用于对无人机遥感图像的玉米苗、杂草检测和计数的方法技术

本发明专利技术涉及一种用于对无人机遥感图像的玉米苗、杂草检测和计数的方法，包括：采集农田图像，并进行预处理，得到切割后的图像；构建作物行检测模型，并进行掩膜处理，得到只有行间杂草的经掩膜处理后的图像；建立玉米苗、杂草训练样本集；构建玉米苗、杂草检测模型，得到最佳的玉米苗、杂草检测模型；玉米苗、杂草检测和数据分析。本发明专利技术充分考虑了田间玉米苗和杂草分布的特征，得到了玉米苗数量远大于杂草数量和玉米苗基本生长在玉米苗行内这两个特征；依据这些特征提出了玉米苗行掩膜处理的方法，此方法解决了对原始图像进行大量玉米苗标注耗费时间成本和杂草和玉米苗总数据量不平衡这两个问题。两个问题。两个问题。

【技术实现步骤摘要】
用于对无人机遥感图像的玉米苗、杂草检测和计数的方法


[0001]本专利技术涉及目标检测
，尤其是一种用于对无人机遥感图像的玉米苗、杂草检测和计数的方法。

技术介绍

[0002]农田中的杂草不仅会与作物争夺生存空间还会助长病虫害的蔓延，造成农作物的歉收。杂草、作物检测在农田管理中发挥着重要作用，可为精准喷药和除草的实施提供数据支撑和农事作业决策，有效地检测农田中杂草、作物的数量和分布有助于提高作物产量、减少农药用量和环境保护。
[0003]现有的杂草、作物检测存在以下几个问题：第一，大多都是对近距离拍摄采集图像进行处理的，难以对整块农田的数据进行分析；第二，农田中作物数量远大于杂草数量，两者数据量不平衡影响检测模型的构建；第三，单张图像中作物数量过多且特征相似，标注成本太大且价值不高。

