基于背景过滤的小样本学习农作物冠层覆盖度计算方法技术

本发明专利技术涉及图像识别技术、农业育种领域，尤其涉及一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，该方法包括以下步骤：步骤S1：利用无人机载具获取待计算的田间高空俯拍RGB图像数据，构建支持数据集和查询数据集；步骤S2：构造并训练背景分割网络模型；步骤S3：基于训练得到的背景分割网络模型进行推理，结合绿色特征指数得到背景指数图；步骤S4：构造并训练小样本分割网络模型；步骤S5：基于训练得到的小样本分割网络模型进行推理，集合背景指数图得到农作物的冠层覆盖区域，并基于冠层覆盖区域计算冠层覆盖度。本发明专利技术具有准确度高，标注成本极低，且对农作物类冠层覆盖度计算具有通用性。计算具有通用性。计算具有通用性。

【技术实现步骤摘要】
基于背景过滤的小样本学习农作物冠层覆盖度计算方法


[0001]本专利技术涉及图像识别技术、农业育种领域，尤其涉及一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法。

技术介绍

[0002]冠层覆盖度(GC)代表土壤表面被植物叶片所覆盖的比例，是测量并表征农作物立苗和早期生长状态（又称早期活力）的重要指标。在早期生长中具有更大冠层覆盖度的基因型通常能够截获更多的太阳辐射并遮蔽更大比例的土壤，从而减少土壤内水分的蒸发并可能提高水分利用率。较大的冠层覆盖度在较湿润的生长环境中可能具有更大的益处，但在干旱环境中则存在着一定的风险，即过早的生长可能会提前耗尽土壤水分，从而在生长季末期面临更严重的干旱胁迫。此外，冠层覆盖度高的作物在面对杂草时会有更强的竞争力，因此有助于对抗耐除草剂杂草。
[0003]在智能育种过程中，如何快速并精确地提取农作物在生长初期的冠层覆盖度逐渐变成一项重要的技术支撑。现阶段提取农作物的冠层覆盖度的方法主要有以下两种：
[0004]一、地面测量，该方法主要是以人工实地测量获取数据。主要是采样的方法，包括样方法、样带法和样点法等，但由于其受到较大的人为因素影响，获得的结果不够精确且波动较大。为了获得更准确的数据,科学家们专利技术了用于采样的仪器，如空间定量计和移动光量计等，这种仪器很好的满足了提高测量精度的目标，但是，在野外使用这些仪器操作上十分不便。
[0005]二、遥感测量，近些年来遥感技术的发展在一定程度上促进了生态学的进步。农作物的冠层覆盖度提取也形成了一个新的发展方向。常见的方法有：回归模型法、植被指数法与像元分解模型法以及色彩过滤法。回归模型法是寻找对植被冠层覆盖度敏感而对背景因素不敏感的植被指数，利用统计学思想分析植被指数与植被冠层覆盖度之间的关系，建立两者之间的各种回归模型。植被指数法是直接利用与植被指数关系好的指数来直接估算植被冠层覆盖度的反演方法。像元分解模型法是直接通过理论分析像元，对像元进行分解，进一步建立植被指数与植被冠层覆盖度的相关关系模型。色彩过滤法较为直接，其将遥感得到的RGB图像通过色彩等特征进行过滤，或者提取绿色相关的彩色特征进行过滤。
[0006]综上所述，上述农作物冠层覆盖度的获取方法都存在一定的缺陷和问题，主要体现在：(1)选取样方对先验知识的要求高，人眼估测的主观性大，照片勾绘费时费力；(2)采样仪器野外使用及携带不方便；(3)统计模型在寻找合适的指数时特异性强，适用范围不广；(4)利用遥感建立关系模型反演的方法，精度有限，反演适应范围有限。基于此，需要提供一种运行效率较高，抗同类目标遮挡且性能优异的行人多目标跟踪方法；（5）采用色彩等特征容易引入杂草或落叶等非农作物目标。（6）算法和农作物高度绑定，换一种作物效果大打折扣。
[0007]基于此，需要提供一种准确度高，成本较低的农作物冠层覆盖度提取方法。

