[发明专利]一种基于多光谱巡检图像的杂草智能识别方法

说明书

一种基于多光谱巡检图像的杂草智能识别方法。本发明涉及深度学习图像识别领域，特别是涉及一种基于神经网络对巡检图像中杂草的识别方法。本发明以提高多光谱巡检图像中杂草的识别率为目标，以多光谱巡检图像中杂草的特征为基础，结合卷积神经网络方法，解决多光谱巡检图像中电力设备附近杂草识别问题。通过对多光谱巡检图像进行样本数据增广和图像分割，依据杂草和依附的电力设备的特征，在不丢失边缘信息的情况下，获得完整的区域分割结果。接着引入区域生成网络，提取出整幅图像的基础信息，然后再对图像提取固定个数的候选框的图像特征，和改进的图像分类网络连接在一起，得到最终的卷积神经网络模型对杂草进行智能识别。

技术领域

本发明涉及深度学习图像识别领域，特别是涉及一种基于神经网络对巡检图像中杂草的识别方法。

背景技术

由于目前电力巡检主要存在地形复杂、环境复杂、气候复杂、工作量庞大、高空作业危险性大、突发事件响应不及时的特点，并且随着线路里程不断增加，人均运维长度逐年增加，人工巡检方式效率低，有些区域还无法拍摄，所以采用无人机进行线路巡检，通过多光谱设备对每级杆塔或每条线路进行近距离观察，快速获取目标的图像数据，提升巡检效率。

针对无人机获取的多光谱巡检图像，由于杂草可能会造成高压设备对地短路，所以需要对图像中的杂草进行识别。而卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成，同时也包括关联权重和池化层。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像方面能够给出更好的结果。所以使用卷积神经网络对多光谱巡检图像进行杂草识别。

近年来，为了解决图像中的杂草识别问题，研究人员从多个方面展开研究，被广泛采纳和使用的是基于机器视觉的识别方法，所取得的成果主要有：

(1)空洞卷积结合全局池化的杂草识别方法

该方法中，针对传统AlexNet模型参数大、特征尺度单一的问题，该文提出一种空洞卷积结合全局池化的卷积神经网络识别模型。通过对初始卷积层的卷积核进行膨胀，以增大感受野而不改变参数计算量，并采用传统的全连接层来减少模型的参数，通过设置不同膨胀系数的初始卷积层卷积核与全局池化层类型，得到的模型对正常情况下不同作物幼苗与杂草识别性能较好，为后续深入探索复杂背景下的杂草识别打下基础。

(2)提取多尺度分层特征的杂草识别方法

该方法中，首先建立卷积神经网络模型，以从图像的高斯金字塔中提取多尺度分层特征作为识别依据，再与多层感知器相连接实现图像中各像素的识别；为了避免目标交叠带来的问题，对图像进行超像素分割，通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别，再将相同类别的相邻超像素合并，最终实现图像中的目标识别。该方法实现了精确、稳定和高效的杂草识别，为精确除草的发展提供了参考。

方法(1)和方法(2)所针对的主要是田间环境背景下的农作物与杂草的识别，而针对无人机采集的多光谱巡检图像，使用卷积神经网络在电力设备背景下对杂草进行识别同样具有重要意义。

发明内容

本发明以提高多光谱巡检图像中杂草的识别率为目标，以多光谱巡检图像中杂草的特征为基础，结合卷积神经网络方法，解决多光谱巡检图像中电力设备附近杂草识别问题。具体包括：

1.对多光谱巡检图像进行样本数据增广和图像分割，依据杂草和依附的电力设备(如电塔)的特征，将正常区域与背景环境相互交错的图像进行精准分割，在不丢失边缘信息的情况下，获得完整的区域分割结果，同时考虑图像边缘特征和区域特征，为后续的卷积神经网络的识别打下基础。