【技术实现步骤摘要】
本申请涉及图像处理领域，尤其涉及一种基于深度学习的秸秆覆盖率检测方法及系统。
技术介绍
1、保护性耕地对于生态平衡、水资源管理、土壤保持和气候调节都至关重要。可通过少耕、免耕、地表微地形改造技术及秸秆覆盖、合理种植等综合配套措施，减少农田土壤侵蚀，保护农田生态环境，以确保耕地的可持续利用和保护。
2、其中，秸秆覆盖是有效实现农业可持续生产力的途径之一，可有效的抑制土壤水分的流失，增强蓄水保墒能力，调节土壤温度，防止土壤沙化，对促进作物的增产具有积极作用。秸秆覆盖率检测是有效开展保护性耕作的一项重要技术指标。
3、相关技术中，可以通过采集秸秆区域的目标图像，并根据目标图像计算秸秆区域的秸秆覆盖率。但在获取目标图像时，因受到天气原因、拍摄角度等客观因素的影响，目标图像的质量随之受到影响，导致影响秸秆覆盖率计算的准确率。
技术实现思路
1、本申请提供一种基于深度学习的秸秆覆盖率检测方法及系统，以解决因包含秸秆的图像质量不佳导致秸秆覆盖率准确性低的问题。
2、本申请第一方面提供一种基于深度学习的秸秆覆盖率检测方法，包括：
3、获取目标图像，所述目标图像为带有秸秆的图像；
4、将所述目标图像转换为rgb三通道图像；
5、提取所述rgb三通道图像的特征，所述特征至少包括颜色特征；
6、生成第一处理图像，所述第一处理图像为调整所述rgb三通道图像至预设比例，并将所述rgb三通道图像的尺寸调整至预设尺寸生成的图像；
7、得到第二处理图像，所述第二处理图像为利用特征融合将所述第一处理图像与所述特征融合处理后的图像；
8、按照尺寸分割所述第二处理图像，以得到第三处理图像，所述第三处理图像的数量为预设份数；
9、根据秸秆覆盖率范围将预设份数的所述第三处理图像分为多个类型；
10、将多个类型的所述第三处理图像划分为训练集和测试集；
11、利用卷积网络执行特征提取，并利用所述训练集对卷积网络训练，以得到训练完成的模型；
12、将所述测试集输入至所述训练完成的模型，以进行验证，并得到推理结果，所述推理结果为所述第三处理图像的秸秆覆盖率；
13、通过所述预设份数的第三处理图像以及所述第三处理图像的秸秆覆盖率计算所述目标图像的秸秆覆盖率。
14、可选的，所述方法还包括：
15、获取所述目标图像包含的通道数量；
16、若所述通道数量为一时，将所述通道的亮度值赋值给rgb三个通道；
17、若所述通道数量为四时，将所述通道中除rgb三个通道以外的其他通道删除。
18、可选的，所述训练集包含的图像数量与所述测试集包含的图像数量的比例为10:1。
19、可选的，调整所述rgb三通道图像至预设比例，并将所述rgb三通道图像的尺寸调整至预设尺寸，以生成第一处理图像，包括：
20、根据所述rgb三通道图像的长度和宽度计算缩放系数；
21、利用所述缩放系数与所述rgb三通道图像宽度的乘积得到预设宽度；
22、利用所述缩放系数与所述rgb三通道图像长度的乘积得到预设长度；
23、通过所述缩放系数、rgb三通道图像长度以及预设长度，填充灰色区域，以生成第一处理图像，所述第一处理图像包括预设长度图像区域以及所述灰色区域。
24、可选的，提取所述rgb三通道图像的特征，包括：
25、将所述rgb三通道图像由rgb颜色空间转换为hsv空间；
26、根据所述hsv空间，将所述rgb三通道图像划分为多个区域；
27、计算每个所述区域的颜色直方图，所述颜色直方图中记录每个通道中不同颜色出现的频率；
28、根据所述颜色直方图，计算颜色特征；
29、将所有区域的所述颜色特征组合成一个特征向量。
30、可选的，将所述第一处理图像与所述特征融合，得到第二处理图像，包括：
31、调整特征向量的长度；
32、利用特征融合，将调整后的特征向量与所述第一处理图像融合处理以生成第二处理图像。
33、可选的，所述目标图像的拍摄方向与秸秆所在的地面垂直。
34、可选的，所述方法还包括：
35、将所述rgb三通道图像根据像素值范围划分为三个区域，所述区域分别为秸秆区域、土壤区域以及曝光区域；
36、对所述区域的像素颜色执行聚类，以得到不同的颜色类别；
37、提取质心，所述质心为每个所述颜色类别中的颜色最接近预设颜色的颜色，所述秸秆区域对应的预设颜色为秸秆颜色，所述土壤区域对应的预设颜色为土壤颜色，所述曝光区域对应的预设颜色为光照秸秆颜色；
38、将所述带有光照秸秆颜色的所在区域去除。
