CN114596509A - 一种基于机器视觉的水稻秧苗叶龄期识别方法 - Google Patents
一种基于机器视觉的水稻秧苗叶龄期识别方法 Download PDFInfo
- Publication number
- CN114596509A CN114596509A CN202210327655.4A CN202210327655A CN114596509A CN 114596509 A CN114596509 A CN 114596509A CN 202210327655 A CN202210327655 A CN 202210327655A CN 114596509 A CN114596509 A CN 114596509A
- Authority
- CN
- China
- Prior art keywords
- seedling
- rice
- leaf age
- leaf
- rice seedling
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 114
- 235000009566 rice Nutrition 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 34
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 113
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000005516 engineering process Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012706 support-vector machine Methods 0.000 claims description 45
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009331 sowing Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229940045109 genistein Drugs 0.000 description 1
- TZBJGXHYKVUXJN-UHFFFAOYSA-N genistein Natural products C1=CC(O)=CC=C1C1=COC2=CC(O)=CC(O)=C2C1=O TZBJGXHYKVUXJN-UHFFFAOYSA-N 0.000 description 1
- 235000006539 genistein Nutrition 0.000 description 1
- ZCOLJUOHXJRHDI-CMWLGVBASA-N genistein 7-O-beta-D-glucoside Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1OC1=CC(O)=C2C(=O)C(C=3C=CC(O)=CC=3)=COC2=C1 ZCOLJUOHXJRHDI-CMWLGVBASA-N 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于机器视觉的水稻秧苗叶龄期识别方法,包括:S1,在水稻秧苗育秧生长周期,人工检测秧苗的叶龄期,并通过无人机采集水稻秧苗图片,记录秧苗图片对应的人工检测的秧苗叶龄期;S2,利用图像预处理技术,构建不同训练集;S3,采用传统的机器视觉技术,构建水稻秧苗不同叶龄期检测模型;S4,采用基于深度学习构建秧苗不同叶龄期检测模型,并对比不同网络模型的检测准确率;S5,选用评价指标来测试传统机器学习模型和深度学习检测模型,选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。本发明能构建水稻秧苗叶龄期智能化识别系统,为后续水稻秧苗研究提供指导分析,属于水稻秧苗叶龄期识别技术领域。
Description
技术领域
本发明涉及水稻秧苗叶龄期识别技术领域,具体涉及一种基于机器视觉的水稻秧苗叶龄期识别方法。
背景技术
水稻作为我国主要的粮食和经济作物,在农业生产和实践中均占有重要的地位。我国水稻种植模式主要分机械直播模式和育苗移栽种植技术,育苗移栽种植技术包括育秧技术和移栽技术。现阶段人工识别水稻秧苗叶龄期费时费力,且主观性强,准确率低,因此为解决这一问题,本发明提出了基于机器视觉和深度学习的智能化识别水稻秧苗叶龄期的方法。该方法对研究我国粮食稳定生产和保障粮食高产有重要的价值和意义。
目前,田间工作人员主要依靠经验及田间人工抽样检测叶龄相结合的方法判断水稻秧苗生长期,然而田间人员在稻田中行走缓慢,并且依靠人工在稻田中检测秧苗生长期需要花费大量时间与精力,人工检测苗期的结果带有主观性准确率低,同时,水稻秧苗生长变化容易受外界环境影响,如:温度、湿度、光照度等。所以随着农业智能信息技术的快速发展,机器视觉在农业各个领域中发挥了重要的作用,其无损获取农作物表型参数方法能够有效的代替人工检测方法,机器视觉技术分为传统机器学习和深度学习,传统机器学习通过提取作物图像的颜色、纹理、形状等特征进行应用研究。但随着计算机技术的快速发展,传统机器学习已经逐渐不能满足行业需求,结合深度学习的机器视觉系统已经成为了机器学习研究中的一个新的领域,深度学习是用于建立、模拟人脑来进行分析学习的神经网络,模仿人脑的机制来解释数据,例如图像,声音和文本,尤其是在农业领域方面对于病虫害检测、生长状况监测和产量预测中具有重要作用。
