[发明专利]杂草识别方法、装置及终端设备

权利要求书

1.一种杂草识别方法，其特征在于，包括：

获取待识别杂草图像；

将所述待识别杂草图像输入目标卷积神经网络模型，得到第一特征图；

将所述第一特征图输入目标生成对抗网络，对所述第一特征图进行加噪处理；

将经过加噪处理的第一特征图输入目标识别网络，得到所述第一特征图的分类概率及杂草预测位置；

在所述获取待识别杂草图像之前，还包括目标卷积神经网络、目标生成对抗网络和目标识别网络的生成步骤；

所述目标卷积神经网络、目标生成对抗网络和目标识别网络的生成步骤包括：

步骤1，获取杂草训练样本；

步骤2，将所述杂草训练样本输入初始卷积神经网络模型，对所述初始卷积神经网络模型进行训练，得到所述目标卷积神经网络模型及第一训练样本特征图；

步骤3，将所述第一训练样本特征图输入初始生成对抗网络，所述初始生成对抗网络对所述第一训练样本特征图进行加噪，得到第二训练样本特征图；

步骤4，将所述第二训练样本特征图输入初始识别网络，得到所述第二训练样本特征图的分类概率及最优边框；

步骤5，将所述第二训练样本特征图的分类概率反馈至所述初始生成对抗网络，并根据所述第二训练样本特征图的分类概率调整所述初始生成对抗网络的网络参数，利用当前的初始生成对抗网络替换步骤3中的初始生成对抗网络；

重复步骤3-步骤5，直至所述初始识别网络的分类损失函数的期望分布等于所述初始识别网络的回归损失函数的期望分布，得到所述目标生成对抗网络和所述目标识别网络。

2.如权利要求1所述的一种杂草识别方法，其特征在于，所述目标卷积神经网络模型包括目标VGG网络模型和目标区域建议网络模型；

所述将所述待识别杂草图像输入所述目标卷积神经网络模型，得到第一特征图，包括：

将所述待识别杂草图像输入所述目标VGG网络模型，对所述待识别杂草图像进行卷积特征提取，得到所述待识别杂草图像的第二特征图；

将所述第二特征图输入所述目标区域建议网络模型，对所述第二特征图进行区域候选框划分，生成第一特征图。

3.如权利要求2所述的一种杂草识别方法，其特征在于，所述将所述第二特征图输入所述目标区域建议网络模型，对所述第二特征图进行区域候选框划分，生成第一特征图，包括：

根据所述目标区域建议网络模型的二分类函数，在所述第二特征图中生成预设数量的第一区域候选框，得到第三特征图；

将所述第二特征图及所述第三特征图输入所述目标区域建议网络模型的池化层，对所述第三特征图中预设数量的第一区域候选框进行尺寸调整，生成标记有预设数量的第二区域候选框的第一特征图；其中，各个第二区域候选框的尺寸均为固定尺寸。

4.如权利要求1所述的一种杂草识别方法，其特征在于，所述将经过加噪处理的第一特征图输入目标识别网络，得到所述第一特征图的分类概率及杂草预测位置，包括：

将经过加噪处理的第一特征图输入所述目标识别网络的分类层，得到所述第一特征图的分类概率；

将经过加噪处理的第一特征图输入所述目标识别网络的回归层，确定所述第一特征图中杂草的最优边框，得到所述杂草预测位置。