[发明专利]基于深度学习的小麦田间杂草检测方法

说明书

本发明公开了一种基于深度学习的小麦田间杂草检测方法，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；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从而进行微调；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对应的预测类别与正确概率；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。本方法能快速准确的对作物与杂草进行识别和定位，对所数据要求较低。

技术领域

本发明属于杂草检测领域，具体涉及一种基于深度学习的小麦田间杂草检测方法。

背景技术

小麦田间杂草对小麦的正常发育有很大的威胁，严重影响着小麦的高产和稳产。小麦田间杂草品种多样，在各个季节均有杂草生长，需要不同种类的除草剂进行治理。传统的粗放式大面积化学除草已经产生了诸多负面影响，如污染环境、威胁食品安全等，精准式变量喷洒技术是根据杂草和作物分布情况定点定量喷洒除草剂，既能降低对田间生态环境的影响，又能减少经济成本、提高除草效率。因此，结合目前自动化农业的发展趋势，自动高效地对小麦田间杂草进行识别就显得尤为重要。

目前，小麦田间杂草识别方法主要有计算机视觉技术方法与光谱技术方法。计算机视觉技术方法是由图像采集设备收集田间杂草与作物的RGB图像，分析杂草与作物各自的形态学特征等来实现对二者的区分，该方法对图像采集环境和图像预处理的要求较高，其特征提取过程较复杂，一般只适用于所研究对象的作物与杂草，普适性较差。光谱技术方法则是采集作物和杂草各自的光谱图像，利用不同植物在相同光照条件下光谱反射特性不同的特点对杂草进行识别，该方法虽然准确度较高，但光谱图像采集对天气的要求较严格，且图像采集仪器的价格与学习成本较高，分析方法难以推广，故不利于投入实际生产。

发明内容

本发明的目的是提供一种基于深度学习的小麦田间杂草检测方法，本方法能快速准确的对作物与杂草进行识别和定位，对所采集的图像数据要求较低，对数据的需求量灵活。

本发明所采用的技术方案是：

一种基于深度学习的小麦田间杂草检测方法，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。

所有图片均为RGB三通道格式。

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。

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。