[发明专利]基于深度学习的小麦田间杂草检测方法

权利要求书

1.一种基于深度学习的小麦田间杂草检测方法，其特征在于：包括步骤，

S1、采集大量不同生长阶段的小麦和小麦田间主要杂草的图片，建立数据集并将数据集分为训练集与测试集；

S2、将训练集中的图片缩放至预设的卷积神经网络模型所要求的像素尺寸并通过数据增强方法扩充训练集数据量；

S3、通过迁移学习的方法，将训练集输入预设的卷积神经网络模型中进行训练得到作物杂草分类识别器，利用测试集对作物杂草分类识别器进行测试得到分类识别结果并计算准确度，若准确度达标则进入下一步，否则调整参数或网络结构并重新训练；

S4、采用滑动窗口法在待检测图片上生成大量不同尺寸的兴趣域，将每个兴趣域输入作物杂草分类识别器进行分类识别，得到兴趣域对应的预测类别与正确概率；

S5、应用非极大值抑制算法从所有兴趣域中筛选出对应每个种类局部极大正确概率的兴趣域，输出分类与定位的预测结果。

2.如权利要求1所述的基于深度学习的小麦田间杂草检测方法，其特征在于：所有图片均为RGB三通道格式。

3.如权利要求1所述的基于深度学习的小麦田间杂草检测方法，其特征在于：在S1中，数据集中70％图片归入训练集，用于训练得到作物杂草分类识别器，30％的图片归入测试集，用于测试作物杂草分类识别器的效果。

4.如权利要求1所述的基于深度学习的小麦田间杂草检测方法，其特征在于：在S2中，扩充训练集数据量的数据增强方法为：将图片缩放70％、90％、110％、130％；将图片相对于中心点旋转45°，135°；将图片做水平与竖直方向翻转；对图片增加高斯噪声；对图片施加高斯模糊；对图片施加HSV对比度变换。

5.如权利要求1所述的基于深度学习的小麦田间杂草检测方法，其特征在于：在S2和S3中，预设的卷积神经网络模型为基于ImageNet预训练得到的vgg16卷积神经网络模型，包括16个卷积层和全连接层，使用的卷积核形式为3×3，步长为1，统一的池化核为2×2，步长为2。