技术实现思路

[0008]为了解决现有技术中存在的上述技术问题，本专利技术提出了一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，通过传统的区域分割网络将已知的杂草、土地、道路等背景区域滤除，然后利用小样本分割网络进行精细分割，最终得到农作物的冠层区域，最终计算冠层区域的像素占比来得到冠层覆盖度，其具体技术方案如下：
[0009]一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，包括以下步骤：
[0010]步骤S1：利用无人机载具获取待计算的田间高空俯拍RGB图像数据，构建支持数据集和查询数据集；
[0011]步骤S2：构造并训练背景分割网络模型，将已知的背景目标包括杂草、土地、道路，设定为目标类，将已知的农作物设定为背景类；
[0012]步骤S3：基于训练得到的背景分割网络模型进行推理，获取待计算冠层覆盖度的查询图像中的目标区域的分割置信度图，并对全图提取绿色特征指数，将分割置信度与绿色特征指数进行叠加得到背景指数图，基于背景指数图得到背景区域与前景区域；
[0013]步骤S4：构造并训练小样本分割网络模型，将已知的农作物设定为目标类，将其他区域设置为背景类；
[0014]步骤S5：基于训练得到的小样本分割网络模型进行推理，将所述支持数据集中的支持图像和待计算冠层覆盖度的查询图像分别输入小样本分割网络模型得到分类预测图，预测置信度大于预设阈值的为目标区域，将该目标区域与步骤S3获得的前景区域进行求交集得到农作物的冠层覆盖区域，并基于冠层覆盖区域计算冠层覆盖度。
[0015]进一步的，所述步骤S1具体为：利用无人机载具搭载可见光相机，在田间设置巡航点，固定巡航点及飞行高度，并拍照获取田间的RGB可见光图像；整理无人机俯拍图像数据，挑选其中具有代表性的若干张图像作为支持数据集，并进行标注，标出农作物冠层的像素区域，其余图像不进行标注而作为查询图像。
[0016]进一步的，所述步骤S2，具体为基于FCN全卷积神经网络构建背景分割网络模型，将杂草、土地、道路分别设置为目标类0、目标类1、目标类2，其他所有区域设置为其他类3进行训练，采用已知公开数据集进行训练。
[0017]进一步的，所述步骤S3中，基于训练得到的背景分割网络模型进行推理，获取待计算冠层覆盖度的查询图像中的目标区域的分割置信度图，并对全图提取绿色特征指数，具体为：
[0018]将待计算冠层覆盖度的田间查询图像输入到训练好的背景分割网络模型，得到关于目标类0、目标类1、目标类2、其他类3四个区域的分割置信度图，并对原图计算绿色特征指数得到绿色特征指数图；所述绿色特征指数是指RGB图像的像素点G通道相对占比指数，占比指数越大则表示绿色特征指数越大，公式表示为，其中表示图像中第i行第j列的像素绿色特征值, 表示图像中第i行第j列的像素G通道的值，表示图像中第i行第j列的像素R通道的值，表示图像中第i行第j列的像素B通道的值，将其进行量化得到其绿色特征指数，其中表示中的最小值，表示中的最大值；
[0019]所述分割置信度图表示原图中每个像素在各个类中的分类置信度以及对应的类
别标签，分割置信图表示为，其中表示原图中第i行第j列像素的各个类别的置信度，则表示为对应的类别。
[0020]进一步的，所述步骤S3中，将分割置信度与绿色特征指数进行叠加得到背景指数图，基于背景指数图得到背景区域与前景区域，具体为：
[0021]所述分割置信度图与绿色特征指数图进行叠加得到背景指数图表示为，表示原图中第i行第j列像素的背景指数，当像素类别为地面和道路时，其对应的背景指数为分类置信度减去绿色特征指数，当像素类别为杂草和其他类时，其背景指数为分类置信度，最终基于背景指数求取每个像素的最大背景指数对应的类别，将最大背景指数的类别为杂草、地面、道路的像素区域设置为背景区域，最大背景指数的类别为其他类的像素区域设置为前景区域。
