CN113610040B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113610040B
CN113610040B CN202110945568.0A CN202110945568A CN113610040B CN 113610040 B CN113610040 B CN 113610040B CN 202110945568 A CN202110945568 A CN 202110945568A CN 113610040 B CN113610040 B CN 113610040B
Authority
CN
China
Prior art keywords
weed
paddy field
improved
bisenetv2
density
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.)
Active
Application number
CN202110945568.0A
Other languages
English (en)
Other versions
CN113610040A (zh
Inventor
兰玉彬
黄康华
杨畅
邓继忠
谢尧庆
严智威
雷落成
叶家杭
罗明达
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.)
South China Agricultural University
Original Assignee
South China Agricultural 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202110945568.0A priority Critical patent/CN113610040B/zh
Publication of CN113610040A publication Critical patent/CN113610040A/zh
Application granted granted Critical
Publication of CN113610040B publication Critical patent/CN113610040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，包括以下步骤，(1)无人机进行水稻田的图像拍摄采集，并传输至地面站；(2)地面站对图片样本进行预处理和语义标注，形成标签图片；(3)将标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，得到杂草识别模型；(4)将杂草识别模型移植至边缘计算嵌入式硬件中；(5)无人机进行水稻田的图像拍摄采集，通过杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；(6)将实时获取的杂草识别结果和杂草密度统计结果发送至地面站。本发明实现对水稻田的杂草密度的实时统计，具有效率高，识别准确的优点，有利于实现水稻田的变量施药和精准施药。

