CN113553897A - 一种基于无人机和YOLOv3模型的农作物识别方法 - Google Patents

一种基于无人机和YOLOv3模型的农作物识别方法 Download PDF

Info

Publication number
CN113553897A
CN113553897A CN202110606642.6A CN202110606642A CN113553897A CN 113553897 A CN113553897 A CN 113553897A CN 202110606642 A CN202110606642 A CN 202110606642A CN 113553897 A CN113553897 A CN 113553897A
Authority
CN
China
Prior art keywords
crop
unmanned aerial
aerial vehicle
model
yolov3
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110606642.6A
Other languages
English (en)
Inventor
张慧芳
王彬窈
汤中港
宜树华
刘波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN202110606642.6A priority Critical patent/CN113553897A/zh
Publication of CN113553897A publication Critical patent/CN113553897A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于无人机和YOLOv3模型的农作物类型识别方法。首先，该方法通过无人机收集整理农作物种类图像数据；为提高作物类型识别精度，需对每张图片进行25等分及相应农作物类型的标注等预处理；其次，以改进的Darknet‑53作为主干网络，使用YOLOv3卷积神经网络训练基于无人机的农作物识别模型；再将待识别的无人机农作物影像输入训练好的模型，获取无人机影像1/25的农作物分类结果。最后，将所得分类结果绘制在该张无人机影像上，并录入农作物调查数据库。本发明所述方法，能实现便捷、快速、精准地获取目标地块地农作物类别信息，为大面积开展农作物实地调查提供了新的方法。

