一种自然环境下大豆玉米幼苗期杂草识别分类方法技术

本发明专利技术公开了一种自然环境下大豆玉米智能化杂草识别方法，涉及精准植保技术领域，一种自然环包括如下步骤：步骤一：通过RGB相机拍摄杂草图像，分为大豆玉米单株和多株类间和类内杂草数据集；步骤二：提取杂草前景图像，通过数据增强丰富样本图像，形成训练集和测试集；步骤三：构建基于轻量化卷积神经网络的大豆玉米田间杂草识别模型，设计三种不同的空洞卷积神经网络模型；步骤四：将轻量化网络卷积模型迁移到实例网络分割模型中，通过训练集对卷积神经网络模型进行训练，对类间和类内杂草进行分类；步骤五：通过深度强化学习进行大豆玉米田间杂草识别的自学习。本发明专利技术提高了杂草识别精度。精度。精度。

【技术实现步骤摘要】
一种自然环境下大豆玉米幼苗期杂草识别分类方法


[0001]本专利技术涉及精准植保
，尤其涉及到一种自然环境下大豆玉米智能化杂草识别方法。

技术介绍

[0002]我国每年进口大豆金额超过600亿元，植保喷雾效果影响着大豆产量。杂草成为制约大豆玉米产量和品质的重要原因。并且大豆杂草多数为单子叶植物，玉米也为单子叶植物，农药会相互影响，不适合常规的喷淋施药。
[0003]随着精准农业的提出，大豆玉米田间杂草可以通过精准喷洒的方式进行消灭。其中田间杂草的精确识别成为了施药的关键步骤，目前深度学习已成为杂草识别的普遍方法。
[0004]在深度学习中，通过提取不同杂草形态特征进行识别，但是多数算法无法对同种杂草进行识别，并且对多叶龄杂草相互交叠的现象进行识别，并且训练集图像数量巨大，数据库的建立费时费力，使得实际田间应用受限。

