[发明专利]一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法

权利要求书

1.一种基于图像金字塔的大田水稻稻穗快速计数方法HW-Faster-RCNN，其特征在于其主要包括以下步骤：

1)水稻图像数据采集及选择构建稻穗自动计数模型的训练数据集；

2)通过分析原始图像尺寸和稻穗尺寸设计图像金字塔并切割原始图像；

3)通过分析感受野尺寸和稻穗尺寸选择特征提取网络；

4)人工标注切割后的原始图像构建混合视窗数据集；

5)构建稻穗自动计数网络；

6)训练稻穗自动计数模型；

7)使用自动计数模型计算测试图像切割后的子图中的穗数；

8)累加各子图中的穗数并利用破损稻穗融合算法去除重复计数。

2.根据权利要求1所述的田间水稻稻穗自动计数方法，其特征在于步骤1)中，包括：

步骤1.1原始图像采集

采集训练稻穗自动计数模型时所需要的原始田间水稻图像，根据水稻实际的田间生长场景对成熟期水稻进行拍照，采集图像时保证镜头在水稻植株侧上方60cm左右，镜头角度随意；

步骤1.2建模训练数据集构建

针对采集的原始水稻样本图片，随机选取50％作为训练集，20％作为验证集，将剩余30％作为测试集。保证训练集、验证集与测试集在图像样本空间上没有交集。

3.根据权利要求1所述的田间水稻稻穗自动计数方法，其特征在于步骤2)中，分析步骤1)获取图像的尺寸和稻穗尺寸来确定网络输入图像尺寸，基于输入图像合理尺寸的范围设计图像金字塔，包括：

步骤2.1获取原始图像中稻穗尺寸

不同的原始图像存在细微差异，随机选取N张图像中M个水稻稻穗并测量分别其的长和宽，计算M个稻穗长和宽的平均值作为原始图像中稻穗的长和宽，计算方法如公式(1)所示：

其中，H_i和W_i分别表示采样的第i个稻穗的长和宽，H_sipke和W_spike分别表示原始图像中稻穗的长和宽；

步骤2.2确定网络输入图像尺寸

基于卷积神经网络来学习输入图像中待计数稻穗的特征，若稻穗相对输入的图像的尺寸过小，则在特征学习的过程中损失的原始信息中将包含大量的稻穗信息，这将不可避免的导致大量的稻穗被无法被检测和计数，图像中稻穗的尺寸与输入图片尺寸的关系如公式(2)所示：

其中，H_input和W_input分别表示输入图像的长和宽，T₁和T₂分别表示待检测稻穗长、宽与输入图像长、宽的比值。因为阈值T₁和T₂的范围确定，则输入图像的合理尺寸的范围确定；

步骤2.3设计图像金字塔并切割原始图像

根据步骤3.2计算的输入图像合理尺寸的范围确定原始图像分割后的尺寸，组合不同的切割方式获得不同尺寸的输入图像，基于不同尺寸的输入图像构造图像金字塔。切割的方式为等分原始图像的长和宽，保证切割后图像的长和宽处于输入图像合理尺寸的范围内。