Description

一种基于无人机和YOLOv3模型的农作物识别方法
技术领域
本发明属于农作物调查、监测领域，具体涉及一种基于无人机和YOLOv3模型的农作物识别方法。
背景技术
农业是人类衣食住行的源泉，是人类赖以生存的基础，是一切生产的首要条件。目前，我国已组织开展了三次全国农业普查，以全面了解我国农业、农村和农民的基本概况。此外，随着遥感技术的发展和日臻完善，遥感已逐渐成为精准农业中识别农作物的重要手段。就第三次全国农业普查而言，国家虽全力推进遥感等现代信息技术的应用，但仍需组织动员5万多名工作人员对大面积种植作物进行实地调查，其中，实地调查多达11万个样方和2万多个抽中普查区。由此可见，地面验证资料的获取是提高遥感农作物分类精度的必要前提。尽管基于遥感卫星资料获取农作物类型分布已得到了广泛的运用，但仍存在以下不足：
(1)耗时费力：传统的农作物调查模式需调动大量人员前往实地，确定所调查地区主要种植作物分布，既耗时又费力。如何便捷、快速、精准地收集实地验证农情资料是亟待解决的问题。
(2)遥感图像分类的不确定性：由于遥感数据繁杂、尺度敏感，且地物反射光谱存在“同物异谱”和“异物同谱”现象，遥感图像分类的结果不确定性高，降低了遥感农作物类型识别的精度。
(3)农作物种植的复杂性：我国当前农业总体处于小农种植，采用复种、间种、套种等复杂的种植模式。事实上，农作物种植还存在空间多样性、季节多变性、动态性等特征，在一定程度上更是增加了传统的农作物类型识别的负担。
发明内容
本发明的目的在于提供一种基于无人机和YOLOv3模型的农作物识别方法，该方法首先通过无人机收集整理农作物种类图像数据；为提高作物类型识别精度，需对每张图片进行25等分及相应农作物类型的标注等预处理；然后以改进的Darknet-53作为主干网络，使用YOLOv3卷积神经网络训练基于无人机的农作物识别模型；将待识别的无人机农作物影像输入训练好的模型，获取无人机影像1/25的农作物分类结果，再将所得分类结果绘制在该张无人机影像上，并录入农作物调查数据库。通过无人机拍摄农作物影像，基于训练好的农作物类型识别模型进行农作物识别，可弥补传统的农作物遥感影像分类方法无法精细识别作物类型的缺陷，实现高频次、精准、客观的农作物类型识别；能够有效解决由于农作物种植复杂性导致难以识别其类型的问题。获取农作物识别结果后，进而及时、准确地获取目标地的农作物种植结构及其时空动态变化信息，有利于目标地区农作物空间分布图的制作和定期更新。
技术内容，一种基于无人机和YOLOv3模型的农作物识别方法，包括如下步骤：
S1：无人机按照规划好的飞行路径，拍摄目标样地农作物照片若干张，并上传至PC端；
S2：判断是否已经存在识别模型，若存在，则直接执行S4；若不存在，则开始进行模型训练流程；
S3：以优化后的DarkNet-53网络结构作为提取特征的主干网络，使用YOLOv3目标检测算法训练并得到农作物类型识别的模型，选择识别精度最高的模型作为最终应用于农作物类型识别的模型；
S4：输入待识别的农作物无人机航拍照片并分割为25等分，使用S3中最优的农作物类型识别模型对其进行种类识别，得到一张无人机影像1/25的农作物分类结果，再将所得分类结果绘制在整张输入的无人机照片上；
S5：将所得目标样地的农作物分类结果上传至农情监管系统中，供用户浏览。
进一步的，所述步骤S1中规划好的飞行路径：在目标样地内确定若干个航拍点，若干个航拍点呈矩阵状且均匀分布在所述目标样地中。
进一步的，所述无人机具备地形跟随系统且搭载像素值大于等于1200万的相机。
进一步的，所述步骤S2中模型训练流程为：判断是否已经存在识别模型，若存在，则直接执行S4；若不存在，则开始进行模型训练流程，首先，剔除无人机所拍摄的农作物无效照片，将经过预处理的照片分割为25等分，并使用标注工具对每张图片进行类别标注，生成xml文件，建立数据集。
进一步的，所述步骤S3具体：优化DarkNet-53网络结构的参数，将优化后的DarkNet-53网络结构作为提取特征的主干网络，基于S2中建立的数据集，使用YOLOv3目标检测算法训练农作物类型识别的模型，并选择识别精度最高的模型作为最终应用于农作物类型识别的模型。
进一步的，所述步骤S3中优化DarkNet-53网络结构的参数是指，原本DarkNet-53中的批量归一化(Batch Normalization，BN)，在训练网络时，可减少训练层数，加快收敛，提高学习率，从而训练更深层次的复杂架构网络训练的。然而，BN对批处理大小(batchsize)是极具依赖性的，批处理大小必须足够大才可使BN得以正常工作，否则会导致其性能下降。为此，选取群组归一化(Group Normalization，GN)代替BN，避免利用批处理维度，从而改善训练网络时误差加大的弊端。GN组织的信道分成不同的组，并计算每组的归一化均值和方差，计算公式如下所示：