Description

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
技术领域
本发明涉及一种水稻农田杂草分析方法，具体涉及一种水稻田杂草密度实时统计方法。
背景技术
水稻田间杂草对水稻生长带来极大的危害，杂草与水稻争夺养分、水分以及光线等，影响水稻生长，降低水稻粮食的质量和产量。为了预防或防治田间杂草，常用的方法是对整个作业区域进行覆盖式的均匀喷洒除草，这不可避免地会造成农药的过量施用，还会造成杂草耐药性增强、浪费农药和环境污染等问题。在喷施农药时，如果能够快速实时地对水稻田块的杂草分布密度进行划分区域统计，得出各个区域的杂草密度信息和草害等级，形成整个田块的杂草密度分布图，这有利于实现变量施药和精准施药，有效降低农药用量及喷施作业效率。
目前对水稻田间杂草分布密度进行调查统计的方法主要有人工抽样调查和遥感光谱检测等。显然地，人工调查方法只能局限于有限的范围和有限的统计方式，不仅成本高、效率低，而且通过估算的方式统计田间杂草密度，结果存在差异性和不准确性，不适用于多田块、大范围的杂草密度调查。光谱检测方法虽然能应用在大范围的杂草分布统计，但是由于数据处理流程复杂，得到的农田光谱数据并不能立刻转化为杂草的分布密度信息，缺乏实时检测的性能；同时基于遥感光谱技术的杂草识别分析方法对采集数据的光学设备要求较高，且设备成本较高，不利于维护且实用性低，大多数研究仅限于实验室研究，并不利于实际农田杂草密度检测技术的推广。
发明内容
本发明目的在于克服现有技术的不足，提供一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，该方法实现对水稻田的杂草密度实时统计，具有效率高，识别准确，且实时输出统计结果的优点，以便实现水稻田的变量施药和精准施药。
本发明的目的通过以下技术方案实现：
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，其特征在于，包括以下步骤：
(1)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务进行水稻田的图像拍摄采集，并通过无线通信传输模块将所采集的图片样本传输至地面站；
(2)地面站对所述图片样本进行预处理，并对预处理后的图片样本进行语义标注，形成标签图片；
(3)将步骤(2)中的标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，并对改进BiSeNetV2分割网络进行参数调整，得到杂草识别模型；
(4)将所述杂草识别模型进行量化冻结生成PB文件，并移植至边缘计算嵌入式硬件中，边缘计算嵌入式硬件对杂草识别模型进行优化加速；
(5)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务对待测水稻田进行图像拍摄采集，通过所述杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；
(6)最后通过无线通信传输模块，将实时获取的杂草识别结果和杂草密度统计结果发送至地面站；同时，返回步骤(5)，无人机继续进行下一航线任务的飞行作业。
本发明的一个优选方案，在步骤(2)中，对图片样本进行预处理，包括对图片样本进行旋转、翻转以及饱和度和对比度的改变；所述语义标注利用labelme进行。
本发明的一个优选方案，所述改进BiSeNetV2分割网络，其改进方法包括细节分支的改进，以实现分支结构的轻量化；引入特征融合分支，使分割识别结果更加精确；优化和增强训练策略，使分割识别结果更加准确。
优选地，细节分支的改进，具体为：设计反向残差结构的Bottleneck模块作为细节分支每一阶段的特征提取层，Bottleneck模块的第一层通过1×1标准卷积将输入特征图映射到高纬度空间，然后连接两层深度卷积对卷积输出特征图进行逐通道卷积，其中第一层深度卷积设置步长为2，用于减少输出特征图尺寸，扩大感受野范围，最后通过一层1×1卷积对特征图进行逐点卷积输出。
优选地，引入特征融合分支，具体为：包括三个阶段，每个阶段首先通过级联操作融合与输入特征图具有相同尺度的语义分支和细节分支的输出特征，接着采用一个3×3卷积对融合后的特征进行提取，最后通过反卷积上采样操作恢复特征图的尺寸。
优选地，优化和增强训练策略，具体为：在整个特征恢复过程中，特征融合分支中每个阶段的卷积输出都参与增强训练策略。
本发明的一个优选方案，在步骤(3)中，通过评价指标验证训练后的改进BiSeNetV2分割网络，以实现对参数的调整，提高其分割识别精度；其中，评价指标包括混淆矩阵、像素精度以及平均交并比。
本发明的一个优选方案，在步骤(5)中，杂草密度计算包括杂草像素占比和杂草所占的实际面积；其中，计算过程如下：
(a)对空间分辨率GSD进行计算，
GSD＝(Sw×100×H)/(imW×Fr)
式中，Sw为相机传感器的宽度，Fr为相机真实焦距，H为无人机的飞行高度，imW为图像的宽度；
(b)计算拍摄图像杂草识别结果中杂草的像元数量N，
Figure BDA0003212882470000041
式中，xiw为第i个像素为杂草类设定值的记1，否则记0；K为拍摄图片的总像素，K＝W×H，其中W、H分别为拍摄图像的宽和高；
(c)计算拍摄图像识别结果中杂草的像素占比Pweed，
Figure BDA0003212882470000042
