[发明专利]基于卷积神经网络与迁移学习的树干图像快速检测方法

说明书

本发明公开了一种基于卷积神经网络与迁移学习的树干图像快速检测方法。解决现有树干检测方法存在不稳定性、耗时费力的问题。通过在采集图像数据构建训练样本，采用迁移学习和卷积神经网络对训练样本进行训练，获得树干检测模型，对测试图像进行检测，获取检测结果。本发明采用基于卷积神经网络与迁移学习的树干检测模型对图像进行检测，获取树干图像，相比传统树干检测方法稳定性更好，耗时更短。

技术领域

本发明涉及图像识别技术领域，尤其是涉及一种基于卷积神经网络与迁移学习的树干图像快速检测方法。

背景技术

树干是树的重要组成部分，树干检测是农林业机器人环境理解与导航的基础。树干的有效识别与定位是实现农业机器人对靶(果树树根)施肥，树干注药、喷药防治病害虫，非接触式的树木因子(胸径、树高等)自动测量等自动化生产的前提条件。

目前，树干检测的研究方法主要有基于激光雷达、基于颜色空间模型、颜色空间与分类器等结合。Bargoti等人先处理点云数据得到粗估计的候选树干，再对拍摄的图像按像素分类、并使用隐semi-Markov模型结合上下文信息实现苹果树干检测。该法适应于单棵果树识别，不能实现多目标检测。树干检测也可利用视觉系统信息，从复杂的背景中识别显著区域。管昉立等人通过在Lab颜色空间构建视觉显著图并结合HSV颜色空间的H分量增强颜色对比度实现树干检测。由于不同树种的树干颜色存在差异、有些树干颜色与背景颜色相近，那么基于颜色空间的树干检测效果不明显，故Chen等人结合颜色直方图和训练分类器的方式提高树干检测能力。该法首先使用定向梯度和支持向量机的直方图训练初始橙子树干分类器，再提取树干和非树干图像的灰度直方图特征优化分类器，最后利用Roberts边缘检测器提取树干的梯度直方图特征提高分类器的识别精度。Juman等人结合深度信息和颜色空间提高树干检测率，首先将基于颜色差异去除地面等背景的图像送入MicrosoftKINECT传感器完成树干初识别，再结合深度传感器进一步提高检测器的准确率。由于树木种类、生长环境等不同，且每张图像中树木株数和位置不定，无法实现树干的批量化识别、定位。因此亟需研究出一种快速检测图像中是否包含树干并对其进行定位的方法，从而减少人为操作，提高农业机器人标靶施肥、采摘以及非接触式的树木胸径测量的效率。

发明内容

本发明主要是解决现有树干检测方法存在不稳定性、耗时费力的问题，提供了一种基于卷积神经网络与迁移学习的树干图像快速检测方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于卷积神经网络与迁移学习的树干图像快速检测方法，包括以下步骤，

S1.采集图像数据构建训练样本；

S2.对训练样本采用迁移学习和卷积神经网络进行训练，获得树干检测模型；

S3.使用训练好的树干检测模型对测试图像进行检测，获取检测结果。

本发明采用基于卷积神经网络与迁移学习的树干检测模型对图像进行检测，获取树干图像，相比传统树干检测方法具有稳定性好，耗时短的优点。基于卷积神经网络的树干检测模型能快速识别出树干，借助迁移学习使得树干检测模型更容易收敛。

作为一种优选方案，步骤S1的具体步骤包括，

S11.采集树木的图像，图像在不同光照、不同角度和不同距离情况下采集，采集包括不同树种、不同树龄的树干图像，树干图像包括包含不同遮挡物和垂直物体图像；不同光照情况包括晴天、雨天、阴天，以及光强、光弱的情况；不同树龄为树木胸径范围0.1-0.7m；不同距离范围包括3-10m，通过不同拍摄角度和不同距离，使得采集的图像中树干呈现的姿态各有不同；不同遮挡物指树干受遮挡物遮挡程度不同；垂直物体指在树干图像中包含与树干相似的路灯、电线杆等垂直物体。采用摄像头采集RGB图像。