Figure BDA0003091862190000031
式中的x是由卷积层计算的特征，i是索引。在2D图像的情况下，i＝(iN，iC，iH，iW)是按(N,C,H,W)的顺序索引特征的4D矢量，其中N是批处理轴，C是通道轴，H/W是特征的空间高/宽轴。(1)式中的σ和μ分别是由如下公式计算得到的平均值和标准差，公式为：
Figure BDA0003091862190000032
式中的∈是一个很小常量，Si是计算平均值和标准差的像素集，其中m是该集合的大小。
进一步的，将步骤S4所得分类结果绘制在整张输入的无人机照片上是指，读取存储于txt文件中的1/25的农作物分类结果，获取其作物类别名称、识别精度、坐标点等相关信息，绘制在输入的整张农作物无人机照片上。
有益效果：本发明揭示了一种基于无人机和YOLOv3模型的农作物识别方法，
(1)通过无人机拍摄农作物影像，利用训练效果理想的农作物类型识别模型进行作物识别，可实现地面验证样本的高效收集，为遥感农田资料解译提供大量且精准的地面验证资料，切实提高遥感农作物类型的制图精度。
(2)基于本农作物识别方法，可满足农情调查对时效性的要求。鉴于农作物种植具有明显的季节性和轮作制度，同一区域的农作物类型年际差异大。运用本方法可构建目标区域的农作物种植类型时空数据库，有利于目标地区农作物空间分布图的制作和定期更新。
(3)此外，该方法可应用于实地调查农情，节省人力及时间成本，提高工作效率。
附图说明
图1为本发明的流程图；
图2为YOLOv3网络结构图；
图3为1/25农作物类型识别前图；
图4为1/25农作物类型识别后结果图；
图5为整张农作物无人机照片图；
图6为整体农作物类型识别结果图；
具体实施方式
如图1-6所示，一种基于无人机和YOLOv3模型的农作物识别方法，包括如下步骤：
S1：在200m×200m样地内确定16个航拍点，所述16个航拍点呈矩阵状且均匀分布在所述目标样地内；当所述无人机到达航拍点时，在距离地面15m-20m的高度上垂直向下拍摄照片，并上传至PC端；
其中，所述无人机具备地形跟随系统且搭载像素值不小于1200万的相机；
S2：判断是否已经存在识别模型，若存在，则直接执行S4；若不存在，则开始进行模型训练流程。首先，剔除无人机所拍摄的农作物无效照片，将经过预处理的照片分割为25等分，并使用标注工具对每张图片进行类别标注，生成xml文件，建立数据集；
S3：优化DarkNet-53卷积神经网络的结构与参数，将优化后的DarkNet-53卷积神经网络作为提取特征的主干网络，基于S2中建立的数据集，使用YOLOv3目标检测算法训练农作物类型识别的模型，并择优选择识别精度最高的模型作为最终应用于农作物类型识别的模型；
其中，所述的优化DarkNet-53卷积神经网络的结构与参数是指，原本DarkNet-53中的批量归一化(Batch Normalization，BN)在训练网络时旨在减少训练层数，加快收敛，提高学习率，从而训练更深层次的复杂架构网络训练。然而，BN对批处理大小(batch size)是极具依赖性的，批处理大小必须足够大才可使BN得以正常工作，否则会导致其性能下降。为此，选取群组归一化(Group Normalization，GN)代替BN，避免利用批处理维度，从而改善训练网络时误差加大的弊端。GN组织的信道分成不同的组，并计算每组的归一化均值和方差，计算公式如下所示：
Figure BDA0003091862190000041
式中的x是由卷积层计算的特征，i是索引。在2D图像的情况下，i＝(iN，iC，iH，iW)是按(N,C,H,W)的顺序索引特征的4D矢量，其中N是批处理轴，C是通道轴，H/W是特征的空间高/宽轴。(1)式中的σ和μ分别是由如下公式计算得到的平均值和标准差，公式为：
Figure BDA0003091862190000042
式中的∈是一个很小常量，Si是计算平均值和标准差的像素集，其中m是该集合的大小。
S4：输入待识别的农作物无人机航拍照片并分割为25等分，使用最优的农作物类型识别模型对其进行种类识别，得到一张无人机影像1/25的农作物分类结果，再将所得分类结果绘制在整张输入的无人机照片上；
其中，将所得分类结果绘制在整张输入的无人机照片上是指，读取存储于txt文件中的1/25的农作物分类结果，获取其作物类别名称、识别精度、坐标点等相关信息，绘制在输入的整张农作物无人机照片上；
S5：将所得目标样地的农作物分类结果上传至农情监管系统中，供用户浏览。
以上所述仅是本发明的优选方式，应当指出，对于本领域普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干相似的变形和改进，这些也应视为本发明的保护范围之内。

