CN116912681A - 一种基于深度学习的杂草稻识别方法及系统 - Google Patents
一种基于深度学习的杂草稻识别方法及系统 Download PDFInfo
- Publication number
- CN116912681A CN116912681A CN202310765386.4A CN202310765386A CN116912681A CN 116912681 A CN116912681 A CN 116912681A CN 202310765386 A CN202310765386 A CN 202310765386A CN 116912681 A CN116912681 A CN 116912681A
- Authority
- CN
- China
- Prior art keywords
- rice
- weed
- model
- weed rice
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 295
- 238000012549 training Methods 0.000 claims abstract description 48
- 235000007164 Oryza sativa Nutrition 0.000 claims description 86
- 235000009566 rice Nutrition 0.000 claims description 86
- 238000012360 testing method Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000013461 design Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 10
- 238000007906 compression Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000746966 Zizania Species 0.000 description 1
- 235000002636 Zizania aquatica Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的杂草稻识别方法。本发明的杂草稻识别方法采用深度学习的方法对杂草稻进行识别，根据摄像头采集杂草稻图像并对图像进行预处理，使用改进后的神经网络模型对预处理后的图像进行训练，利用训练完成的模型对杂草稻进行识别。且本发明的杂草稻识别方法是一种无损检测农作物的方法，不仅能够降低劳动力成本，而且检测速度快，获取图像方便且设备便宜，也不会因为长时间的工作而影响识别的准确率，因此，利用深度学习技术对杂草稻进行识别，代替传统的方法具有重要的意义。
Description
技术领域
本发明涉及模型识别技术领域，尤其涉及一种基于深度学习的杂草稻识别方法及系统。
背景技术
水稻在中国的农业生产中占着举足轻重的地位。水稻的分布在不同地域和生态类型，但对所有的地域和生态类型来说，水稻品种的好坏直接关系到水稻产量的高低。
为保证粮食产量，解决水稻产量持续增长的难题，中国发展了多代强优势杂交水稻技术。但近年来，在水稻品种选育、大面积制种和区域试验等环节出现了杂草稻的现象。杂草稻是一种具有野生稻和栽培稻特性的一类杂草，具有长势快、成型植株松散及谷粒少的特点，生长范围为稻田或者稻田的周边。杂草稻的类型多样，来源也十分复杂，对水稻生产造成严重威胁。尹大杰等研究表明，生产田中的杂草稻率每增加1个百分点，则667m2的水稻产量减少7.8kg。因此，在水稻的品种选育和区域试验等环节中要加强对杂草稻的防范清除，以达到增产目的。杂草稻的防除以识别为前提，特别是在制种环节中，杂草稻的识别成为了决定种子纯度的关键。传统对杂草稻识别的方法是一项耗时费力的重复性工作。现有杂草稻识别方法主要依靠经验进行肉眼观察，根据不同生长发育时期的各个性状表现差异来判断。总体上来说，目前的杂草稻识别方法严重依赖于检验人员的经验和主观判断，其速度、效率和准确率偏低。即使经验丰富的检验人员也很难保持长时间高效率地工作。因此，迫切需要一种能够准确识别杂草稻和水稻作物的方法。
方法内容
本申请的目的是针对现有技术中存在的技术缺陷，而提供一种基于深度学习的杂草稻识别方法及系统。
