距离拟合提取根目标的双曲线，推算根目标的位置以及直径。2.根据权利要求1所述的一种基于深度学习和探地雷达的果树根系识别与定位方法，其特征在于，步骤S10包括：规划以果树为中心的等间距的数个同心圆轨道，作为探地雷达的探测路线。3.根据权利要求2所述的一种基于深度学习和探地雷达的果树根系识别与定位方法，其特征在于，步骤S20包括：对所述探地雷达生成的B
‑
scan图像依次进行零点校正、背景去除、直达波去除、图像增益和图像滤波处理操作。4.根据权利要求3所述的一种基于深度学习和探地雷达的果树根系识别与定位方法，其特征在于，步骤S30中网络模型的训练过程包括：S31、构建数据集；所述数据集包括：通过在土槽实验室进行条件可控的根茎预埋试验以及实地探测果树根系试验收集的根真实图像；通过仿真软件得到根仿真图像；通过循环对抗生成网络CycleGAN制作的根转换图像；S32、基于所述数据集，对改进的YOLOv5s深度学习网络模型进行迭代训练，获得进行根目标检测的网络模型；所述改进的YOLOv5s深度学习网络模型所包括的主干网络引入注意力机制，并在Focus结构之后加入CBAM模块。5.根据权利要求4所述的一种基于深度学习和探地雷达的果树根系识别与定位方法，其特征在于，循环对抗生成网络CycleGAN由两个完全一致的GAN网络组成的一种环形网络，包括两个结构相同的生成器，两个结构相同的判别器；以真实图像作为源域样本空间A，以仿真图像作为目标域样本空间B，通过生成器和判别器之间的对抗训练，学习数据集图片的像素分布概率来生成新的图片，实现两个样本空间之间的风格转换，以此对数据集进行数据增强。6.根据权利要求1所述的一种基于深度学习和探地雷达的果树根系识别与定位方法，其特征在于，步骤S40包括：S41、对所述目标双曲线区域进行图像分割和边缘处理，根据双曲线对称性提取顶点，利用顶点坐标定位根系位置；S42、利用基于代数距离拟合算法拟合目标双曲线，提取双曲线参数，利用其参数估算根茎的直径。7.根据权利要求6所述的一种基于深度学习和探地雷...

【专利技术属性】
技术研发人员：江方湧，孙道宗，吴昊侯，刘伟康，王卫星，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：