技术实现思路

[0004]本专利技术的目的在于提供一种能够高效地获取整块农田的高分辨率图像，并高效地对整块农田的数据进行分析的用于对无人机遥感图像的玉米苗、杂草检测和计数的方法。
[0005]为实现上述目的，本专利技术采用了以下技术方案：一种用于对无人机遥感图像的玉米苗、杂草检测和计数的方法，该方法包括下列顺序的步骤：
[0006](1)采集农田图像，并进行预处理：通过无人机拍摄获取高分辨率农田遥感图像，将高分辨率农田遥感图像进行切割，得到切割后的图像；
[0007](2)构建作物行检测模型，并进行掩膜处理：对切割后的图像进行作物行训练样本的制作，得到作物行训练样本集，构建作物行检测模型YOLOv4
‑
Tiny，添加ECA通道注意力模块改进作物行检测模型YOLOv4
‑
Tiny，得到改进的作物行检测模型；将作物行训练样本集输入改进的作物行检测模型进行训练，将切割后的图像输入改进的作物行检测模型，对改进的作物行检测模型输出的图像中的作物行区域进行掩膜处理，得到只有行间杂草的经掩膜处理后的图像；
[0008](3)建立玉米苗、杂草训练样本集：在切割后的图像中选取部分图像，对其中的玉米苗和杂草进行标注；在经掩膜处理后的图像中选取部分图像，对其中的杂草进行标注；选取的切割后的图像和经掩膜处理后的图像的数量比例为3：7，将标注后的切割后的图像和经掩膜处理后的图像组成玉米苗、杂草训练样本集；
[0009](4)构建玉米苗、杂草检测模型：构建玉米苗、杂草检测模型YOLOv4，采用Meta
‑
ACON激活函数、添加CBAM注意力模块、soft
‑
NMS非极大值抑制处理改进玉米苗、杂草检测模型YOLOv4，得到改进后的玉米苗、杂草检测模型，将玉米苗、杂草训练样本集输入改进后的玉米苗、杂草检测模型进行训练，得到最佳的玉米苗、杂草检测模型；
[0010](5)玉米苗、杂草检测和数据分析：将待检测样本输入最佳的玉米苗、杂草检测模
型，对待检测样本中的玉米苗和杂草进行识别，得到玉米苗和杂草的分布位置情况，并对玉米苗和杂草进行计数。
[0011]所述步骤(1)包括以下步骤：
[0012](1a)规划农田的无人机飞行路线，飞行高度设置为25米，拍摄时期为玉米苗时期，将拍摄的农田图像经二维重建后合成完整的高分辨率农田遥感图像；
[0013](1b)将高分辨率农田遥感图像去除边缘非农田区域后，对高分辨率农田遥感图像进行预处理，即对高分辨率农田遥感图像进行切割，得到切割后的图像。
[0014]所述步骤(2)包括以下步骤：
[0015](2a)取切割后的图像进行作物行数据的标注，将图像中每条作物行完整的标注一个标签，将制作完成的数据进行样本增强后形成作物行训练样本集；
[0016](2b)构建作物行检测模型YOLOv4
‑
Tiny，添加ECA通道注意力模块改进作物行检测模型YOLOv4
‑
Tiny，得到改进的作物行检测模型：ECA通道注意力模块首先对作物行检测模型YOLOv4
‑
Tiny的主干网络输出的特征图进行全局平均池化；然后进行一维卷积操作，并经sigmoid激活函数得到各个通道的权重；最后将权重与作物行检测模型YOLOv4
‑
Tiny的主干网络输出的特征图的对应元素相乘，得到最终输出特征图，ECA通道注意力模块的计算公式为：
[0017]ω＝σ(C1D
k
(y))
ꢀꢀꢀ
(1)
[0018]其中，ω表示通道的权重，σ表示sigmoid激活函数，C1D
k
表示卷积核大小为k的一维卷积操作，卷积核k的计算公式为：
[0019][0020]其中，γ＝2，b＝1，odd表示向上取奇数，C表示通道数；
[0021](2c)将作物行训练样本集输入改进的作物行检测模型进行训练，将切割后的图像作为待检测样本输入改进的作物行检测模型从而检测出待检测样本中每条作物行的坐标信息，对改进的作物行检测模型输出的图像中的作物行区域进行掩膜处理，得到只有行间杂草的经掩膜处理后的图像。
[0022]所述步骤(4)包括以下步骤：
[0023](4a)构建玉米苗、杂草检测模型YOLOv4；
[0024](4b)在构建的玉米苗、杂草检测模型YOLOv4中引入Meta
‑
ACON激活函数，将玉米苗、杂草检测模型YOLOv4的NECK部分的CBL模块的Leakey ReLU激活函数替换为Meta
‑
ACON激活函数，Meta
‑
ACON激活函数的公式为：
[0025]f(x)＝(p1‑
p2)x
·
σ[β(p1‑
p2)x]+p2x
ꢀꢀꢀ
(3)
[0026]其中，x1和p2是两个可学习的参数，用于自适应调整，负责控制函数一阶导数的上下限；β负责动态的控制激活函数的线性或非线性；σ表示sigmoid函数；
[0027](4c)在玉米苗、杂草检测模型YOLOv4中添加CBAM注意力模块，并将CBAM通道注意力模块的激活函数替换为Meta