为实现本申请的目的所采用的技术方案是：
一种基于深度学习的杂草稻识别方法，包括以下步骤：
步骤1，采集水稻整个生长期的杂草稻图像，基于采集到的杂草稻图像构建不同品种的杂草稻图像样本库，并对所述杂草稻图像样本库内的杂草稻图像进行名称标注；
步骤2，将数据标注后的杂草稻图像进行等比例无损压缩，并对等比例无损压缩后的杂草稻图像样本进行数据清洗，得到初始的杂草稻图像样本；
步骤3，判断初始的杂草稻图像样本的数量是否满足设定数量，若是，则将初始的杂草稻图像样本作为最终的样本图像；否则，对初始的杂草稻图像样本进行数据增强，将数据增强后的杂草稻图像样本构建成杂草稻数据集；
步骤4，将杂草稻数据集的杂草稻图像中的杂草稻框出，对杂草稻进行数据标注，并按照比例将数据标注后的杂草稻数据集划分为训练集、验证集和测试集；
步骤5，构建基于深度学习的杂草稻识别模型，将训练集、验证集和测试集输入所述杂草稻识别模型，进行模型训练和测试；
步骤6，将待识别的杂草稻图像输入训练完成的杂草稻识别模型，得到该杂草稻图像对应的的预测框、名称和准确率。
在上述技术方案中，对所述杂草稻图像样本库内的杂草稻图像进行名称标注包括：对不同品种的杂草稻图像标注对应的名称。
在上述技术方案中，所述对等比例无损压缩后的杂草稻图像样本进行数据清洗包括删除不符合要求的杂草稻图像。
在上述技术方案中，所述对初始的杂草稻图像样本进行数据增强，包括：对不满足设定数量的初始的杂草稻图像样本依次进行随机亮度调节、添加高斯噪点和逆时针旋转60度操作。
在上述技术方案中，使用标注工具labelImg对杂草稻数据集的杂草稻图像中的杂草稻进行数据标注。
在上述技术方案中，所述对杂草稻进行数据标注包括：将所述杂草稻图像中的杂草稻标注为VOC数据格式，标注后的每张杂草稻图像标注的标签信息被保存到xml文件中。
在上述技术方案中，所述步骤5包括以下步骤：
S501：选择合适的基础模型作为杂草稻识别模型，并构建杂草稻识别模型各个网络结构模块；
S502：将训练集和验证集输入杂草稻识别模型，并训练模型；
S503：将测试集输入训练完成的杂草稻识别模型中，得到模型评价指标结果；
S504：根据模型评价指标结果判断模型性能是否满足实验要求，若是，则得到训练完成的深度学习模型，否则，优化模型性能，直到满足实验要求。
一种基于深度学习的杂草稻识别系统，包括数据采集及预处理模块、杂草稻识别模型模块和杂草稻识别系统模块，其中：
所述数据采集及预处理模块包括杂草稻图像采集模块、杂草稻图像样本库构建模块、杂草稻图像数据清洗模块、杂草稻图像数据增强和建立增强后的杂草稻图像数据集模块，所述杂草稻图像采集模块用于对研究区域内杂草稻进行采集；所述杂草稻图像样本库构建模块用于基于采集到的杂草稻图像构建不同品种的杂草稻图像样本库；所述杂草稻图像数据清洗模块用于对等比例无损压缩后的杂草稻图像样本进行数据清洗，得到初始的杂草稻图像样本；所述杂草稻图像数据增强用于对不满足设定数量的初始的杂草稻图像样本依次进行随机亮度调节、添加高斯噪点和逆时针旋转60度操作；所述建立增强后的杂草稻图像数据集模块用于将数据增强后的杂草稻图像样本构建成杂草稻数据集；
所述杂草稻识别模型模块包括深度学习模型设计模块、模型结构设计模型训练模块和模型结果分析及优化模块，所述深度学习模型设计模块用于选择合适的基础模型作为杂草稻识别模型；所述模型结构设计用于构建杂草稻识别模型各个网络结构模块；所述模型训练模块用于训练杂草稻识别模型；所述模型结果分析及优化模块用于根据模型评价指标结果判断模型性能是否满足实验要求，若所述模型性能不满足实验要求，优化模型性能，直到满足实验要求；
所述杂草稻识别系统模块包括杂草稻识别模型输出模块，所述杂草稻识别模型输出模块用于将待识别的杂草稻图像输入训练好的杂草稻识别模型，得到该杂草稻图像对应的的预测框、名称和准确率。
在上述技术方案中，所述杂草稻识别模型模块还包括模型参数设计模块，所述模型参数设计模块用于防止模型训练过度拟合或者陷入局部最佳状态。
在上述技术方案中，所述杂草稻识别系统模块还包括开发杂草稻识别系统，所述开发杂草稻识别系统用于杂草稻识别的最终可视化平台。
本发明的有益效果如下：
1、本发明的杂草稻识别方法采用深度学习的方法对杂草稻进行识别，根据摄像头采集杂草稻图像并对图像进行预处理，使用改进后的神经网络模型对预处理后的图像进行训练，利用训练完成的模型对杂草稻进行识别。
