可搭载于无人机的用于检测水稻出苗率的方法及相关设备技术

可搭载于无人机的用于检测水稻出苗率的方法及相关设备。本发明专利技术着眼于物体小、密度高、光照可变的农业数据集，利用生成对抗网络向特征图添加噪声，以提高模型的鲁棒性；并通过使用深度可分离卷积修改了一个单阶段物体检测网络，大大减少了模型参数的数量、降低了模型的复杂性，并在保持模型性能的同时提高了模型的运行效率；还提出多激活层代替现有的激活函数层，以提高模型对复杂函数的适应能力。本发明专利技术针对植株幼苗环境复杂不易识别的情况，使用了大量数据增强方法，模型识别精度可达95％以上，即使幼苗处于不同光照情况，平均识别精度也可达92％，并基于Jetson硬件平台研制便携式设备，移植本发明专利技术进行应用，测试视频最终识别准确率为92％以上,平均速率达80帧/s以上。准确率为92％以上,平均速率达80帧/s以上。准确率为92％以上,平均速率达80帧/s以上。

【技术实现步骤摘要】
可搭载于无人机的用于检测水稻出苗率的方法及相关设备


[0001]本专利技术涉及植物幼苗的快速识别，尤其涉及一种可搭载于无人机的用于水稻出苗率检测的轻便装置。

技术介绍

[0002]水稻是人类重要的粮食作物之一，耕种与食用的历史都相当悠久。全世界有一半的人口食用水稻，主要在亚洲、欧洲南部和热带美洲及非洲部分地区。稻的总产量占世界粮食作物产量第三位，低于玉米和小麦，但能维持较多人口的生活。中国是世界上水稻栽培历史最悠久的国家，据考古发现，早在六七千年以前就已经在浙江地区种植水稻。水稻是世界范围内的主要粮食作物，同时其营养价值高，加工后的副产品用途广，能适应多种生态环境且较为高产，因此种植水稻、种植好水稻具有着十分重要的意义。
[0003]目前，水稻种植方面的重要问题之一是缺苗的检测。我国水稻的主要种植方式为手插秧，其次为机插秧。手插秧劳动强度大、工作效率低，均匀程度不如机插秧。手插秧的缺苗情况比较普遍，遇到干旱天气，需要补插苗的地方极多，人工劳动强度极大，机插秧也会有“漂浮秧“现象的出现，就是根没有栽插到泥巴里，倒伏在土壤表面，灌溉后，秧苗会漂浮起来。无论是手插秧还是机插秧，缺苗的现象都极为普遍，农户如果需要知道是否缺苗，只能够在稻田中穿梭，消耗人力较大，且效果常常不理想。
[0004]近年来，无人机出现在民众的视野中。无人驾驶飞机简称“无人机”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。与有人驾驶飞机相比，无人机往往更适合那些太“愚钝，肮脏或危险”的任务，对于水稻的缺苗检测任务就十分适合无人机执行。该类无人机集成了高清数码相机、光谱分析仪、热红外传感器等装置。其能够准确测算地块的种植面积、实现了对农作物质量的监测、甚至可以用来评估农作物风险情况，帮助农户开展针对性的措施，减少风险与损失。

