[发明专利]基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法

说明书

本发明属于智能农业机械识别领域，涉及一种基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法。本发明克服了机器视觉杂草识别方法时靠人工提取特征难以获得接近杂草自然属性的问题和图像预处理对识别结果有影响的缺点。本发明首先通过多维度采集和多步骤扩展，获得大量、具有相关性的训练集；其次基于卷积神经网络对稻田杂草特征进行提取和筛选；然后对MLP分类器进行训练与检测；最终迁移学习后的MLP分类器对稻田杂草的种类、位置进行预测。通过上述步骤，使杂草识别的准确率、稳定性和实时性获得提升。本发明为智能稻田除草机械的研制奠定了基础，具有推广应用的价值。

技术领域

本发明属于智能农业机械识别领域，具体涉及一种基于卷积神经网络提取多维度扩展特征识别稻田杂草方法。

背景技术

稻田杂草对水稻的生长及产量会产生重要的影响，除草作业是必须且及时进行的工作。目前，人力除草已逐渐淘汰，喷洒化学除草剂会带来的环境污染，残留在水稻上的除草剂也会危害人类的健康，从可持续发展角度是不可取。机械除草，凭借其优势近年来迅速发展，机械除草设备也被广泛被研究。但如何实现稻田杂草的精确识别以及达到实时性要求的识别速度，是必须解决的关键技术之一。

当前杂草识别研究中，基于机器视觉的识别方法被广泛使用。张小龙、李先锋等人根据作物和杂草在图像中所呈现出的不同颜色、纹理和形态特征对杂草进行区别，该类方法能够基本实现作物与杂草的有效识别，但识别准确率偏低，无法达到实际应用的需要。赵鹏、李慧等利用神经网络和SVM等，将提取到的图像特征记录为数据向量的形式，利用这些数据对模型进行训练，训练后的模型能够对不同的特征数据进行分类，实现作物与杂草的识别，该类方法能够达到较高的识别准确率，不足之处在于识别的准确率依赖于人工设计，而且对于图像的预处理有一定程度的要求，因此在实际应用中识别效果并不稳定。赵川源，王璨等人采用双目视觉技术提取图像目标的高度特征，利用融合高度、形态和纹理特征的SVM模型识别作物与杂草，获得了较为稳定的高识别准确率。不足之处在于特征提取方法较为复杂，实时性差。

总结发现，自然且多样化的特征表达能够提高识别模型的准确率和稳定性，但依然存在以下两个主要问题。一方面，人工设计的特征提取难以获得最接近目标自然属性的特征表达，所得特征的识别能力有限。另一方面，图像的预处理效果对识别结果存在重要影响，尤其是作物与杂草交叠的分割处理，对于交叠程度较大的目标，常难以分割或在不影响其各自特征表达的情况下进行分割，造成实际识别准确率和稳定性的降低。

为解决上述两个主要问题，本发明提出基于卷积神经网络提取多维度扩展特征识别稻田杂草方法，利用卷积神经网络从训练集中提取特征，克服了人工提取特征的不足，减少了复杂的图像预处理过程；利用多维度扩展能获得大量、具有相关性的图像，减少了卷积神经网络能过拟合的可能，而且特征表达效果更好。

发明内容：

本发明的目的在于克服现有技术的缺点与不足，提供了基于卷积神经网络提取多维度扩展特征识别稻田杂草方法。本发明通过下述方案实现：一种基于卷积神经网络提取多维度扩展特征稻田杂草识别方法，其特征在于：首先通过多维度采集和多步骤扩展，获得大量、具有相关性的训练集；其次基于卷积神经网络对稻田杂草特征进行提取和筛选；然后对MLP分类器进行训练与检测；最终迁移学习后的MLP分类器对稻田杂草的种类、位置进行预测。所述的多维度扩展，可看作从多个不同维度采集杂草图像以及旋转、平移、剪裁、放缩、噪声处理步骤扩展，获得大量、具有相关性的图像的过程；所述的卷积神经网络，可看作通过梯度下降的方法，不断从低层到高层提取和筛选特征的结构。

所述的稻田杂草识别方法，其特征在于：包括以下步骤，

步骤一、在不同视角下，通过多维度采集稻田杂草图像，并作像素压缩统一处理，获得更贴近稻田杂草生活环境的图像，并按1:1比例分为训练集和检测集。

步骤二、通过多步骤扩展以及归一化处理训练集，获得大量、具有相关性的图像，使用相关性的图像训练卷积神经网络能减少过拟合的可能，而且特征表达效果更好。