[发明专利]一种基于深度神经网络建模的作物图像分割系统及方法

说明书

本发明公开了一种基于深度神经网络建模的作为图像分割系统，该系统包括：图像采集模块；像素分类模块，用于通过人工在所述作物图像中以点选方式手动获得两类像素：作物像素和背景像素，即分别对应类别标签正样本和负样本，选取同等数量的所述正样本和负样本作为深度卷积神经网络的训练样本；颜色空间转换模块，用于将所述训练样本由RGB颜色空间转换为标准化的rgb和Lab颜色空间，并将样本的Lab颜色值按ICC规范将其转换为无符号8bit整数形式，形成所述训练样本的颜色特征；神经网络训练模块；模型测试模块。本发明具有较高的作物图像分割处理速度及分割的精确性，且能够较好的适应户外复杂多变的光照环境，可在作物生长观测中对作物进行有效分割提取。

技术领域

本发明涉及一种作物图像分割系统及方法，具体涉及一种基于深度神经网络建模的作为图像分割系统及方法。

背景技术

由于水稻是一种容易受灾害性气候条件和病虫害影响的作物，以上灾害会直接影响水稻的产量。因此，对水稻的生长状况进行观测十分必要，有利于在水稻发生灾害时能够及时进行受灾评估并及时开展应对措施。此外，在一般的水稻发育过程中根据水稻观测结果进行合理的田间作业比如灌溉、施肥和晒田，也可以有效的实现水稻增产。传统的观测手段主要是人工观测，即由一些农技人员凭借个人观测经验来判断水稻的生长状况。人工观测方法经过了极长时间的发展，使得这种方法已经十分成熟。但是这种依靠人力的方法有诸多弊端，比如观测效率低、工作量大、人工成本高、易受主观因素影响等。随着计算机视觉及人工智能技术等的发展，越来越多的学者开始研究并实现基于计算机视觉的作物生长发育自动观测技术。

在作物的自动观测过程中，无论是何种观测技术往往都离不开对所获取到的水稻图像进行图像分割，即将水稻从图像中分割处理这一环节。可以说作物图像分割是自动观测技术中的首要任务，因此作物图像的精确分割一直是研究的热点。Woebbecke等(Woebbecke,D.M.,Meyer,G.E.,Von Bargen,K.,Mortensen,D.A.,1995.Color indicesfor weed identification under various soil,residue,and lighting conditions.TAsae 38,259-269)根据在规范化的rgb颜色空间绿色作物比其它背景有更大的绿色色调值这一事实，提出了一种基于超绿算子的作物分割方法(Excess Green and Otsu,简称ExG)。此后，Neto等(Neto J C.A Combined Statistical-Soft Computing Approach forClassification and Mapping Weed Species in Minimum-TillageSystems.Unpublished Ph.D.Dissertation.University of Nebraska,Lincoln,NE,117pp.,2004:117pp-117pp)改进了ExG方法并提出了基于超绿与超红算子的作物图像分割方法(Excess Green minus Excess Red，简称ExGExR)。Tian等(Tian L F,Slaughter DC.Environmentally Adaptive Segmentation Algorithm for Outdoor ImageSegmentation.Computers And Electronics In Agriculture,1998,21(3):153-168)在1998年提出了基于贝叶斯理论的环境自适应分割方法(Environmentally AdaptiveSegmentation Algorithm，简称EASA)来实现对光照变化鲁棒的作物分割。Kataoka等(Kataoka T,Kaneko T,Okamoto H,et al.Crop Growth Estimation System UsingMachine Vision.Proceedings 2003IEEE/ASME International Conference on AdvancedIntelligent Mechatronics(AIM 2003),2003,2(Aim):b1079-b1083)通过利用每个像素的R，G，B三个通道的颜色值都被用来进行作物与背景的区分提出了CIVE方法(Color Indexof Vegetation Extraction，简称CIVE)。CIVE方法采用Ostu算法自动给出区分作物和背景的阈值。余正泓等(Yu Z,Cao Z,Wu X,et al.Automatic Image-Based DetectionTechnology for Two Critical Growth Stages of Maize:Emergence and Three-LeafStage.Agricultural And Forest Meteorology,2013,174-175:65-84)利用色度H及亮度I进行单高斯建模并结合AP聚类提出了AP-HI作物分割方法。该方法是假设图像中作物的颜色在给定的颜色空间的分布符合高斯模型分布，进而利用高斯模型对作物的颜色进行建模实现作物的分割。