综上所述,本发明基于机器视觉对水稻秧苗进行智能化识别的研究,对当下水稻的种植与生产均具有极其重要的意义,对秧苗进行智能化识别提供有利条件。该研究包括传统机器学习和深度学习。传统机器学习通过提取秧苗图像HOG特征,基于支持向量机SVM对秧苗叶龄期进行检测;深度学习技术通过构建不同深度学习模型构建水稻秧苗不同叶龄期检测模型,选用评价指标来测试传统机器学习模型和深度学习检测模型,选取最优的或合适的构建水稻秧苗智能化识别的网络模型。
发明内容
针对现有技术中存在的技术问题,本发明的目的是:提供一种基于机器视觉的水稻秧苗叶龄期识别方法,高效且准确识别水稻秧苗叶龄期。
为了达到上述目的,本发明采用如下技术方案:
一种基于机器视觉的水稻秧苗叶龄期识别方法,包括如下步骤:
S1,在水稻秧苗育秧生长周期,人工检测秧苗的叶龄期,并通过无人机采集水稻秧苗图片,并记录秧苗图片对应的人工检测的秧苗叶龄期;
S2,利用图像预处理技术,构建不同训练集;
S3,采用传统的机器视觉技术,构建水稻秧苗不同叶龄期检测模型;
S4,采用基于深度学习构建秧苗不同叶龄期检测模型,并对比不同网络模型的检测准确率;
S5,选用评价指标来测试传统机器学习模型和深度学习检测模型,选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。
作为一种优选,S1包括如下步骤:
S11,水稻秧苗育秧模式采用不同的水稻品种、不同的育秧密度和不同的播种日期,水稻秧苗按育秧模式以小区形式种植;
S12,人工检测水稻秧苗,把秧苗分为不同的叶龄期;秧苗以小区形式种植,采样抽查小区一定数量的秧苗叶龄期,如果抽查的秧苗超过80%属于同一叶龄期,则人工记录该小区秧苗的叶龄期;
S13,采用彩色无人机在秧苗上空以垂直俯视角度悬停航拍该小区的水稻秧苗图像。
作为一种优选,S2包括如下步骤:
S21,通过图像分割秧苗种植区域和非秧苗种植区域,提取秧苗种植区域图像;
S22,人工裁剪秧苗图像,构建机器视觉叶龄期检测模型的数据集。
作为一种优选,S21中,非秧苗种植区域包括水田道路;S22中,对无人机采集的不同叶龄期的数据集,按6:2:2的比例划分为训练集、验证集和测试集。
作为一种优选,S3中,采用传统的机器视觉技术,构建水稻秧苗不同叶龄期检测模型,对数据集进行特征提取,通过对特征参数及检测模型参数的调整和优化,结合评价指标,获取最佳检测模型。
作为一种优选,S3包括如下步骤:
S31,提取秧苗图像的梯度直方图纹理特征HOG;
S32,将不同叶龄期秧苗HOG特征的训练集输入支持向量机SVM模型进行训练;
S33,将验证集和测试集秧苗的HOG特征输入预先构建并训练好的基于支持向量机SVM的叶龄期检测模型,对模型进行评价;
S34,对HOG特征及支持向量机SVM参数的调整和优化,构建叶龄期检测模型,结合评价指标,获取最佳检测模型;
S35,输入秧苗HOG特征,并结合支持向量机SVM对水稻秧苗进行不同叶龄期的检测和分类。
作为一种优选,S4是基于卷积神经网络展开。
作为一种优选,卷积神经网络包括:VGG、ResNet、DenseNet和EfficientNet。
作为一种优选,S4包括如下步骤:
S41,将不同叶龄期秧苗训练集的彩色图像输入深度学习模型进行训练;
S42,不同叶龄期的秧苗验证集和测试集输入训练后的深度学习模型,对模型进行评价;
S43,把秧苗彩色图像输入训练后的深度学习模型,进行不同叶龄期的检测和分类。
作为一种优选,S5中,选用评价指标来测试所选用的模型,采用正确率、精度、召回率3个指标计算公式:
式中:TP为正确检测叶龄期的图片数量,FP为被错误检测叶龄期的图片数量,FN为被错误检测为非此叶龄期的图片数量,TN为正确检测非此叶龄期的图片数量。
本发明具有如下优点:
本发明基于无人机平台获取水稻秧苗图像,通过图像预处理技术构建数据集,并结合田间试验人员人工观测采集得到水稻叶龄期数据集。分别采用传统机器视觉技术和深度学习技术对水稻秧苗叶龄期进行检测。在传统机器视觉技术,对秧苗图像提取HOG特征,结合SVM支持向量机实现水稻秧苗叶龄期的检测,构建水稻秧苗叶龄期网络模型。深度学习模型通过对彩色秧苗图像训练构建水稻秧苗叶龄期检测模型。本发明实现对不同种类的水稻秧苗、不同地形、不同插秧方式进行深入化的研究,并形成相应的智能化检测系统,若能应用于水稻的生产与管控,将能大大提高收益,对农业气象研究及服务领域具有重要意义。本发明能构建水稻秧苗叶龄期智能化识别系统,为后续水稻秧苗研究提供指导分析。
附图说明
图1为一种基于机器视觉的水稻秧苗叶龄期识别方法的流程框图。
具体实施方式
下面将结合具体实施方式来对本发明做进一步详细的说明。