[0022]进一步的，所述步骤S4中的小样本分割网络模型由语义特征提取模块、先验掩摸生成模块、多尺度特征融合模块组成；
[0023]所述语义特征提取模块采用ResN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，其特征在于，包括以下步骤：步骤S1：利用无人机载具获取待计算的田间高空俯拍RGB图像数据，构建支持数据集和查询数据集；步骤S2：构造并训练背景分割网络模型，将已知的背景目标包括杂草、土地、道路，设定为目标类，将已知的农作物设定为背景类；步骤S3：基于训练得到的背景分割网络模型进行推理，获取待计算冠层覆盖度的查询图像中的目标区域的分割置信度图，并对全图提取绿色特征指数，将分割置信度与绿色特征指数进行叠加得到背景指数图，基于背景指数图得到背景区域与前景区域；步骤S4：构造并训练小样本分割网络模型，将已知的农作物设定为目标类，将其他区域设置为背景类；步骤S5：基于训练得到的小样本分割网络模型进行推理，将所述支持数据集中的支持图像和待计算冠层覆盖度的查询图像分别输入小样本分割网络模型得到分类预测图，预测置信度大于预设阈值的为目标区域，将该目标区域与步骤S3获得的前景区域进行求交集得到农作物的冠层覆盖区域，并基于冠层覆盖区域计算冠层覆盖度。2.如权利要求1所述的一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，其特征在于，所述步骤S1具体为：利用无人机载具搭载可见光相机，在田间设置巡航点，固定巡航点及飞行高度，并拍照获取田间的RGB可见光图像；整理无人机俯拍图像数据，挑选其中具有代表性的若干张图像作为支持数据集，并进行标注，标出农作物冠层的像素区域，其余图像不进行标注而作为查询图像。3.如权利要求2所述的一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，其特征在于，所述步骤S2，具体为基于FCN全卷积神经网络构建背景分割网络模型，将杂草、土地、道路分别设置为目标类0、目标类1、目标类2，其他所有区域设置为其他类3进行训练，采用已知公开数据集进行训练。4.如权利要求3所述的一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，其特征在于，所述步骤S3中，基于训练得到的背景分割网络模型进行推理，获取待计算冠层覆盖度的查询图像中的目标区域的分割置信度图，并对全图提取绿色特征指数，具体为：将待计算冠层覆盖度的田间查询图像输入到训练好的背景分割网络模型，得到关于目标类0、目标类1、目标类2、其他类3四个区域的分割置信度图，并对原图计算绿色特征指数得到绿色特征指数图；所述绿色特征指数是指RGB图像的像素点G通道相对占比指数，占比指数越大则表示绿色特征指数越大，公式表示为，其中表示图像中第i行第j列的像素绿色特征值, 表示图像中第i行第j列的像素G通道的值，表示图像中第i行第j列的像素R通道的值，表示图像中第i行第j列的像素B通道的值，将其进行量化得到其绿色特征指数，其中表示中的最小值，表示中的最大值；所述分割置信度图表示原图中每个像素在各个类中的分类置信度以及对应的类别标签，分割置信图表示为，其中表示原图中第i行第
j列像素的各个类别的置信度，则表示为对应的类别。5.如权利要求4所述的一种基于背景过滤的小样本学习农作物冠层覆盖度计算方法，其特征在于，所述步骤S3中，将分割置信度与绿色特征指数进行叠加得到背景指数图，基于背景指数图得到背景区域与前景区域，具体为：所述分割置信度图与绿色特征指数图进行叠加得到背景指数图表示为，表示原图中第i行第j列像素的背景指数，当像素类别为地面和道路时，其对应的背景指数为分类置信度减去绿色特征指数，当像素类别为...

【专利技术属性】
技术研发人员：张文广，王军，徐晓刚，马寅星，
申请(专利权)人：之江实验室，
类型：发明
国别省市：