2、本发明的杂草稻识别方法是一种无损检测农作物的方法，不仅能够降低劳动力成本，而且检测速度快，获取图像方便且设备便宜，也不会因为长时间的工作而影响识别的准确率，因此，利用深度学习技术对杂草稻进行识别，代替传统的方法具有重要的意义。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1所示为本发明的基于深度学习的杂草稻识别方法的流程图。
图2所示为本发明的进行模型训练和测试的流程图。
图3所示为本发明的基于深度学习的杂草稻识别系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好的理解本方法方案，下面结合具体实施例进一步说明本方法的技术方案。
参见图1，一种基于深度学习的杂草稻识别方法，包括以下步骤：
步骤1，采集水稻整个生长期的杂草稻图像，基于采集到的杂草稻图像构建不同品种的杂草稻图像样本库，并对所述杂草稻图像样本库内的杂草稻图像进行名称标注。
其中，对所述杂草稻图像样本库内的杂草稻图像进行名称标注包括：对不同品种的杂草稻图像标注对应的名称。
步骤2，将数据标注后的杂草稻图像进行等比例无损压缩，并对等比例无损压缩后的杂草稻图像样本进行数据清洗，得到初始的杂草稻图像样本。
所述对等比例无损压缩后的杂草稻图像样本进行数据清洗包括删除不符合要求的杂草稻图像。其中，不符合要求的杂草稻图像包括不含杂草稻图像、杂草稻模糊图像和杂草稻重复图像。
步骤3，判断初始的杂草稻图像样本的数量是否满足设定数量，若是，则将初始的杂草稻图像样本作为最终的样本图像；否则，对初始的杂草稻图像样本进行数据增强，将数据增强后的杂草稻图像样本构建成杂草稻数据集。
所述对初始的杂草稻图像样本进行数据增强，包括：对不满足设定数量的初始的杂草稻图像样本依次进行随机亮度调节、添加高斯噪点和逆时针旋转60度操作。
具体的讲，在本实施例中，本申请在研究区域通过采集设备(摄像头)采集自然背景下共8000张5种水稻的杂草稻图像，将像素为4000×3000pixels的图像等比例无损压缩为1000×750pixels；对等比例无损压缩后的杂草稻图像样本分别进行数据清洗和数据增强后，最终得到6436张5种水稻的杂草稻图，并构建杂草稻数据集。
步骤4，将杂草稻数据集的杂草稻图像中的杂草稻框出，对杂草稻进行数据标注，并按照比例将数据标注后的杂草稻数据集划分为训练集(train)、验证集(val)和测试集(test)。
具体的讲，本实施例使用标注工具labelImg对杂草稻数据集的杂草稻图像中的杂草稻进行数据标注，包括：将所述杂草稻图像中的杂草稻标注为VOC数据格式，标注后的每张杂草稻图像标注的标签信息被保存到xml文件中，其中xml文件包括：文件夹名称、杂草稻图像名称、杂草稻图像路径、杂草稻图像大小、杂草稻图像类别名称、标记框的像素坐标等文件内容。
为了适用于不同的训练模型，本实施例使用Python代码将VOC数据格式转换为YOLO数据格式，会把每张杂草稻图像标注的标签信息保存到一个txt文件中。txt文件中每一行代表标注的一个目标，第一个数代表标注目标的标签，后面的四个数代表标注框的中心坐标和标注框的相对宽和高。
所述训练集、验证集和测试集的划分比例包括：(train+val):test＝9:1，train:val＝9:1。所述训练集、验证集和测试集分别包括5212、580和644张杂草稻图像。
步骤5，构建基于深度学习的杂草稻识别模型，将训练集、验证集和测试集输入所述杂草稻识别模型，进行模型训练和测试。
参见图2，所述步骤5包括以下步骤：
S501：选择合适的基础模型作为杂草稻识别模型，并构建杂草稻识别模型各个网络结构模块；
S502：将训练集和验证集输入杂草稻识别模型，并训练模型；
S503：将测试集输入训练完成的杂草稻识别模型中，得到模型评价指标结果；
S504：根据模型评价指标结果判断模型性能是否满足实验要求，若是，则得到训练完成的深度学习模型，否则，优化模型性能，直到满足实验要求。
