【技术实现步骤摘要】
一种基于Faster
‑
YOLOv8s网络的玉米作物行识别方法
[0001]本专利技术涉及作物行检测
,特别是指一种基于Faster
‑
YOLOv8s网络的玉米作物行识别方法,主要应用于农业机器人除草、施药时的精准导航。
技术介绍
[0002]玉米是我国重要的粮食作物之一,在我国粮食发展中占有举足轻重的地位。现代农业中,玉米在种植和管理期间离不开农业机器人,而玉米作物行中心线的提取可以为农业机器人的导航提供依据,所以如何准确的识别出玉米作物行中心线成为农业机器人视觉导航技术的关键。
[0003]对图像中的作物进行精准的定位是准确识别作物行线的基础,国内外的研究人员对此做了大量研究。为了降低光照因素对路径识别的影响,高国琴等利用HSI颜色空间、K
‑
means分割作物行,并利用Hough变换提取导航线,但是该方法只考虑了光照这一单一因素对导航线提取的影响,且工作环境为温室。为了克服高杂草对玉米作物行检测的影响,M.Montalvo等利用ExG植被指数、双Otsu法对作物和杂草进行有效的分离,最后利用最小二乘法拟合作物行线,该方法只考虑了杂草因素对作物行线识别的影响。为了克服水稻植株形态差异对引导线检测精度的影响,Keun Ha Choi等提出了一种新的引导线提取算法,该算法依据水稻的形态特征定位水稻植株,并利用改进的鲁棒性回归方法提取导航线,该方法并没有考虑到光照、杂草等环境因素对导航线提取的影响。为了识别弯曲的水稻作物行,Fuchun Liu等利用S ...
【技术保护点】
【技术特征摘要】
1.一种基于Faster
‑
YOLOv8s网络的玉米作物行识别方法,其特征在于,其步骤如下:S1:构建玉米作物行的数据集;S2:构建Faster
‑
YOLOv8s网络,利用数据集对Faster
‑
YOLOv8s网络进行训练和验证,得到Faster
‑
YOLOv8s网络模型;并利用Faster
‑
YOLOv8s网络模型获得玉米株芯检测框;其中,Faster
‑
YOLOv8s网络是利用ASPPF模块替换掉YOLOv8s网络主干结构中的SPPF模块得到的,ASPPF模块是对ASPP结构进行改进得到的;S3:利用玉米株芯检测框的中点定位玉米作物行特征点;S4:采用最小二乘法对玉米作物行特征点进行拟合,得到作物行中心线。2.根据权利要求1所述的基于Faster
‑
YOLOv8s网络的玉米作物行识别方法,其特征在于,所述玉米作物行的数据集的构建方法为:分别采集了不同生长周期、不同生长环境下的玉米作物行图片作为数据集;首先对数据集中的原始图片进行裁剪及数据增强;然后按照4:1:1的比例将数据集划分为训练集、验证集和测试集;最后,使用标注工具Labelimg对数据集进行标注,标注对象为玉米冠层株芯;其中,不同生长周期包括玉米幼苗时期和玉米生长中期,不同生长环境包括正常、杂草、断行、粘连。3.根据权利要求1所述的基于Faster
‑
YOLOv8s网络的玉米作物行识别方法,其特征在于,所述ASPPF模块包括卷积层I、卷积层II、卷积层III、卷积层IV、融合层、池化层、卷积层V、上采样层、卷积层VI和输出层;输入特征分别输入卷积层I的输入端和池化层的输入端,卷积层I的输出端分别与卷积层II的输入端、融合层的输入端相连接,卷积层II的输出端分别与卷积层III的输入端、融合层的输入端相连接,卷积层III的输出端与融合层的输入端相连接,池化层的输出端与卷积层V的输入端相连接,卷积层V的输出端与上采样层的输入端相连接,上采样层的输出端与融合层的输入端相连接,融合层的输出端与卷积层VI的输入端相连接,卷积层VI的输出端与输出层相连接。4.根据权利要求3所述的基于Faster
‑
YOLOv8s网络的玉米作物行识别方法,其特征在于,所述卷积层I、卷积层V、卷积层VI的卷积核大小均为1
×
1;卷积层II、卷积层III、卷积层IV的卷积层大小均为3
×
3,且卷积层II的膨胀率为6,卷积层III的膨胀率为12,卷积层IV的膨胀率为18。5.根据权利要求3所述的基于Faster
‑
YOLOv8s网络的玉米作物行识别方法,其特征在于,所述Faster
‑
YOLOv8s网络包括Backbone模块、Neck模块和Head模块;Backbone模块包括第一卷积层、第二卷积层、C2f
‑
I、...
【专利技术属性】
技术研发人员:刁智华,薛帮国,郭培亮,张保华,张东彦,张竞成,杨然兵,李江波,贺振东,赵素娜,何艳,赵春江,
申请(专利权)人:郑州轻工业大学,
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。