一种基于无人机和深度学习的农作物杂草检测方法及装置制造方法及图纸

本发明专利技术公开了一种基于无人机和深度学习的农作物杂草检测方法及装置。该装置通过固定在无人机上的控制模块和视觉模块进行实时扫描与检测，并通过定位模块返回杂草坐标。该方法包括：拍摄制作农作物杂草数据集；然后在FPN部分添加改进注意力模块的NanoDet作为识别模型，使用公共农作物杂草数据集训练模型；再将改进的NanoDet检测算法和训练好的模型移植到无人机上，操作无人机获取图像，检测算法通过读取图像进行实时检测；最后，通过GPS将检测到杂草所在的坐标进行定位，传输回后台以待下一步的除草任务。本方法提升了现有算法的检测精度，配合无人机能实现高效、精确的杂草检测坐标，为科学管理农田提供了新的方法。为科学管理农田提供了新的方法。为科学管理农田提供了新的方法。

【技术实现步骤摘要】
一种基于无人机和深度学习的农作物杂草检测方法及装置


[0001]本专利技术属于计算机视觉目标检测
，涉及使用改进NanoDet模型的杂草检测，具体涉及一种基于无人机和深度学习的农作物杂草检测方法及装置。

技术介绍

[0002]杂草是农作物减产的主要原因之一，会对种植人员的收入造成极大的影响。准确检测出农作物中混杂的杂草，有利于农田管理者及时采取有效的措施清理杂草，减轻杂草和农作物争夺养分导致农作物减产的情况。传统的人工除草方法效率低、操作慢，在进行除草时没有区分有、无杂草区域，直接对所有农田进行农药喷洒，会造成农药的浪费和时间上过多的消耗，同时也无法适应当前日益成熟的大农场生产方式，会降低经济效益和减少农作物产量。
[0003]图像的目标检测在计算机视觉领域是一项具有挑战性的工作，与简单分类的上游任务不同，其要求对图像中每个目标进行精确分类并且标注目标的位置，现在主流的目标检测技术是基于深度卷积神经网络来完成，并且根据是否利用anchor提取目标候选框可以分为anchor
‑
based和anchor
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无人机和深度学习的农作物杂草检测方法，其特征在于：具体包括以下步骤：步骤1、收集包含杂草的图像，并对图像中的杂草进行标注，形成杂草数据集；步骤2、构建改进的NanoDet模型，作为杂草识别模型，使用步骤1得到的杂草数据集进行训练；所述改进的NanoDet模型具体为：主干网络使用CSPnet卷积块的ShuffleNetV2
‑
1.5x；FPN部分使用PAN结构，针对主干网络输出的8、16、32倍下采样特征图进行多尺度特征融合，并在每层特征的输出之后，使用注意力模块进行特征整合；步骤3、将步骤2训练好杂草识别模型移植到无人机中，再使用无人机扫描待除草的种植区域；无人机在扫描过程中通过杂草识别模型进行实时检测，当杂草识别模型判断扫描图像中存在杂草时，通过GPS定位杂草所在的位置，并将坐标返回到后台。2.如权利要求1所述一种基于无人机和深度学习的农作物杂草检测方法，其特征在于：所述多尺度特征融合过程为：首先，对32倍下采样特征图通过双线性插值方式进行上采样，与16倍下采样特征图直接相加，得到融合后的16倍下采样特征图；然后将融合后的16倍下采样特征图继续通过双线性插值的方式进行上采样，与8倍下采样特征图直接相加融合，输出8倍下采样结果，再将融合的结果通过线性插值进行下采样，与融合后的16倍下采样特征图进行相加融合，输出16倍下采样结果，再对融合的结果通过线性插值进行下采样，与32倍下采样特征图进...

【专利技术属性】
技术研发人员：罗强，韩润华，殷志坚，杨贞，余亮，熊朝松，
申请(专利权)人：江西科技师范大学，
类型：发明
国别省市：