本发明专利技术公开了一种基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法，属于深度学习和精准农业领域。在对苗草识别的过程中，融合卡尔曼滤波和IOU匹配技术构成稳定追踪算法，再结合颜色分割技术和形态学分析处理，实现多种类、多特征暴露程度杂草的识别。大幅提高通过人工智能算法对玉米苗和杂草的识别率，对精准农业打下基础。对精准农业打下基础。对精准农业打下基础。
【技术实现步骤摘要】
一种基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法
[0001]本专利技术涉及深度学习和精准农业领域，具体地说，是一种基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法。
技术介绍
[0002]杂草对于农业生产的危害不言而喻，而精准靶喷除草技术是目前最好的解决方案。在靶喷除草过程中，最基础、最根本的一步就是对作物和杂草进行精准的识别。田地间环境复杂，干扰多，除草机在田地间行动过程中不时会使摄像头产生震动，使得最终拍摄出的画面模糊，导致识别丢失现象的产生。在本专利技术中，将目标检测网络模型和卡尔曼滤波预测模型相结合，尽可能的避免了识别丢失现象的产生。
[0003]田间的杂草种类通常是多种的，若对每种杂草都进行数据集的采集和对应网络模型的建立，这会使识别任务的实时性大大降低。同时，作物通常高于杂草，并且部分杂草处于丛生状态，这就代表作物和杂草、杂草和杂草之间都会形成遮挡，杂草的特征信息会大量丢失。目标检测网络是无法在这样的情况下对所有杂草进行识别的。在本专利技术中，将目标检测网络和颜色分割技术、形态学分析处理相结合，实现了高效、精准、多种类的杂草识别。
技术实现思路
[0004]本专利技术的目的在于提供一种基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法，在目标识别过程中出现识别丢失现象时，可以结合作物前期的运动趋势，对作物精准，持续的识别，同时还可以实现高精度、高效率的多种类杂草识别。
[0005]本专利技术采取的技术方案包括以下步骤：
[0006](1)网络预训练：对目标检测网络进行预训练，得到可以准确识别玉米苗的网络模型。
[0007](2)玉米苗检测：对摄像头输入的图像通过(1)中的预训练网络检测其中玉米苗位置及大小。
[0008](3)卡尔曼滤波：建立田间除草机运动模型，设定滤波初始数值，若当前帧为第一帧，则根据第一帧中所检测出的玉米苗位置来设定卡尔曼滤波起始估计，预测下一帧对应玉米苗所处位置及大小；若当前帧不是第一帧，则直接由当前帧玉米苗位置预测下一帧对应玉米苗所处位置及大小。
[0009](4)跟踪判断：判断当前帧对应玉米苗识别是否丢失。若未丢失，则直接将检测出的玉米苗位置视为当前帧玉米苗位置；若丢失，则将对应玉米苗的预测结果视为玉米苗位置。
[0010](5)多种类杂草识别：首先将图像中玉米苗位置图像信息屏蔽，接着通过超绿色模型及形态学处理技术，得到图像除玉米苗外的绿色区域边缘形状，并求解其外接矩形，将其视为杂草位置。
[0011](6)重复(2)～(5)，直至摄像头停止输入图像。
[0012]本专利技术相比于现有技术优势在于：一是相比于传统的目标检测网络模型，在对目标的识别过程中，可以解决因模糊、震动、特征丢失等原因而出现的识别丢失现象，使得识别结果更加准确、持续、稳定。二是相比于目前现有的杂草识别方式，本专利技术的杂草识别方式可实现多种类的杂草识别，并且实时性强，准确度高。
附图说明
[0013]图1为该算法流程图
[0014]图2卡尔曼滤波模型搭建示意图
[0015]图3稳定追踪技术流程示意图
[0016]图4～9多品种、多特征暴露程度杂草识别流程图
具体实施方式
[0017]为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合实施例，对本专利技术进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0018]该基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法的实施步骤为：
[0019](1)网络预训练：对目标检测网络进行预训练，得到可以准确识别玉米苗的网络模型。
[0020](2)玉米苗检测：对摄像头输入的图像通过(1)中的预训练网络检测其中玉米苗位置及大小。
[0021](3)卡尔曼滤波：建立田间除草机运动模型，设定滤波初始数值，若当前帧为第一帧，则根据第一帧中所检测出的玉米苗位置来设定卡尔曼滤波起始估计，预测下一帧对应玉米苗所处位置及大小；若当前帧不是第一帧，则直接由当前帧玉米苗位置预测下一帧对应玉米苗所处位置及大小。