Claims (7)

1.一种基于无人机和YOLOv3模型的农作物识别方法，其特征在于：包括如下步骤：
S1：无人机按照规划好的飞行路径，拍摄目标样地农作物照片若干张，并上传至PC端；
S2：判断是否已经存在识别模型，若存在，则直接执行S4；若不存在，则开始进行模型训练流程；
S3：优化DarkNet-53网络结构作为提取特征的主干网络，使用YOLOv3目标检测算法训练并得到农作物类型识别的模型，选择识别精度最高的模型作为最终应用于农作物类型识别的模型；
S4：输入待识别的农作物无人机航拍照片并分割为25等分，使用S3中最优的农作物类型识别模型对其进行种类识别，得到一张无人机影像1/25的农作物分类结果，再将所得分类结果绘制在整张输入的无人机照片上；
S5：将所得目标样地的农作物分类结果上传至农作物调查数据库中，供用户浏览。
2.根据权利要求1所述的一种基于无人机和YOLOv3模型的农作物识别方法，其特征在于：所述步骤S1中规划好的飞行路径：在目标样地内确定若干个航拍点，若干个航拍点呈矩阵状且均匀分布在所述目标样地中。
3.根据权利要求2所述的一种基于无人机和YOLOv3模型的农作物识别方法，其特征在于：所述无人机具备地形跟随系统且搭载像素值大于等于1200万的相机。
4.根据权利要求2所述的一种基于无人机和YOLOv3模型的农作物识别方法，其特征在于：所述步骤S2中模型训练流程为：判断是否已经存在识别模型，若存在，则直接执行S4；若不存在，则开始进行模型训练流程，首先，剔除无人机所拍摄的农作物无效照片，将经过预处理的照片分割为25等分，并使用标注工具对每张图片进行类别标注，生成xml文件，建立数据集。
5.根据权利要求4所述的一种基于无人机和YOLOv3模型的农作物识别方法，其特征在于：所述步骤S3具体：优化DarkNet-53网络结构的参数，将优化后的DarkNet-53网络结构作为提取特征的主干网络，基于S2中建立的数据集，使用YOLOv3目标检测算法训练农作物类型识别的模型，并选择识别精度最高的模型作为最终应用于农作物类型识别的模型。
6.根据权利要求5所述的一种基于无人机和YOLOv3模型的农作物识别方法，其特征在于：所述步骤S3中优化DarkNet-53网络结构与参数是指，原本DarkNet-53中的批量归一化(Batch Normalization，BN)，在训练网络时，可减少训练层数，加快收敛，提高学习率，从而训练更深层次的复杂架构网络训练。然而，BN对批处理大小(batch size)是极具依赖性的，批处理大小必须足够大才可使BN得以正常工作，否则会导致其性能下降；为此，选取群组归一化(Group Normalization，GN)代替BN，避免利用批处理维度，从而改善训练网络时误差加大的弊端；GN组织的信道分成不同的组，并计算每组的归一化均值和方差，计算公式如下所示：
Figure FDA0003091862180000021
式中的x是由卷积层计算的特征，i是索引；在2D图像的情况下，i＝(iN，iC，iH，iＷ）是按(N,C,H,W)的顺序索引特征的4D矢量，其中N是批处理轴，C是通道轴，H/W是特征的空间高/宽轴；(1)式中的σ和μ分别是由如下公式计算得到的平均值和标准差，公式为：
Figure FDA0003091862180000022
式中的∈是一个很小常量，Si是计算平均值和标准差的像素集，其中m是该集合的大小。
7.根据权利要求6所述的一种基于无人机和YOLOv3模型的农作物识别方法，其特征在于：将步骤S4所得分类结果绘制在整张输入的无人机照片上是指，读取存储于txt文件中的1/25的农作物分类结果，获取其作物类别名称、识别精度、坐标点等相关信息，绘制在输入的整张农作物无人机照片上。
CN202110606642.6A 2021-05-31 2021-05-31 一种基于无人机和YOLOv3模型的农作物识别方法 Pending CN113553897A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110606642.6A CN113553897A (zh) 2021-05-31 2021-05-31 一种基于无人机和YOLOv3模型的农作物识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110606642.6A CN113553897A (zh) 2021-05-31 2021-05-31 一种基于无人机和YOLOv3模型的农作物识别方法

Publications (1)

Publication Number Publication Date
CN113553897A true CN113553897A (zh) 2021-10-26

Family

ID=78101944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110606642.6A Pending CN113553897A (zh) 2021-05-31 2021-05-31 一种基于无人机和YOLOv3模型的农作物识别方法

Country Status (1)