具体的讲，将训练集、验证集和测试集输入深度学习模型过程中，YOLOv5会通过数据加载器传输每一批训练数据，同时增强训练数据。本发明包含了足够的可训练参数来学习判别性特征。Epochs即训练轮数，决定了训练时间与训练效果。本实验训练轮数达到300时，损失函数不再减少，将epochs设定为300。Batch-size即批量处理文件数，其决定了模型训练的速度，此参数要根据硬件设施的配置进行设置，过大则会出现out of memory错误，将batch-size设置为16。Image-size即图片大小，虽然我们训练集的杂草稻图像已经固定，但是传入神经网络时可以resize大小。Image-size过大会增加训练时间，且可能报错，本发明Image-size设置为640×640pixels。Workers即多线程设置，越大读取数据越快，但是太大会出现运行报错，视硬件条件而定，本实施例workers设置为8。此外，还有一些重要超参数设置，归纳如下：为防止模型训练过度拟合或者陷入局部最佳状态，模型训练优化器选为stochastic gradient descent(SGD)。初始学习率lr0为0.01，最终学习率lrf为0.01，并以OneCycleLR形式或线性形式从lr0衰减至lr0*lrf。为解决SGD引入的噪声和Hessian矩阵病态问题，引入了动量(Momentum)的SGD，参数值beta1为0.937。优化器权重衰减系数为5E-4。模型自身数据加载器进行了多种数据增强：色彩空间调整、图像平移、图像缩放、左右翻转、饱和度、亮度增强和mosaic数据增强等。
步骤6，将待识别的杂草稻图像输入训练完成的杂草稻识别模型，得到该杂草稻图像对应的的预测框、名称和准确率。
一种基于深度学习的杂草稻识别系统，参见图3，所述基于深度学习的杂草稻识别系统1包括：数据采集及预处理模块13、杂草稻识别模型模块7和杂草稻识别系统模块16，其中：
所述数据采集及预处理模块13包括杂草稻图像采集模块8、杂草稻图像样本库构建模块9、杂草稻图像数据清洗模块10、杂草稻图像数据增强11和建立增强后的杂草稻图像数据集模块12，所述杂草稻图像采集模块8用于对研究区域内杂草稻进行采集；所述杂草稻图像样本库构建模块9用于基于采集到的杂草稻图像构建不同品种的杂草稻图像样本库；所述杂草稻图像数据清洗模块10用于对等比例无损压缩后的杂草稻图像样本进行数据清洗，得到初始的杂草稻图像样本；所述杂草稻图像数据增强11用于对不满足设定数量的初始的杂草稻图像样本依次进行随机亮度调节、添加高斯噪点和逆时针旋转60度操作；所述建立增强后的杂草稻图像数据集模块12用于将数据增强后的杂草稻图像样本构建成杂草稻数据集。
所述杂草稻识别模型模块7包括深度学习模型设计模块2、模型结构设计3、模型训练模块5和模型结果分析及优化模块6，所述深度学习模型设计模块2用于选择合适的基础模型作为杂草稻识别模型；所述模型结构设计3用于构建杂草稻识别模型各个网络结构模块；所述模型训练模块5用于训练杂草稻识别模型；所述模型结果分析及优化模块6用于根据模型评价指标结果判断模型性能是否满足实验要求，若所述模型性能不满足实验要求，优化模型性能，直到满足实验要求。
所述杂草稻识别系统模块16包括杂草稻识别模型输出模块14，所述杂草稻识别模型输出模块14用于将待识别的杂草稻图像输入训练好的杂草稻识别模型，得到该杂草稻图像对应的的预测框、名称和准确率。
进一步的，所述杂草稻识别模型模块7还包括模型参数设计模块4，所述模型参数设计模块4用于防止模型训练过度拟合或者陷入局部最佳状态。
进一步的，所述杂草稻识别系统模块16还包括开发杂草稻识别系统15，所述开发杂草稻识别系统15用于杂草稻识别的最终可视化平台。
以上所述是本发明的较优的实施方式，并不应视为对本发明作任何形式的限制，本发明中的较优实施例及相关技术已如上阐述，但并不限定本发明，对于熟悉本技术领域的相关技术人员，在不脱离本发明技术原理的范围内，可以利用以上阐述的技术原理做些许改进或替换，包括依据本发明方案的核心内容做修饰和等同变化，这些均在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的杂草稻识别方法，其特征在于，包括以下步骤：
步骤1，采集水稻整个生长期的杂草稻图像，基于采集到的杂草稻图像构建不同品种的杂草稻图像样本库，并对所述杂草稻图像样本库内的杂草稻图像进行名称标注；
步骤2，将数据标注后的杂草稻图像进行等比例无损压缩，并对等比例无损压缩后的杂草稻图像样本进行数据清洗，得到初始的杂草稻图像样本；
步骤3，判断初始的杂草稻图像样本的数量是否满足设定数量，若是，则将初始的杂草稻图像样本作为最终的样本图像；否则，对初始的杂草稻图像样本进行数据增强，将数据增强后的杂草稻图像样本构建成杂草稻数据集；