[0022](4)跟踪判断：判断当前帧对应玉米苗识别是否丢失。若未丢失，则直接将检测出的玉米苗位置视为当前帧玉米苗位置；若丢失，则将对应玉米苗的预测结果视为玉米苗位置。
[0023](5)多种类杂草识别：首先将图像中玉米苗位置图像信息屏蔽，接着通过超绿色模型及形态学处理技术，得到图像除玉米苗外的绿色区域边缘形状，并求解其外接矩形，将其视为杂草位置。
[0024](6)重复(2)～(5)，直至摄像头停止输入图像。
[0025]其中，步骤1预训练使用的数据集为全角度、全天气、多光强的三叶期玉米苗数据集，且使用的目标检测网络模型为当前效率与精度平衡最好的Yolov5。
[0026]其中，步骤2所述的卡尔曼滤波：
[0027]卡尔曼滤波预测模型：
[0028]在近端识别并进行除草过程中，玉米苗相对除草机的运动时，其顶角位置可视为离散化数据，离散化的目标位置及大小状态模型和观测方程可表示为
[0029]X
k
＝A
k,k
‑1X
k
‑1+BU
k
‑1+Γ
k
‑1W
k
‑1[0030]Z
k
＝H
k
X
k
+V
k
[0031]式中X
k
——k时刻的目标位置及大小状态估计量，包括位置中心坐标x，y，目标大小，长h，宽w。
[0032]A
k,k
‑1——k
‑
1时刻到时k刻的目标运动状态转移矩阵
[0033]B——控制矩阵
[0034]U
k
‑1——控制输入
[0035]Γ
k
‑1——系统噪声影响矩阵，表示由k
‑
1时刻到k时刻，各个目标状态量噪声影响各个状态量的程度
[0036]W
k
‑1——k
‑
1时刻的系统噪声
[0037]Z
k
——k时刻的观测矢量
[0038]H
k
——k时刻的观测矩阵
[0039]V
k
——k时刻的观测噪声
[0040]根据卡尔曼滤波递推关系，进行相关参数预测，即
[0041][0042][0043]式中——当前时刻目标位置及大小先验估计矩阵
[0044]——当前时刻目标位置及大小先验估计协方差矩阵
[0045]Q——系统过程协方差矩阵
[0046]卡尔曼滤波参数更新为
[0047][0048][0049]式中K
k
——卡尔曼增益
[0050][0051]——目标位置及大小最优估计矩阵
[00本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法，其特征在于，包括以下步骤：步骤1：网络预训练：对目标检测网络进行预训练，得到可以准确识别玉米苗的网络模型。步骤2：玉米苗检测：对摄像头输入的图像通过(1)中的预训练网络检测其中玉米苗位置及大小。步骤3：卡尔曼滤波：建立田间除草机运动模型，设定滤波初始数值，若当前帧为第一帧，则根据第一帧中所检测出的玉米苗位置来设定卡尔曼滤波起始估计，预测下一帧对应玉米苗所处位置及大小；若当前帧不是第一帧，则直接由当前帧玉米苗位置预测下一帧对应玉米苗所处位置及大小。步骤4：跟踪判断：判断当前帧对应玉米苗识别是否丢失。若未丢失，则直接将检测出的玉米苗位置视为当前帧玉米苗位置；若丢失，则将对应玉米苗的预测结果视为玉米苗位置。步骤5：多种类杂草识别：首先将图像中玉米苗位置图像信息屏蔽，接着通过超绿色模型及形态学处理技术，得到图像除玉米苗外的绿色区域边缘形状，并求解其外接矩形，将其视为杂草位置。步骤6：重复(2)～(5)，直至摄像头停止输入图像。2.根据权利要求1所述的一种基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法，其特征在于：步骤1预训练使用的数据集为全角度、全天气、多光强的三叶期玉米苗数据集，且使用的目标检测网络模型为当前效率与精度平衡最好的Yolov5。3.根据权利要求1所述的一种基于卡尔曼滤波和深度学习的玉米田地多种类杂草实时识别算法，其特征在于：步骤2所述的卡尔曼滤波：(1)卡尔曼滤波算法在近端识别并进行除草过程中，玉米苗相对除草机的运动时，其顶角位置可视为离散化数据，离散化的目标位置及大小状态模型和观测方程可表示为X
k
＝A
k,k
‑1X
k
‑1+BU
k
‑1+Γ
k
‑1W
k
‑1Z
k
＝H
k
X
k
+V
k
式中X
k
——k时刻的目标位置及大小状态估计量，包括位置中心坐标x，y，目标大小，长h，宽w。A
k,k
‑1——k
‑
1时刻到时k刻的目标运动状态转移矩阵B——控制矩阵U
k
‑1——控制输入Γ
k
‑1——系统噪声影响矩阵，表示由k
‑
1时刻到k时刻，各个目标状态量噪声影响各个状态量的程度W
k
‑1——k
‑
1时刻的系统...
【专利技术属性】
技术研发人员：权龙哲，杨允欢，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。