一种基于机器视觉的水稻秧苗叶龄期识别方法,本实施例的作物为水稻,通过传统的机器学习技术和深度学习技术,构建水稻秧苗智能化识别的网络模型,并可用于构建水稻秧苗叶龄期智能化识别系统。。
一种基于机器视觉的水稻秧苗叶龄期识别方法,包括如下步骤:
S1,在水稻秧苗育秧生长周期,人工检测秧苗的叶龄期,并通过无人机采集水稻秧苗图片,并记录秧苗图片对应的人工检测的秧苗叶龄期;
S2,利用图像预处理技术,构建不同训练集;
S3,采用传统的机器视觉技术,构建水稻秧苗不同叶龄期检测模型;
S4,采用基于深度学习构建秧苗不同叶龄期检测模型,并对比不同网络模型的检测准确率;
S5,选用评价指标来测试传统机器学习模型和深度学习检测模型,选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。
各步骤具体如下:
(1)步骤S1
S1包括如下步骤:
S11,水稻秧苗育秧模式采用不同的水稻品种、不同的育秧密度和不同的播种日期,水稻秧苗按育秧模式以小区形式种植。
S12,人工检测水稻秧苗,把秧苗分为不同的叶龄期;秧苗以小区形式种植,采样抽查小区一定数量的秧苗叶龄期,如果抽查的秧苗超过80%属于同一叶龄期,则人工记录该小区秧苗的叶龄期。
S13,采用彩色无人机在秧苗上空以垂直俯视角度悬停航拍该小区的水稻秧苗图像。
在步骤S1中,秧苗的叶龄期包括一叶一心期,二叶一心期和三叶一心期。
在步骤S1中,无人机搭载大疆DJI精灵Phantom 4彩色相机在秧苗上空以垂直俯视角度航拍水稻秧苗图像。
在步骤S1中,秧苗育秧模式采用3种水稻品种,包括华航51号、华航57号、广8优;采用5种育秧密度,包括120g/盘、90g/盘、60g/盘、50g/盘、35g/盘。
(2)步骤S2
S2包括如下步骤:
S21,通过图像分割秧苗种植区域和非秧苗种植区域,提取秧苗种植区域图像;非秧苗种植区域包括水田道路。图像分割,包括:图像灰度化、高斯去噪、图像增强、边缘梯度计算、轮廓提取。即采用高斯滤波降低图像灰度化后的噪声。对图像进行增强并利用边缘检测算子检测图像边缘,计算梯度差,留下高水平梯度和低垂直梯度的图像区域,在此基础上,提取具有水稻幼苗形态的田间托盘彩色图像的轮廓,提取秧苗种植区域。
S22,人工裁剪秧苗图像,构建机器视觉叶龄期检测模型的数据集。提取秧苗种植区域图像后,将图像裁剪成不同大小的图像,包括50×50像素、100×100像素、200×200像素、224×224像素、300×300像素、400×400像素等。然后,剔除包含水田、道路等冗余信息的图像。剩下的图像作为构建叶龄期模型的数据集。对这些数据集,按6:2:2的比例划分为训练集、验证集和测试集。
(3)步骤S3
S3中,采用传统的机器视觉技术,构建水稻秧苗不同叶龄期检测模型,对数据集进行特征提取,通过对特征参数及检测模型参数的调整和优化,结合评价指标,获取最佳检测模型。包括如下步骤:
S31,提取秧苗图像的梯度直方图纹理特征HOG(Histogram of OrientedGradients)。
S32,将不同叶龄期秧苗HOG特征的训练集输入支持向量机SVM模型进行训练。
S33,将验证集和测试集秧苗的HOG特征输入预先构建并训练好的基于支持向量机SVM的叶龄期检测模型,对模型进行评价。
S34,对HOG特征及支持向量机SVM参数的调整和优化,构建叶龄期检测模型,结合评价指标,获取最佳检测模型。
S35,输入秧苗HOG特征,并结合支持向量机SVM对水稻秧苗进行不同叶龄期的检测和分类。
在步骤S3中,构建支持向量机SVM模型中,采用中等高斯核的支持向量机SVM模型,通过使用不同的输入图像大小,不同HOG特征参数:细胞单元Cell和区块Block,结合评价指标,获取最佳的支持向量机SVM检测模型。优选的,图像输入大小为400×400像素,Cell采用16,Block采用2时,支持向量机SVM对秧苗叶龄期的识别准确率最高,如表1,表2,表3,表4。
表1.输入图像大小400×400时,中等高斯核的支持向量机SVM秧苗叶龄期检测模型不同HOG特征参数的正确率
表2.输入图像大小400×400时,中等高斯核的支持向量机SVM秧苗叶龄期检测模型不同HOG特征参数的精度
表3.输入图像大小400×400时,中等高斯核的支持向量机SVM秧苗叶龄期检测模型不同HOG特征参数的召回率
表4.Cell为16,Block为2,中等高斯核的支持向量机SVM秧苗叶龄期检测模型不同输入图像大小的评价指标
其中,提取秧苗图像的HOG特征的过程包括:
S311,图像灰度化。即把彩色图像的RGB颜色空间转换到灰度图像,并将灰度值转换到0-1范围。
S312,计算图像每个像素的梯度值,包括幅值和方向。分别计算图像水平和竖直方向的梯度,并计算每个像素的梯度方向和梯度幅值。
S313,将图像划分成细胞单元Cell,每个Cell由不同像素点组成,例如:6×6像素/Cell。
S314,统计每个细胞单元Cell的梯度直方图,将每个细胞单元Cell的梯度方向分为n个梯度方向级,即可形成每个细胞单元Cell的描述子。
S315,区块Block直方图归一化,将一定数量的细胞单元Cell组成一个区块Block,例如:3×3Cells/Block,将每个块内的直方图串联成一个梯度方向直方图,并进行归一化。