步骤4，将杂草稻数据集的杂草稻图像中的杂草稻框出，对杂草稻进行数据标注，并按照比例将数据标注后的杂草稻数据集划分为训练集、验证集和测试集；
步骤5，构建基于深度学习的杂草稻识别模型，将训练集、验证集和测试集输入所述杂草稻识别模型，进行模型训练和测试；
步骤6，将待识别的杂草稻图像输入训练完成的杂草稻识别模型，得到该杂草稻图像对应的的预测框、名称和准确率。
2.根据权利要求1所述的杂草稻识别方法，其特征在于，对所述杂草稻图像样本库内的杂草稻图像进行名称标注包括：对不同品种的杂草稻图像标注对应的名称。
3.根据权利要求1所述的杂草稻识别方法，其特征在于，所述对等比例无损压缩后的杂草稻图像样本进行数据清洗包括删除不符合要求的杂草稻图像。
4.根据权利要求1所述的杂草稻识别方法，其特征在于，所述对初始的杂草稻图像样本进行数据增强，包括：对不满足设定数量的初始的杂草稻图像样本依次进行随机亮度调节、添加高斯噪点和逆时针旋转60度操作。
5.根据权利要求1所述的杂草稻识别方法，其特征在于，使用标注工具labelImg对杂草稻数据集的杂草稻图像中的杂草稻进行数据标注。
6.根据权利要求1所述的杂草稻识别方法，其特征在于，所述对杂草稻进行数据标注包括：将所述杂草稻图像中的杂草稻标注为VOC数据格式，标注后的每张杂草稻图像标注的标签信息被保存到xml文件中。
7.根据权利要求1所述的杂草稻识别方法，其特征在于，所述步骤5包括以下步骤：
S501：选择合适的基础模型作为杂草稻识别模型，并构建杂草稻识别模型各个网络结构模块；
S502：将训练集和验证集输入杂草稻识别模型，并训练模型；
S503：将测试集输入训练完成的杂草稻识别模型中，得到模型评价指标结果；
S504：根据模型评价指标结果判断模型性能是否满足实验要求，若是，则得到训练完成的深度学习模型，否则，优化模型性能，直到满足实验要求。
8.一种如权利要求1-7任一所述的基于深度学习的杂草稻识别系统，其特征在于，包括数据采集及预处理模块、杂草稻识别模型模块和杂草稻识别系统模块，其中：
所述数据采集及预处理模块包括杂草稻图像采集模块、杂草稻图像样本库构建模块、杂草稻图像数据清洗模块、杂草稻图像数据增强和建立增强后的杂草稻图像数据集模块，所述杂草稻图像采集模块用于对研究区域内杂草稻进行采集；所述杂草稻图像样本库构建模块用于基于采集到的杂草稻图像构建不同品种的杂草稻图像样本库；所述杂草稻图像数据清洗模块用于对等比例无损压缩后的杂草稻图像样本进行数据清洗，得到初始的杂草稻图像样本；所述杂草稻图像数据增强用于对不满足设定数量的初始的杂草稻图像样本依次进行随机亮度调节、添加高斯噪点和逆时针旋转60度操作；所述建立增强后的杂草稻图像数据集模块用于将数据增强后的杂草稻图像样本构建成杂草稻数据集；
所述杂草稻识别模型模块包括深度学习模型设计模块、模型结构设计模型训练模块和模型结果分析及优化模块，所述深度学习模型设计模块用于选择合适的基础模型作为杂草稻识别模型；所述模型结构设计用于构建杂草稻识别模型各个网络结构模块；所述模型训练模块用于训练杂草稻识别模型；所述模型结果分析及优化模块用于根据模型评价指标结果判断模型性能是否满足实验要求，若所述模型性能不满足实验要求，优化模型性能，直到满足实验要求；
所述杂草稻识别系统模块包括杂草稻识别模型输出模块，所述杂草稻识别模型输出模块用于将待识别的杂草稻图像输入训练好的杂草稻识别模型，得到该杂草稻图像对应的的预测框、名称和准确率。
9.根据权利要求8所述的杂草稻识别系统，其特征在于，所述杂草稻识别模型模块还包括模型参数设计模块，所述模型参数设计模块用于防止模型训练过度拟合或者陷入局部最佳状态。
10.根据权利要求8所述的杂草稻识别系统，其特征在于，所述杂草稻识别系统模块还包括开发杂草稻识别系统，所述开发杂草稻识别系统用于杂草稻识别的最终可视化平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765386.4A CN116912681A (zh) | 2023-06-26 | 2023-06-26 | 一种基于深度学习的杂草稻识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310765386.4A CN116912681A (zh) | 2023-06-26 | 2023-06-26 | 一种基于深度学习的杂草稻识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116912681A true CN116912681A (zh) | 2023-10-20 |