Country Link
CN (1) CN113553897A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453003A (zh) * 2023-06-14 2023-07-18 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241817A (zh) * 2018-07-02 2019-01-18 广东工业大学 一种无人机拍摄的农作物图像识别方法
CN110020635A (zh) * 2019-04-15 2019-07-16 中国农业科学院农业资源与农业区划研究所 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统
CN110751019A (zh) * 2019-09-03 2020-02-04 武汉珈和科技有限公司 基于深度学习的高分辨率影像农作物自动提取方法及装置
CN110796011A (zh) * 2019-09-29 2020-02-14 湖北工程学院 一种基于深度学习的稻穗识别方法、系统、装置及介质
CN112380917A (zh) * 2020-10-23 2021-02-19 西安科锐盛创新科技有限公司 一种用于农作物病虫害检测的无人机

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241817A (zh) * 2018-07-02 2019-01-18 广东工业大学 一种无人机拍摄的农作物图像识别方法
CN110020635A (zh) * 2019-04-15 2019-07-16 中国农业科学院农业资源与农业区划研究所 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统
CN110751019A (zh) * 2019-09-03 2020-02-04 武汉珈和科技有限公司 基于深度学习的高分辨率影像农作物自动提取方法及装置
CN110796011A (zh) * 2019-09-29 2020-02-14 湖北工程学院 一种基于深度学习的稻穗识别方法、系统、装置及介质
CN112380917A (zh) * 2020-10-23 2021-02-19 西安科锐盛创新科技有限公司 一种用于农作物病虫害检测的无人机

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔颖: "基于深度学习的木兰科属植物识别系统开发", 中国优秀硕士学位论文全文数据库, no. 2, pages 30 - 32 *
闵文芳等: "基于无人机平台和图像分析的田间作物检测", 湖南农业大学学报, vol. 43, no. 2, pages 212 - 216 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116453003A (zh) * 2023-06-14 2023-07-18 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和系统
CN116453003B (zh) * 2023-06-14 2023-09-01 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和系统

Similar Documents

Publication Publication Date Title
Kitano et al. Corn plant counting using deep learning and UAV images
WO2023029373A1 (zh) 一种高精度的农田植被信息提取方法
CN109325431B (zh) 草原放牧绵羊采食路径中植被覆盖度的检测方法及其装置
CN111461053A (zh) 基于迁移学习的多个生育期小麦倒伏区域识别系统
CN111898503A (zh) 基于云覆盖遥感影像和深度学习的作物识别方法和系统
CN115861858B (zh) 基于背景过滤的小样本学习农作物冠层覆盖度计算方法
CN113657158B (zh) 基于Google Earth Engine的大尺度大豆种植区域提取算法
CN108073947B (zh) 一种识别蓝莓品种的方法
CN116403048B (zh) 一种基于多模态数据融合的农作物生长估计模型构建方法
CN113610040A (zh) 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法
CN115457403A (zh) 一种基于多类型遥感图像的农作物智能识别方法
CN113553897A (zh) 一种基于无人机和YOLOv3模型的农作物识别方法
Cheng et al. Maize seedling and weed detection based on MobileNetv3-YOLOv4
CN114973024A (zh) 一种机采棉脱叶效果综合评价指标监测与评价方法及系统
CN114782840A (zh) 一种基于无人机rgb影像的小麦物候期实时分类方法
CN118097465A (zh) 一种基于无人机图像和深度学习的田间稻穗定位识别方法
CN117392535A (zh) 一种面向复杂环境的果树花芽目标检测与白点率估算方法
CN116503740A (zh) 一种精准识别作物种类的无人机视觉系统
CN110210376A (zh) 一种基于深度学习的高分遥感影像西北地区农膜提取方法
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法
Li et al. Early drought plant stress detection with bi-directional long-term memory networks
CN114965501B (zh) 基于冠层参数处理的花生病害检测与产量预测方法
CN206236111U (zh) 一种基于语音交互的叶片图像植物自动识别装置
CN118505704B (zh) 一种面板产线缺陷检测通用模型建模检测方法
CN118334536B (zh) 一种边缘特征增强的耕地地块遥感提取深度学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211026