‑
ACON激活函数，CBAM注意力模块通过通道和空间两个部分对玉米苗、杂草检测模型YOLOv4主干网络输出的特征图依次进行操作：
[0028]在CBAM的通道注意力部分，对玉米苗、杂草检测模型YOLOv4主干网络输出的特征图进行全局平均池化和全局最大池化，再经过共享全连接层处理后，对处理后的两个结果
相加，经sigmoid函数得到权重，最后乘以玉米苗、杂草检测模型YOLOv4主干网络输出的特征图得到推断特征图，通道注意力的计算公式如公式(4)所示，逐元素相乘得到通道注意力模块输出的特征图F
′
如公式(5)所示：
[0029][0030][0031]其中，和分别表示通道注意力部分的平均池化的特征和最大池化的特征，MLP表示共享的全连接层，F为输入通道注意本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对无人机遥感图像的玉米苗、杂草检测和计数的方法，其特征在于：该方法包括下列顺序的步骤：(1)采集农田图像，并进行预处理：通过无人机拍摄获取高分辨率农田遥感图像，将高分辨率农田遥感图像进行切割，得到切割后的图像；(2)构建作物行检测模型，并进行掩膜处理：对切割后的图像进行作物行训练样本的制作，得到作物行训练样本集，构建作物行检测模型YOLOv4
‑
Tiny，添加ECA通道注意力模块改进作物行检测模型YOLOv4
‑
Tiny，得到改进的作物行检测模型；将作物行训练样本集输入改进的作物行检测模型进行训练，将切割后的图像输入改进的作物行检测模型，对改进的作物行检测模型输出的图像中的作物行区域进行掩膜处理，得到只有行间杂草的经掩膜处理后的图像；(3)建立玉米苗、杂草训练样本集：在切割后的图像中选取部分图像，对其中的玉米苗和杂草进行标注；在经掩膜处理后的图像中选取部分图像，对其中的杂草进行标注；选取的切割后的图像和经掩膜处理后的图像的数量比例为3：7，将标注后的切割后的图像和经掩膜处理后的图像组成玉米苗、杂草训练样本集；(4)构建玉米苗、杂草检测模型：构建玉米苗、杂草检测模型YOLOv4，采用Meta
‑
ACON激活函数、添加CBAM注意力模块、soft
‑
NMS非极大值抑制处理改进玉米苗、杂草检测模型YOLOv4，得到改进后的玉米苗、杂草检测模型，将玉米苗、杂草训练样本集输入改进后的玉米苗、杂草检测模型进行训练，得到最佳的玉米苗、杂草检测模型；(5)玉米苗、杂草检测和数据分析：将待检测样本输入最佳的玉米苗、杂草检测模型，对待检测样本中的玉米苗和杂草进行识别，得到玉米苗和杂草的分布位置情况，并对玉米苗和杂草进行计数。2.根据权利要求1所述的用于对无人机遥感图像的玉米苗、杂草检测和计数的方法，其特征在于：所述步骤(1)包括以下步骤：(1a)规划农田的无人机飞行路线，飞行高度设置为25米，拍摄时期为玉米苗时期，将拍摄的农田图像经二维重建后合成完整的高分辨率农田遥感图像；(1b)将高分辨率农田遥感图像去除边缘非农田区域后，对高分辨率农田遥感图像进行预处理，即对高分辨率农田遥感图像进行切割，得到切割后的图像。3.根据权利要求1所述的用于对无人机遥感图像的玉米苗、杂草检测和计数的方法，其特征在于：所述步骤(2)包括以下步骤：(2a)取切割后的图像进行作物行数据的标注，将图像中每条作物行完整的标注一个标签，将制作完成的数据进行样本增强后形成作物行训练样本集；(2b)构建作物行检测模型YOLOv4
‑
Tiny，添加ECA通道注意力模块改进作物行检测模型YOLOv4
‑
Tiny，得到改进的作物行检测模型：ECA通道注意力模块首先对作物行检测模型YOLOv4
‑
Tiny的主干网络输出的特征图进行全局平均池化；然后进行一维卷积操作，并经sigmoid激活函数得到各个通道的权重；最后将权重与作物行检测模型YOLOv4
‑
Tiny的主干网络输出的特征图的对应元素相乘，得到最终输出特征图，ECA通道注意力模块的计算公式为：ω＝σ(C1D
k
(y))
ꢀꢀꢀꢀꢀ
(1)其中，ω表示通道的权重，σ表示sigmoid激活函数，C1D
k
表示卷积核大小为k的一维卷积
操作，卷积核k的计算公式为：其中，γ＝2，b＝1，odd表示向上取奇数，C表示通道数；(2c)将作物行训练样本集输入改进的作物行检测模型进行训练，将切割后的图像作为待检测样本输入改进的作物行检测模型从而检测出待检测样本中每条作物行的坐标信息，对改进的作物行检测模型输出的图像中的作物行区域进行掩膜处理，得到只有行间杂草的经掩膜处理后...

【专利技术属性】
技术研发人员：黄河，裴昊天，孙友强，张玮，盛佳佳，周佳乐，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：