Family
ID=88357321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310765386.4A Pending CN116912681A (zh) | 2023-06-26 | 2023-06-26 | 一种基于深度学习的杂草稻识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116912681A (zh) |
-
2023
- 2023-06-26 CN CN202310765386.4A patent/CN116912681A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
| CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
| CN114387520B (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
| CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
| CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
| CN113256636A (zh) | 一种自底向上的寄生虫虫种发育阶段及图像像素分类方法 | |
| Rong et al. | Pest Identification and Counting of Yellow Plate in Field Based on Improved Mask R‐CNN | |
| CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
| CN117576195A (zh) | 一种植物叶片形态识别方法 | |
| CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
| CN115661544A (zh) | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 | |
| Hu et al. | Self-adversarial training and attention for multi-task wheat phenotyping | |
| CN114913425A (zh) | 基于置信学习和细粒度特征提取的玉米病害程度检测方法 | |
| CN114937266A (zh) | 一种基于yolox-s的硬壳蛤生物体征识别方法 | |
| CN114299379A (zh) | 一种基于高动态影像的阴影区植被覆盖度提取方法 | |
| CN115641335B (zh) | 基于时差培养箱的胚胎异常多级联智能综合分析系统 | |
| CN112116595A (zh) | 一种端到端的植物根系特征自动分割系统 | |
| CN116912681A (zh) | 一种基于深度学习的杂草稻识别方法及系统 | |
| CN110705698A (zh) | 尺度自适应感知的目标计数深度网络设计方法 | |
| CN115272956A (zh) | 一种基于改进的YOLOv5的鸡只健康度监测方法 | |
| CN114638959A (zh) | 一种基于卷积神经网络的苹果叶部病害诊断方法 | |
| CN116977648A (zh) | 一种基于目标检测的菜用大豆表型信息的识别方法和系统 | |
| CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
| CN112215107A (zh) | 一种猪的行为识别方法及装置、电子设备和存储介质 |
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 |