S316,HOG特征提取。将图像内的所有区块Block归一化后的梯度方向直方图串联,作为图像HOG特征。
本发明中基于支持向量机SVM的水稻秧苗叶龄期检测,把不同叶龄期的图片以6:2:2的比例划分训练集、测试集与验证集,采用中等高斯核,通过使用不同的输入图像大小,不同HOG特征参数Cell和Block,训练支持向量机SVM模型,结合评价指标,获取最佳的支持向量机SVM秧苗叶龄期检测模型。
(4)步骤S4
S4是基于卷积神经网络展开,在深度学习技术中构建深度学习模型对水稻秧苗叶龄期进行检测。卷积神经网络包括:VGG、ResNet、DenseNet和EfficientNet。具体介绍如下:
VGG:它由5个卷积块和3个全连接层组成,每个卷积块由1到4个卷积层和池化层组成,常用的VGG模型有VGG19、VGG16,其中VGG16包含16个隐藏层,即13个卷积层和3个全连接层,VGG19包含19个隐藏层,即16个卷积层和3个全连接层,在VGG中,使用了3个3×3卷积核来代替7×7卷积核,使用了2个3×3卷积核来代替5×5卷积核,这样做的主要目的是在保证具有相同感知野的条件下,提升网络的深度,在一定程度上提升了卷积神经网络的效果。
ResNet:本研究主要采用ResNet50进行网络模型构建,其中50表示该网络层数为50,即有个输入7×7×64的卷积,然后经过(3+4+6+3)个building block,每个block为3层,所以有(16×3)层,最后有个fc层用于分类,所以有(1+48+1)层,ResNet50模型中引入了残差模块,有效地解决了因神经网络层数加深导致的梯度弥散、梯度爆炸和退化问题,识别准确率与效率比VGG模型高。
DenseNet:它主要由Dense Block和Transition Layer组成,Dense Block作为网络的主体,负责网络分类特征的提取,它主要拥有以下两个特性:(1)一定程度上减轻在训练过程中梯度消散的问题。在反传时每一层都会接受其后所有层的梯度信号,所以不会随着网络深度的增加,靠近输入层的梯度会变得越来越小。(2)由于大量的特征被复用,使得使用少量的卷积核就可以生成大量的特征,最终模型的尺寸也比较小。
EfficientNet:它使用一个简单而高效的复合系数来均匀地缩放深度、宽度、分辨率等三个维度,该卷积网络可定义为N=FL(H,W,C),其中,H×W为输入图像的大小,C为通道数,L为网络的卷积层数,F为卷积操作,N为该网络模型。
S4包括如下步骤:
S41,将不同叶龄期秧苗训练集的彩色图像输入深度学习模型进行训练。
S42,不同叶龄期的秧苗验证集和测试集输入训练后的深度学习模型,对模型进行评价。
S43,把秧苗彩色图像输入训练后的深度学习模型,进行不同叶龄期的检测和分类。
不同叶龄期的彩色图像按6:2:2的比例划分数据集,把训练集输入四种不同深度学习模型VGG16、ResNet50、EfficientNet、DenseNet121进行训练,并利用验证集和测试集对训练后的深度学习模型进行预测,结合评价指标,选用最佳深度学习网络,表5结果显示EfficientNet的评价指标最高。
表5不同深度学习模型的秧苗叶龄期评价指标
测试集 | 正确率 | 精度 | 召回率 |
VGG16 | 94.84% | 94.55% | 94.83% |
ResNet50 | 98.97% | 98.74% | 98.92% |
DenseNet121 | 99.06% | 98.79% | 99.11% |
EfficientNet | 99.47% | 99.53% | 99.39% |
(5)步骤S5
S5中,选用评价指标来测试所选用的模型,采用正确率、精度、召回率3个指标计算公式:
式中:TP为正确检测叶龄期的图片数量,FP为被错误检测叶龄期的图片数量,FN为被错误检测为非此叶龄期的图片数量,TN为正确检测非此叶龄期的图片数量。
上述实施例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实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、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 (10)
1.一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于,包括如下步骤:
S1,在水稻秧苗育秧生长周期,人工检测秧苗的叶龄期,并通过无人机采集水稻秧苗图片,并记录秧苗图片对应的人工检测的秧苗叶龄期;
S2,利用图像预处理技术,构建不同训练集;
S3,采用传统的机器视觉技术,构建水稻秧苗不同叶龄期检测模型;
S4,采用基于深度学习构建秧苗不同叶龄期检测模型,并对比不同网络模型的检测准确率;
S5,选用评价指标来测试传统机器学习模型和深度学习检测模型,选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。
2.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于,S1包括如下步骤:
S11,水稻秧苗育秧模式采用不同的水稻品种、不同的育秧密度和不同的播种日期,水稻秧苗按育秧模式以小区形式种植;
S12,人工检测水稻秧苗,把秧苗分为不同的叶龄期;秧苗以小区形式种植,采样抽查小区一定数量的秧苗叶龄期,如果抽查的秧苗超过80%属于同一叶龄期,则人工记录该小区秧苗的叶龄期;
S13,采用彩色无人机在秧苗上空以垂直俯视角度悬停航拍该小区的水稻秧苗图像。
3.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于:S2包括如下步骤:
S21,通过图像分割秧苗种植区域和非秧苗种植区域,提取秧苗种植区域图像;
S22,人工裁剪秧苗图像,构建机器视觉叶龄期检测模型的数据集。
4.按照权利要求3所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于:S21中,非秧苗种植区域包括水田道路;S22中,对无人机采集的不同叶龄期的数据集,按6:2:2的比例划分为训练集、验证集和测试集。
5.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于:S3中,采用传统的机器视觉技术,构建水稻秧苗不同叶龄期检测模型,对数据集进行特征提取,通过对特征参数及检测模型参数的调整和优化,结合评价指标,获取最佳检测模型。
6.按照权利要求5所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于:S3包括如下步骤:
S31,提取秧苗图像的梯度直方图纹理特征HOG;
S32,将不同叶龄期秧苗HOG特征的训练集输入支持向量机SVM模型进行训练;
S33,将验证集和测试集秧苗的HOG特征输入预先构建并训练好的基于支持向量机SVM的叶龄期检测模型,对模型进行评价;
S34,对HOG特征及支持向量机SVM参数的调整和优化,构建叶龄期检测模型,结合评价指标,获取最佳检测模型;
S35,输入秧苗HOG特征,并结合支持向量机SVM对水稻秧苗进行不同叶龄期的检测和分类。
7.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于:S4是基于卷积神经网络展开。
8.按照权利要求7所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于:卷积神经网络包括:VGG、ResNet、DenseNet和EfficientNet。
9.按照权利要求8所述的一种基于机器视觉的水稻秧苗叶龄期识别方法,其特征在于:S4包括如下步骤:
S41,将不同叶龄期秧苗训练集的彩色图像输入深度学习模型进行训练;
S42,不同叶龄期的秧苗验证集和测试集输入训练后的深度学习模型,对模型进行评价;
S43,把秧苗彩色图像输入训练后的深度学习模型,进行不同叶龄期的检测和分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327655.4A CN114596509A (zh) | 2022-03-30 | 2022-03-30 | 一种基于机器视觉的水稻秧苗叶龄期识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210327655.4A CN114596509A (zh) | 2022-03-30 | 2022-03-30 | 一种基于机器视觉的水稻秧苗叶龄期识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114596509A true CN114596509A (zh) | 2022-06-07 |
Family
ID=81812103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210327655.4A Pending CN114596509A (zh) | 2022-03-30 | 2022-03-30 | 一种基于机器视觉的水稻秧苗叶龄期识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114596509A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993228A (zh) * | 2019-04-02 | 2019-07-09 | 南通科技职业学院 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
CN115797771A (zh) * | 2022-12-07 | 2023-03-14 | 北大荒信息有限公司 | 一种寒地水稻叶龄判断方法、装置、计算机及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522797A (zh) * | 2018-10-16 | 2019-03-26 | 华南农业大学 | 基于卷积神经网络的水稻秧苗及苗期杂草识别方法和系统 |
CN110660070A (zh) * | 2019-08-12 | 2020-01-07 | 北京瀚景锦河科技有限公司 | 一种水稻叶脉图像提取方法和装置 |