技术实现思路

[0005]本专利技术实施例提供一种可搭载于无人机的用于水稻出苗率检测的轻便装置，用以解决小物体、高密度、光照多变情景下的检测问题，或至少部分解决上述
技术介绍
中提出的技术问题。
[0006]第一方面，本专利技术实施例提供一种检测水稻出苗率的方法，包括：采集幼苗视频信息，制作图像数据集，采用深度学习轻量化网络训练模型，模型运行结果在外接显示屏上显示，向使用者提供检测的水稻幼苗数量信息。
[0007]本专利技术采用的深度学习轻量化网络训练模型是指基于生成对抗网络、多激活层和网络轻量化的GANLite检测网络，优势在于利用生成网络向特征图添加噪声，提高模型的鲁棒性；通过使用深度可分离卷积修改了一个单阶段物体检测网络，大大减少了模型参数的数量，降低了模型的复杂性，并在保持模型性能的同时提高了模型的运行效率；用多激活层代替现有的激活函数层，以提高模型对复杂函数的适应能力。
[0008]第二方面，本专利技术实施例提供一种便携设备，包括Jetson逻辑板、图像采集模块、电源模块和显示模块。图像采集模块利用广角摄像头用以采集水稻幼苗视频信息，并将视频信息给逻辑板,模型运行结果在外接的显示模块上显示。电源模块用来为便携设备供电。
[0009]本专利技术提供一种可搭载于无人机的用于水稻出苗率检测的方法和轻便装置，通过深度学习轻量化网络训练模型实现体积小、密度高的植物幼苗的精准检测。
[0010](1)本专利技术针对植株幼苗环境复杂不易识别的情况，使用了大量数据增强方法，本模型识别精度可达95％以上，即使幼苗处于不同光照情况，平均识别精度也可达92％。
[0011](2)本专利技术基于深度可分离卷积模块与多激活函数层构建轻量化幼苗检测模型.其实验结果显示模型网络识别速度达到80帧/s以上。
[0012](3)基于Jetson硬件平台研制便携式设备，移植本专利技术进行应用，测试视频最终识别准确率为92％以上,平均速率达80帧/s以上。
附图说明
[0013]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0014]图1为本专利技术一实施例中所描述的一种可搭载于无人机的用于水稻出苗率检测的轻便装置的总流程图；
[0015]图2为本专利技术一实施例中所描述的GANLite检测网络结构模型；
[0016]图3为本专利技术一实施例中所描述的向特征图添加噪声的效果对比图；
[0017]图4为本专利技术一实施例中所描述的构成多激活函数层的四种基础激活函数；
[0018]图5为本专利技术一实施例中所描述的分通道卷积模型结构图；
[0019]图6为本专利技术一实施例中所描述的逐点卷积模型结构图。
具体实施方式
[0020]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]图1为本专利技术一实施例中所描述的一种可搭载于无人机的用于水稻出苗率检测的轻便装置的总流程图，如图1所示，首先通过设备底部广角摄像头的感光芯片采集幼苗视频信息，然后制作图像数据集，通过CSI接口传输采集到的视频信息给逻辑板，通过SPI协议进行视频传输，模型运行结果在外接的3.5寸显示屏上显示，可将检测的幼苗数量信息反馈给使用者。
[0022]图2为本专利技术一实施例中所描述的GANLite检测网络结构模型。
[0023]图3为本专利技术一实施例中所描述的向特征图添加噪声的效果对比图，如图3所示，利用生成网络向特征图添加噪声，提高了模型的鲁棒性，使系统在异常和危险情况下仍具有较好的生存能力。
[0024]图4为本专利技术一实施例中所描述的构成多激活函数层的四种基础激活函数，如图4所示，基础激活函数包括ReLU，LeakReLU，ELU和Sigmoid。每个基础激活函数前面都有系数k
n
，并保证
[0025]具体来说：
[0026]ReLU。与其他激活函数相比，ReLU有以下优点：对于线性函数，ReLU的表现力更强，尤其是在深度网络中；对于非线性函数，ReLU不存在梯度消失问题，因为非负区间的梯度是恒定的。该模型的收敛率保持在稳定状态。
[0027]LeakReLU。LeakyReLU是为了解决神经元"死亡"问题而提出的。LeakyReLU与ReLU非常相似，只是在输入小于0的部分有区别。ReLU输入小于0的部分数值为0，而LeakyReLU输入小于0的部分数值为负，且有轻微的梯度。
[0028]ELU。从以上讨论可以看出，理想的激活函数应该满足两个条件。(1)输出的分布是零均值，可以加快训练的速度；(2)激活函数是单边饱和的，可以更好地收敛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可搭载于无人机的用于检测水稻出苗率的方法，其特征在于，获取水稻幼苗数量相关信息。2.根据权利要求1所述一种可搭载于无人机的用于检测水稻出苗率的方法，其特征在于，采集水稻幼苗视频信息，制作图像数据集来为模型识别做准备。3.根据权利要求2所述一种可搭载于无人机的用于检测水稻出苗率的方法，其特征在于，通过基于生成对抗网络、多激活层和网络轻量化的GANLite检测网络进行数据增强，提高模型识别精度。4.一种可搭载于无人机的用于检测水稻...

【专利技术属性】
技术研发人员：吕春利，张焱，张水海，杨心语，李曼州，任宇斐，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：