式中，N为杂草的像元数量，K为拍摄图像的总像素；
(d)计算拍摄图像中的杂草所占的实际面积S，
S＝N·GSD2
式中，N为杂草的像元数量。
本发明的一个优选方案，在步骤(6)中，地面站接收到杂草识别结果和杂草密度统计结果后，按航线的划分区域生成水稻杂草分布密度预测图。
本发明的一个优选方案，所述无人机为四旋翼无人机，搭载可见光工业相机。
本发明与现有技术相比具有以下有益效果：
本发明采用边缘计算嵌入式硬件，结合改进BiSeNetV2分割网络，在无人机对水稻田进行图像拍摄后，进行水稻和杂草的实时分割识别检测，并对水稻田的杂草密度实时统计，具有效率高，识别准确的优点，以便根据输出的结果进行水稻田的变量施药和精准施药。
附图说明
图1为本发明的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法的流程框图。
图2为杂草密度计算的示意图。
图3为待测水稻田的航线规划和杂草实时检测的示意图。
图4为在规划的航线中各个航点的杂草密度统计结果运算示意图。
图5为待测水稻田的航线规划示意图。
图6为根据图5的航线规划的航点各区域杂草密度分布预测图。
具体实施方式
下面结合实施例和附图对本发明作进一步描述，但本发明的实施方式不仅限于此。
参见图1-图6，本实施例的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，包括以下步骤：
(1)搭载无人机实时检测平台；具体包括一台四旋翼无人机载体、一个可见光工业相机、一个边缘计算嵌入式硬件Jetson AGX Xavier、可开发的地面站航线规划软件和无线通信传输模块，其中所述边缘计算嵌入式硬件与可见光工业相机连接；地面站航线规划软件设定水稻田图像数据采集的航线任务，并控制边缘计算嵌入式硬件执行拍照与实时水稻杂草密度统计操作，地面站与边缘计算机嵌入式硬件之间通过无线通信传输模块实现数据通信传输。
(2)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务进行水稻田的图像拍摄采集，并通过无线通信传输模块将所采集的图片样本传输至地面站。具体地，利用地面站航线规划软件设定无人机的航线任务，并调整拍照航点间距和拍照时间间隔；将边缘计算嵌入式硬件连接显示屏并调用相机，调整可见光工业相机的焦距，直至显示屏相机获取画面清晰；启动无人机电源，控制无人机执行航线任务，当无人机到达航点时，通过边缘计算嵌入式硬件Jetson AGX Xavier控制可见光相机执行拍照任务，并通过无线通信传输模块将航点信息和图片样本传输至地面站。
(3)地面站对所述图片样本进行预处理，并对预处理后的图片样本进行语义标注，形成标签图片。具体地，预处理包括对图片样本进行旋转、翻转以及饱和度和对比度的改变；所述语义标注利用labelme进行，从而形成标签图片；与此同时，将处理后的相关数据和标签图片划分为训练集、验证集和测试集，作为模型的训练数据和测试数据。
(4)将步骤(3)中的训练数据和测试数据输入至改进BiSeNetV2分割网络中，进行模型训练和测试，并通过评价指标对改进BiSeNetV2分割网络进行参数调整，得到杂草识别模型。
(5)将所述杂草识别模型进行量化冻结生成PB文件，并移植至边缘计算嵌入式硬件中，边缘计算嵌入式硬件对杂草识别模型进行优化加速，用于实现实时检测识别。
(6)如图2-图4所示，在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务对待测水稻田进行图像拍摄采集，并通过所述杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算，从而获取杂草识别结果和杂草密度统计结果。其中，杂草密度统计结果通过在边缘计算嵌入硬件上编写程序，结合无人机飞行高度、相机焦距等直接算出，主要通过计算航点拍摄图像识别结果的杂草像元数量占图像总像素的比例和计算杂草所占的实际面积来进行统计的；同时，还将得出的杂草密度统计结果与各航点的GPS地理信息相结合，形成带有农田精准地理位置的划分区域杂草密度统计结果。杂草密度计算包括杂草像素占比和杂草所占的实际面积，如图2所示，计算过程如下：
(a)对空间分辨率GSD进行计算，
GSD＝(Sw×100×H)/(imW×Fr)
式中，Sw为相机传感器的宽度(mm)，Fr为相机真实焦距(mm)，H为无人机的飞行高度(m)，imW为图像的宽度(像素)；如图2所示，其中的Dw为一幅图像覆盖地面的真实宽度(飞行方向)；
(b)计算拍摄图像杂草识别结果中杂草的像元数量N，
Figure BDA0003212882470000071
式中，xiw为第i个像素为杂草类设定值的记1，否则记0；K为拍摄图片的总像素，K＝W×H，其中W、H分别为拍摄图像的宽和高；
(c)计算拍摄图像识别结果中杂草的像素占比Pweed，
Figure BDA0003212882470000072
式中，N为杂草的像元数量，K为拍摄图像的总像素；
(d)计算拍摄图像中的杂草所占的实际面积S，
S＝N·GSD2
式中，N为杂草的像元数量。
(6)最后，边缘计算嵌入式硬件通过无线通信传输模块，将实时获取的杂草识别结果和杂草密度统计结果发送至地面站；同时，返回步骤(5)，无人机继续进行下一航线任务的飞行作业。