WO2021252052A1 (en) * | 2020-06-11 | 2021-12-16 | Aerobotics (Pty) Ltd | Systems and methods for estimating plant age |
-
2022
- 2022-03-30 CN CN202210327655.4A patent/CN114596509A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522797A (zh) * | 2018-10-16 | 2019-03-26 | 华南农业大学 | 基于卷积神经网络的水稻秧苗及苗期杂草识别方法和系统 |
CN110660070A (zh) * | 2019-08-12 | 2020-01-07 | 北京瀚景锦河科技有限公司 | 一种水稻叶脉图像提取方法和装置 |
WO2021252052A1 (en) * | 2020-06-11 | 2021-12-16 | Aerobotics (Pty) Ltd | Systems and methods for estimating plant age |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993228A (zh) * | 2019-04-02 | 2019-07-09 | 南通科技职业学院 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
CN115797771A (zh) * | 2022-12-07 | 2023-03-14 | 北大荒信息有限公司 | 一种寒地水稻叶龄判断方法、装置、计算机及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiongyan et al. | Detecting spikes of wheat plants using neural networks with Laws texture energy | |
Zhou et al. | Wheat ears counting in field conditions based on multi-feature optimization and TWSVM | |
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 | |
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
Mishra et al. | A Deep Learning-Based Novel Approach for Weed Growth Estimation. | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
CN109544538B (zh) | 小麦赤霉病病害等级分级方法及装置 | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
CN113283352B (zh) | 一种基于显微图像的类器官活力评价方法及系统 | |
CN107895136A (zh) | 一种煤矿区域识别方法及系统 | |
CN106991449A (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
Bonik et al. | A Convolutional Neural Network Based Potato Leaf Diseases Detection Using Sequential Model | |
CN114965501A (zh) | 基于冠层参数处理的花生病害检测与产量预测方法 | |
CN115330833A (zh) | 一种改进多目标跟踪的果实产量估算方法 | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
Li et al. | Disease recognition of maize Leaf based on KNN and feature extraction | |
CN116597309A (zh) | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 | |
CN111191543A (zh) | 油菜产量估测方法 | |
CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
Yumang et al. | Bacterial Leaf Blight Identification of Rice Fields Using Tiny YOLOv3 | |
CN116188317A (zh) | 一种基于斜拍图像获取植物工厂内生菜生长信息的方法 |
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 |