技术实现思路

[0005]针对现有技术中存在的不足，本专利技术提供了一种自然环境下大豆玉米智能化杂草识别方法，本专利技术通过RGB相机获取大豆玉米幼苗期杂草图像，通过二值化得到杂草前景图像，构建轻量化网络模型，提取单株杂草颜色、形状和纹理特征，再输入到实例分割网络模型中，生成感兴趣区域，一方面通过分割模型区分杂草类别，一方面通过强化学习增强网络自学习能力，提高了杂草识别精度。
[0006]本专利技术是通过以下技术手段实现上述技术目的的。
[0007]一种自然环境下大豆玉米幼苗期杂草识别分类方法，包括如下步骤：
[0008]步骤一：通过RGB相机拍摄杂草图像，分为大豆玉米单株和多株类间和类内杂草数据集；
[0009]步骤二：提取杂草前景图像，通过数据增强丰富样本图像，形成训练集和测试集；
[0010]步骤三：构建基于轻量化卷积神经网络的大豆玉米田间杂草识别模型，设计三种不同的空洞卷积神经网络模型；
[0011]步骤四：将轻量化网络卷积模型迁移到实例网络分割模型中，通过训练集对卷积神经网络模型进行训练，对类间和类内杂草进行分类；
[0012]步骤五：通过深度强化学习进行大豆玉米田间杂草识别的自学习。
[0013]上述方案中，对步骤一中大豆玉米幼苗期图像的获取具体包括：
[0014]对所述图像进行分类，对不同天气和不同大小的杂草进行处理，通过图像翻转、噪声增加和亮度的调整提高图像的数量，其中，大豆玉米单株幼苗期杂草的图像带有相应的种类标签。
[0015]上述方案中，步骤二中对提取杂草前景图像通过数据增强丰富样本图像具体包括
对图像中杂草进行提取，然后转换为二值图像，通过图像翻转、噪声增加和亮度的调整来提高图像数量，按照8：2随机分为训练集和测试集。
[0016]上述方案中，步骤三中对杂草识别模型进行训练，包括如下步骤：
[0017]先将图像通过1
×
1空间卷积进行图像特征压缩，然后通过3
×
3卷积进行特征提取，卷积采用空洞卷积的形式；
[0018]通过SE注意力机制优化图像数据，首先对图像进行全局平均池化，通过两个全连接层先降维后升维，对不同特征赋予不同的权重；
[0019]通过1
×
1卷积下降通道数，通过激活函数，输出降维后的特征图。
[0020]上述方案中，所述步骤四包括如下步骤：
[0021]获取步骤三中图像特征提取层，通过3
×
3卷积核来提取不同特征提取层的特征，再通过1
×
1卷积来对杂草主要特征提取，通过Soft
‑
NMS来生成建议框，通过区域建议网络来生成感兴趣区域；
[0022]通过双线性差值的方式来对感兴趣区域进行提取，来保证图像边缘的平滑，减少锯齿形边缘的出现；
[0023]一方面经过卷积层和全连接层预测目标类别和边界框，另一方面经过全卷积神经网络(FCN)对目标区域进行分割。
[0024]上述方案中，步骤五具体包括对图像进行判断，通过对识别框分割的动作价值进行评判，将当前状态映射到下一步动作，进行动态调整参数，实现目标的最优策略；如果智能体的某个行为策略导致环境正的奖赏(强化信号)，那么智能体以后产生这个行为策略的趋势便会加强，通过动态的调整参数，实现作业过程中的杂草识别作业自学习过程。
[0025]有益效果：
[0026]本专利技术通过RGB相机获取大豆玉米幼苗期杂草图像，通过二值化得到杂草前景图像，构建轻量化网络模型，提取单株杂草颜色、形状和纹理特征，再输入到实例分割网络模型中，生成感兴趣区域，一方面通过分割模型区分杂草类别，一方面通过强化学习增强网络自学习能力，提高了杂草识别精度。
附图说明
[0027]图1为根据本专利技术实施例涉及到的自然环境下大豆玉米智能化杂草识别方法流程图；
[0028]图2为杂草深度强化学习流程图；
[0029]图3为轻量化网络示意图；
[0030]图4为本专利技术中三种空洞卷积示意图；
[0031]图5为本专利技术深度可分离卷积示意图。
具体实施方式
[0032]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0033]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、
“
厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0034]在本专利技术中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0035]本专利技术通过RGB相机获取大豆玉米幼苗期杂草图像，通过二值化得到杂草前景图像，构建轻量化网络模型，提取单株杂草颜色、形状和纹理特征，再输入到实例分割网络模型中，生成感兴趣区域，一方面通过分割模型区分杂草类别，一方面通过强化学习增强网络自学习能力，提高杂草识别精度。
[0036]一种自然环境下大豆玉米智能化杂草识别方法，具体包括以下步骤：s1，图像采集；s2，图像预处理；s3，构建轻量化卷积模型；s4，构建实例分割网络；s5，强化学习训练。
[0037]具体的，s1、获取大豆玉米秧苗及苗期杂草的彩色样本图像；
[0038]本实施例先获取大豆玉米秧苗及苗期杂草的RGB图像，通过相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自然环境下大豆玉米幼苗期杂草识别分类方法，其特征在于，包括如下步骤：步骤一：通过RGB相机拍摄杂草图像，分为大豆玉米单株和多株类间和类内杂草数据集；步骤二：提取杂草前景图像，通过数据增强丰富样本图像，形成训练集和测试集；步骤三：构建基于轻量化卷积神经网络的大豆玉米田间杂草识别模型，设计三种不同的空洞卷积神经网络模型；步骤四：将轻量化网络卷积模型迁移到实例网络分割模型中，通过训练集对卷积神经网络模型进行训练，对类间和类内杂草进行分类；步骤五：通过深度强化学习进行大豆玉米田间杂草识别的自学习。2.根据权利要求1所述的自然环境下大豆玉米幼苗期杂草识别分类方法，其特征在于，对步骤一中大豆玉米幼苗期图像的获取具体包括：对所述图像进行分类，对不同天气和不同大小的杂草进行处理，通过图像翻转、噪声增加和亮度的调整提高图像的数量，其中，大豆玉米单株幼苗期杂草的图像带有相应的种类标签。3.根据权利要求1所述的自然环境下大豆玉米幼苗期杂草识别分类方法，其特征在于，步骤二中对提取杂草前景图像通过数据增强丰富样本图像具体包括对图像中杂草进行提取，然后转换为二值图像，通过图像翻转、噪声增加和亮度的调整来提高图像数量，按照8：2随机分为训练集和测试集。4.根据权利要求1所述的自然环境下大豆玉米幼苗期杂草识别分类方法，其特征在于，步骤三中对杂草识别模型进行训练，包括如下步骤：先将图像通过1
×
1空间卷积进行图像特...

【专利技术属性】
技术研发人员：钟伟，贾卫东，吴亚云，杨婉婷，朱旺兵，王冠群，于鹏澎，欧鸣雄，
申请(专利权)人：句容市农机化技术推广服务站，
类型：发明
国别省市：