接着，地面站接收到杂草识别结果和杂草密度统计结果后，按航线的划分区域生成水稻杂草分布密度预测图。具体地：地面站服务器首先通过无线通信传输模块接收来自无人机的航点信息，包括航点地理位置信息、拍摄图片、杂草识别结果和该航点区域的杂草密度统计结果；接着，通过地面站软件导入文件程序，导入服务器接收到的航点信息，解析并获取每个航点对应的信息，将每个航点的地理信息在软件地图上标出，生成该水稻田的实际航线规划图，如图5所示；同时，通过软件的图形显示界面，根据实际航线和各区域的杂草统计结果，自动生成水稻田按航点的划分区域杂草密度分布预测图，并标注对应区域的杂草密度占比情况，如图6所示(图中右边为颜色范围表示，具体的0％表示该航点区域没有杂草，呈现绿色，100％表示该区域都是杂草，呈现红色)。本实施例中，所述地面站软件(航线规划软件)可采用QT进行界面设计，并设置对应的功能按钮如文件导入、生成作业航线图、生成杂草密度分布图等，并插入对应的槽函数实现程序功能，用于对应航点的杂草密度分布预测图的生成。
本实施例中，所述改进BiSeNetV2分割网络，其改进方法包括细节分支的改进，以实现分支结构的轻量化；引入特征融合分支，使分割识别结果更加精确；优化和增强训练策略，使分割识别结果更加准确。进一步地：
细节分支的改进，设计反向残差结构的Bottleneck模块作为细节分支每一阶段的特征提取层，Bottleneck模块的第一层通过1×1标准卷积将输入特征图映射到高纬度空间，然后连接两层深度卷积对卷积输出特征图进行逐通道卷积，其中第一层深度卷积设置步长为2，用于减少输出特征图尺寸，扩大感受野范围，最后通过一层1×1卷积对特征图进行逐点卷积输出。通过结合深度可分离卷积的优点，对细节分支进行改进，在保证特征图感受野不变的前提下，降低细节分支的参数计算量，有利于提高检测识别的运算速度和效率。
引入特征融合分支，主要包括三个阶段，每个阶段首先通过级联操作融合与输入特征图具有相同尺度的语义分支和细节分支的输出特征，接着采用一个3×3卷积对融合后的特征进行提取，最后通过反卷积上采样操作恢复特征图的尺寸。这样结合更多尺度的语义上下文和空间细节特征信息，使分割识别结果更加精确
优化和增强训练策略，在整个特征恢复过程中，特征融合分支中每个阶段的卷积输出都参与增强训练策略。即通过Seg Head模块的上采样操作，输出与预测结果维度相同的特征图来监督网络整体的训练过程，从而增加训练阶段的特征表示。由于Seg Head模块只参与网络的训练，在推理阶段可以完全丢弃，因此对网络的推理计算速度影响较少。
本实施例中，改进后的BiSeNetV2分割网络的细节分支结构内部参数如下表所示：
Figure BDA0003212882470000091
改进后的BiSeNetV2分割网络的语义分支结构内部参数如下表所示：
Figure BDA0003212882470000092
Figure BDA0003212882470000101
改进后的BiSeNetV2分割网络引入的特征融合分支结构内部参数如下表所示：
Figure BDA0003212882470000102
另外，在本实施例的上述步骤(4)中，通过评价指标验证训练后的改进BiSeNetV2分割网络，以实现对参数的调整，提高其分割识别精度；其中的评价指标包括混淆矩阵、像素精度以及平均交并比。
其中的混淆矩阵定义如下表所示：
Figure BDA0003212882470000103
像素精度(Pixel Accuracy(PA))是指标记正确的像素占总像素的百分比，计算公式如下：
Figure BDA0003212882470000111
平均交并比(Mean IoU)，在语义分割中作为标准度量，其中的IoU计算公式如下：
Figure BDA0003212882470000112
Mean IoU是在所有类别的IoU上取平均值，计算公式如下：
Figure BDA0003212882470000113
式中，k为预测的类别数，i为当前预测类别，i＝0，...，k。
本实施例通过无人机航拍并利用边缘计算硬件立即推理得到杂草密度统计结果，相比传统的采集遥感光谱数据只通过线下服务器进行数据分析的方法，大大提高了水稻田草害农情的分析效率，实现对水稻田中的杂草分布密度进行分区域实时统计；并且最后生成的杂草分布密度图为水稻田变量喷施除草剂具有重要的指导意义，降低农药的用量。同时，区别于遥感光谱的杂草检测和密度统计方法，本实施例的方法简化了数据处理的流程，采用可见光的光学设备代替多光谱和高光谱等昂贵的数据采集光学设备，有利于实际农田杂草区域分割识别的技术推广。
进一步地，改进BiSeNetV2分割网络的像素准确率PA可达93.09％，对比未改进的实时语义分割网络BiSeNetV2的90.28％提高了2.81％；改进的BiSeNetV2分割网络的平均分割交并比MIoU为80.28％，对比未改进的实时语义分割网络BiSeNetV2的77.92％高出2.36％；改进的BiSeNetV2分割网络对于水稻、杂草和其他背景类的分割交并比IoU为88.02％、88.46％、64.38％，对比未改进的实时语义分割网络BiSeNetV2的87.26％、87.78％、58.73％高出了0.76％、0.68％、5.65％；改进的BiSeNetV2分割网络在边缘计算嵌入式硬件上对单张图片的杂草检测速度为40.16帧/s，高于实时检测的基本性能要求25帧/s，具有较好的实时检测性能。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (6)

