[发明专利]一种农作物直播成苗率的智慧高效监控方法

说明书

本发明公开了一种农作物直播成苗率的智慧高效监控方法，包括步骤：在农作物撒播或直播之后不同时期，用无人机对所需监控区域进行成苗拍照；从撒播或直播的农作物成苗照片中分离出单个幼苗，利用计算机视觉算法，计算单个幼苗轮廓；对分离后的各幼苗以及轮廓照片进行分类，并进行成苗数量和成苗区域面积统计，将撒播或直播区域分割和标记为成苗区或缺失区；使用各类幼苗轮廓照片对深度卷积神经网络进行训练；使用验证照片对深度卷积神经网络进行验证；使用深度卷积神经网络对无人机监控地块照片进行分类统计，计算成苗率。本发明在准确判断每株幼苗长势的基础上，精确判断地块内成苗率，较传统方法自动化程度高，省工高效。

技术领域

本发明涉及农作物成苗率监控方法，尤其涉及一种农作物直播成苗率的智慧高效监控方法。

背景技术

直播或者撒播农作物的成苗率监控都是现代农业必不可少的一个重要环节，因其直接影响是否需要重新补种的问题。现有的成苗率监控，一般采用人工监控或者卫星遥感等技术，但是随着人们生活水平的提高，可用劳动力的减少，单纯依靠人工监控，费时费力，而且只能抽样调查，也不能自动编号、记录和统计；卫星遥感监控准确率不高而且实时性太差；同时这两个技术同时存在以下不足：在监控过程中，对不同地块难以精确地分类统计，致使最后在总体统计分析方面也是不尽人意。

深度学习是机器学习的一个新的领域，通过建立类似人脑的多层人工神经网络来模拟人脑存储和处理数据信息的机制，以此来解译图像，声音和文本等数据格式。与传统的专家系统相比，深度学习系统具有强大的自适应能力，可较好的处理边缘和边角案例，并且系统复杂度不会因数据量增加而增加。这些优势，使得深度学习在当今大数据背景下，获得了大量应用。深度学习分为监督学习与无监督学习，不同的学习框架下建立的学习模型是不同的。本专利采用的卷积神经网络(Convolutional neural networks，简称CNNs)是一种监督学习模型，而深度置信网(Deep Belief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行作物直播成苗率监控的技术。

发明内容

为克服现有技术的不足，本发明提出一种农作物撒播或直播的成苗率监控方法。

本发明的技术方案是这样实现的：

一种农作物直播成苗率的智慧高效监控方法，包括步骤

S1：农作物撒播或直播之后不同时期，通过设定无人机路径规划后启动无人机对撒播或直播区域进行成苗拍照；

S2：从撒播或直播的农作物成苗照片中分离出单个成苗，利用计算机视觉算法，计算单个成苗轮廓；

S3：对分离后的各成苗以及轮廓照片进行人工分类，并进行成苗数量和成苗区域面积统计，将撒播或直播区域分割和标记为成苗区或缺失区；

S4：使用各类成苗轮廓照片对深度卷积神经网络进行训练；

S5：使用验证照片对所述深度卷积神经网络进行验证；

S6：使用所述深度卷积神经网络对无人机监控地块照片进行分类统计，计算成苗率。

进一步地，步骤S1包括步骤

S11：在各区域预设杆子，杆子上设置方形木板；

S12：将木板分为四块，并喷涂不同的颜色进行标记；

S13：使用颜色对各区域进行编码。

更进一步地，步骤S12中标记颜色包括但不限于黑、红、蓝、橙、白。

进一步地，所述步骤S2包括步骤

S21：利用机器学习判断成苗轮廓是否为单一成苗；