39、本申请第二方面提供一种基于深度学习的秸秆覆盖率检测系统，所述系统用于执行第一方面所述的基于深度学习的秸秆覆盖率检测方法，所述系统包括：获取模块、调整模块、训练模块以及计算模块；
40、所述获取模块用于获取目标图像，所述目标图像为带有秸秆的图像；
41、所述调整模块用于将所述目标图像转换为rgb三通道图像；提取所述rgb三通道图像的特征，所述特征至少包括颜色特征；生成第一处理图像，所述第一处理图像为调整所述rgb三通道图像至预设比例，并将所述rgb三通道图像的尺寸调整至预设尺寸生成的图像；得到第二处理图像，所述第二处理图像为利用特征融合将所述第一处理图像与所述特征融合处理后的图像；按照尺寸分割所述第二处理图像，以得到第三处理图像，所述第三处理图像的数量为预设份数；根据秸秆覆盖率范围将预设份数的所述第三处理图像分为多个类型；
42、所述训练模块用于将多个类型的所述第三处理图像划分为训练集和测试集；利用卷积网络执行特征提取，并利用所述训练集对卷积网络训练，以得到训练完成的模型；将所述测试集输入至所述训练完成的模型，以进行验证，并得到推理结果，所述推理结果为所述第三处理图像的秸秆覆盖率；
43、所述计算模块用于通过所述预设份数的第三处理图像以及所述第三处理图像的秸秆覆盖率计算所述目标图像的秸秆覆盖率。
44、由以上技术方案可知，本申请提供一种基于深度学习的秸秆覆盖率检测方法及系统，所述方法包括：首先获取目标图像，所述目标图像为带有秸秆的图像；再将所述目标图像转换为rgb三通道图像；并提取所述rgb三通道图像的特征；生成第一处理图像，所述第一处理图像为调整所述rgb三通道图像至预设比例，并将所述rgb三通道图像的尺寸调整至预设尺寸生成的图像；得到第二处理图像，所述第二处理图像为利用特征融合将所述第一处理图像与所述特征融合处理后的图像；按照尺寸分割所述第二处理图像，以得到预设份数的第三处理图像；根据秸秆覆盖率范围将预设份数的所述第三处理图像分为多个类型；将多个类型的所述第三处理图像划分为训练集本文档来自技高网...
【技术保护点】
1.一种基于深度学习的秸秆覆盖率检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，所述训练集包含的图像数量与所述测试集包含的图像数量的比例为10:1。
4.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，调整所述RGB三通道图像至预设比例，并将所述RGB三通道图像的尺寸调整至预设尺寸，以生成第一处理图像，包括：
5.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，提取所述RGB三通道图像的特征，包括：
6.根据权利要求5所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，将所述第一处理图像与所述特征融合，得到第二处理图像，包括：
7.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，所述目标图像的拍摄方向与秸秆所在的地面垂直。
8.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，所述方法还包括
9.一种基于深度学习的秸秆覆盖率检测系统，其特征在于，所述系统用于执行权利要求1-8任一项所述的基于深度学习的秸秆覆盖率检测方法，所述系统包括：获取模块、调整模块、训练模块以及计算模块；
...【技术特征摘要】
1.一种基于深度学习的秸秆覆盖率检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，所述训练集包含的图像数量与所述测试集包含的图像数量的比例为10:1。
4.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，调整所述rgb三通道图像至预设比例，并将所述rgb三通道图像的尺寸调整至预设尺寸，以生成第一处理图像，包括：
5.根据权利要求1所述的基于深度学习的秸秆覆盖率检测方法，其特征在于，提取所述r...
【专利技术属性】
技术研发人员：李丹，刘春宇，白盛元，周光，
申请(专利权)人：辽宁牧龙科技有限公司，
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。