1.一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，包括以下步骤：
(1)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务进行水稻田的图像拍摄采集，并通过无线通信传输模块将所采集的图片样本传输至地面站；
(2)地面站对所述图片样本进行预处理，并对预处理后的图片样本进行语义标注，形成标签图片；
(3)将步骤(2)中的标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，并对改进BiSeNetV2分割网络进行参数调整，得到杂草识别模型；
(4)将所述杂草识别模型进行量化冻结生成PB文件，并移植至边缘计算嵌入式硬件中，边缘计算嵌入式硬件对杂草识别模型进行优化加速；
(5)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务对待测水稻田进行图像拍摄采集，通过所述杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；
(6)最后通过无线通信传输模块，将实时获取的杂草识别结果和杂草密度统计结果发送至地面站；同时，返回步骤(5)，无人机继续进行下一航线任务的飞行作业；
所述改进BiSeNetV2分割网络，其改进方法包括细节分支的改进，以实现分支结构的轻量化；引入特征融合分支，使分割识别结果更加精确；优化和增强训练策略，使分割识别结果更加准确；
细节分支的改进，具体为：设计反向残差结构的Bottleneck模块作为细节分支每一阶段的特征提取层，Bottleneck模块的第一层通过1×1标准卷积将输入特征图映射到高纬度空间，然后连接两层深度卷积对卷积输出特征图进行逐通道卷积，其中第一层深度卷积设置步长为2，用于减少输出特征图尺寸，扩大感受野范围，最后通过一层1×1卷积对特征图进行逐点卷积输出；
引入特征融合分支，具体为：包括三个阶段，每个阶段首先通过级联操作融合与输入特征图具有相同尺度的语义分支和细节分支的输出特征，接着采用一个3×3卷积对融合后的特征进行提取，最后通过反卷积上采样操作恢复特征图的尺寸；
在步骤(5)中，杂草密度计算包括杂草像素占比和杂草所占的实际面积；其中，计算过程如下：
(a)对空间分辨率GSD进行计算，
GSD＝(Sw×100×H)/(imW×Fr)
式中，Sw为相机传感器的宽度，Fr为相机真实焦距，H为无人机的飞行高度，imW为图像的宽度；
(b)计算拍摄图像杂草识别结果中杂草的像元数量N，
Figure FDA0004184012560000021
式中，xiw为第i个像素为杂草类设定值的记1，否则记0；K为拍摄图片的总像素，K＝W×H，其中W、H分别为拍摄图像的宽和高；
(c)计算拍摄图像识别结果中杂草的像素占比Pweed，
Figure FDA0004184012560000022
式中，N为杂草的像元数量，K为拍摄图像的总像素；
(d)计算拍摄图像中的杂草所占的实际面积S，
S＝N·GSD2
式中，N为杂草的像元数量。
2.根据权利要求1所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，在步骤(2)中，对图片样本进行预处理，包括对图片样本进行旋转、翻转以及饱和度和对比度的改变；所述语义标注利用labelme进行。
3.根据权利要求1所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，优化和增强训练策略，具体为：在整个特征恢复过程中，特征融合分支中每个阶段的卷积输出都参与增强训练策略。
4.根据权利要求1所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，在步骤(3)中，通过评价指标验证训练后的改进BiSeNetV2分割网络，以实现对参数的调整，提高其分割识别精度；其中，评价指标包括混淆矩阵、像素精度以及平均交并比。
5.根据权利要求1所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，在步骤(6)中，地面站接收到杂草识别结果和杂草密度统计结果后，按航线的划分区域生成水稻杂草分布密度预测图。
6.根据权利要求1所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，所述无人机为四旋翼无人机，搭载可见光工业相机。
CN202110945568.0A 2021-08-16 2021-08-16 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 Active CN113610040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110945568.0A CN113610040B (zh) 2021-08-16 2021-08-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110945568.0A CN113610040B (zh) 2021-08-16 2021-08-16 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

