[发明专利]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

说明书

本发明公开了一种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，所述方法包括：获取水稻秧苗及苗期杂草的彩色样本图像；其中，所述水稻秧苗及苗期杂草的彩色样本图像带有相应的种类标签；对水稻秧苗及苗期杂草的彩色样本图像进行扩增，形成训练集和测试集；构建基于卷积神经网络的水稻秧苗及苗期杂草识别模型，设计三种不同网络深度的卷积神经网络模型；调节三种网络深度的卷积神经网络模型的网络参数，通过训练集对三种网络深度不同网络参数的卷积神经网络模型进行训练，选出识别准确率最高的卷积神经网络模型。本发明能够从水稻秧苗及苗期杂草的彩色样本图像中学习并提取得到鲁棒性强的特征，并取得较好的识别效果。

技术领域

本发明涉及一种水稻秧苗及苗期杂草识别方法，尤其是一种基于卷积神经网络的水稻秧苗及苗期杂草识别方法、系统、计算机设备和存储介质，属于图像处理与深度学习领域。

背景技术

农药的精准喷施可在不影响杂草防控效果的前提下，有效节约40～60％的农药用量。水稻秧苗及苗期杂草识别是除草剂喷施对象和药品种类选择的依据，是稻田杂草精确防控管理的基础，因此，如何快速准确进行水稻秧苗及苗期杂草自动识别具有重要意义。

由于在以往水稻秧苗及苗期杂草识别过程中，往往依靠手工设计特征，需要丰富的专业知识并且花费大量的时间。特征的好坏在很大程度上还要依靠经验和运气，往往整个算法的测试和调节工作都集中于此，需要手工完成，十分费力。与之相比，近年来受到广泛关注的深度学习理论中的一个重要观点就是手设计的特征描述子作为视觉计算的第一步，往往过早地丢失掉有用信息，而直接从图像中学习到与任务相关的特征表示，比手工设计特征更加有效。

申请号为201710102806.5的中国发明专利申请公开了一种基于深度堆叠网络的杂草图像识别方法。该基于深度堆叠网络的杂草图像识别方法包括：对训练图像进行收集和预处理；构造并训练深度堆叠网络模型；将测试样本输入经过训练后的深度堆叠网络模型，进行杂草图像的自动识别。但是深度堆叠网络模型结构针对大样本的图像数据，具有训练时间长和鲁棒性不强等缺点。

发明内容

本发明的第一个目的是为了解决上述现有技术的缺陷，提供了一种基于卷积神经网络的水稻秧苗及苗期杂草识别方法，该方法能够从水稻秧苗及苗期杂草的彩色样本图像中学习并提取得到鲁棒性强的特征，并取得较好的识别效果。

本发明的第二个目的在于提供一种基于卷积神经网络的水稻秧苗及苗期杂草识别系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于卷积神经网络的水稻秧苗及苗期杂草识别方法，所述方法包括：

获取水稻秧苗及苗期杂草的彩色样本图像；其中，所述水稻秧苗及苗期杂草的彩色样本图像带有相应的种类标签；

对水稻秧苗及苗期杂草的彩色样本图像进行扩增，形成训练集和测试集；

构建基于卷积神经网络的水稻秧苗及苗期杂草识别模型，设计三种不同网络深度的卷积神经网络模型；

调节三种网络深度的卷积神经网络模型的网络参数，通过训练集对三种网络深度不同网络参数的卷积神经网络模型进行训练，选出识别准确率最高的卷积神经网络模型。

进一步的，所述构建基于卷积神经网络的水稻秧苗及苗期杂草识别模型，设计三种不同网络深度的卷积神经网络模型，具体包括：