Publications (2)

Publication Number Publication Date
CN113610040A CN113610040A (zh) 2021-11-05
CN113610040B true CN113610040B (zh) 2023-06-27

Family

ID=78341070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110945568.0A Active CN113610040B (zh) 2021-08-16 2021-08-16 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

Country Status (1)

Country Link
CN (1) CN113610040B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648500B (zh) * 2022-03-17 2023-04-07 江西科技师范大学 一种基于无人机和深度学习的农作物杂草检测方法及装置
CN114677517B (zh) * 2022-05-30 2022-08-26 山东巍然智能科技有限公司 一种无人机用语义分割网络模型及图像分割识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614973A (zh) * 2018-11-22 2019-04-12 华南农业大学 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质
CN111340141A (zh) * 2020-04-20 2020-06-26 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于深度学习的作物幼苗与杂草检测方法及系统
CN113012150A (zh) * 2021-04-14 2021-06-22 南京农业大学 一种特征融合的高密度稻田无人机图像稻穗计数方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614973A (zh) * 2018-11-22 2019-04-12 华南农业大学 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质
CN111340141A (zh) * 2020-04-20 2020-06-26 天津职业技术师范大学(中国职业培训指导教师进修中心) 一种基于深度学习的作物幼苗与杂草检测方法及系统
CN113012150A (zh) * 2021-04-14 2021-06-22 南京农业大学 一种特征融合的高密度稻田无人机图像稻穗计数方法

Also Published As

Publication number Publication date
CN113610040A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
Khan et al. Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging
CN109117811B (zh) 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法
CN106403904B (zh) 一种基于无人机的景观尺度植被覆盖度的计算方法及系统
AU2019238712B2 (en) Plant planting data measuring method, working route planning method, device and system
CN111553245A (zh) 基于机器学习算法和多源遥感数据融合的植被分类方法
CN113610040B (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
CN108881825A (zh) 基于Jetson TK1的水稻杂草无人机监控系统及其监控方法
CN110517311A (zh) 基于叶片病斑面积的病虫害监测方法
WO2020103108A1 (zh) 一种语义生成方法、设备、飞行器及存储介质
Xu et al. Classification method of cultivated land based on UAV visible light remote sensing
CN111985724B (zh) 一种农作物产量预估的方法、装置、设备及存储介质
CN113325872A (zh) 植物的巡查方法及装置、系统、飞行器
CN112147078A (zh) 一种农作物表型信息多源遥感监测方法
CN113537293A (zh) 基于无人机和全卷积神经网络的小麦倒伏区域识别方法
CN117197595A (zh) 基于边缘计算的果树生育期识别方法、装置及管理平台
RU2716477C1 (ru) Система мониторинга лесопользования и лесопатологических изменений
CN115797807A (zh) 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质
CN115797764B (zh) 一种应用于耕地非农化监测的遥感大数据解译方法及系统
CN116739739A (zh) 一种贷款额度评估方法、装置、电子设备及存储介质
CN115019216A (zh) 实时地物检测和定位计数方法、系统及计算机
CN113792650A (zh) 一种绿视率测量方法和系统
KR20230046029A (ko) 인공 위성 취득 정보 기반 농작물 정보 제어 시스템 및 인공 위성 취득 정보 기반 농작물 정보 제어 방법
CN115830474A (zh) 一种识别野生藏药独一味及其分布并计算其产量的方法与系统
CN113870278A (zh) 基于改进的Mask R-CNN模型的卫星遥感图像农田块分割方法
Mathivanan et al. Utilizing satellite and UAV data for crop yield prediction and monitoring through deep learning

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
GR01 Patent grant
GR01 Patent grant