[发明专利]基于深度学习图像分割的小麦植株实时计数方法

权利要求书

1.一种基于深度学习图像分割的小麦植株实时计数方法，其特征在于，包括步骤：

通过无人机采集多张小麦图像，所述图像为三维张量，包括图像高度、图像宽度和波段数，与所述图像对应的头文件中包括经度坐标、纬度坐标和拍摄高度；

所述无机人中包括深度学习模块，实时对采集的所述小麦图像进行深度学习模型处理，预测相幅范围内的小麦植株数量，对小麦植株数目的空间分布进行插值形成目标区域的植株数目分布图，包括：

对采集的每一张小麦图像进行预处理和标注；

将进行标注后的多张所述小麦图像构建数据集，将所述数据集分为训练集与测试集；

通过用于图像语义分割的LINKNET卷积神经网络对所述训练集进行训练，得到深度学习模型；

将所述测试集输入到所述深度学习模型中，通过LINKNET卷积神经网络中的编码器提取所述测试集中每张小麦图像的语义特征；

通过LINKNET卷积神经网络中的解码器将所述语义特征分割出具有小麦植株轮廓的灰度热力图，所述灰度热力图即为分割结果，所述灰度热力图的尺寸与采集的小麦图像尺寸相同，在所述灰度热力图中任一像素的值代表深度学习模型预测该位置物体所属的语义类别：0代表背景，1代表小麦植株，统计语义列别为1所有属于小麦植株的像素总数；

按照以下方法预测相幅范围内的小麦植株数量：

Q＝A/B，

其中Q为相幅范围内的小麦植株数量，A为所有属于小麦植株的像素总数，B为当前拍摄高度下每一株小麦植株的经验参数、即每一株小麦植株的像素数目；

根据经度坐标、维度坐标对小麦植株数目的空间分布进行插值形成目标区域的植株数目分布图。

2.根据权利要求1所述的基于深度学习图像分割的小麦植株实时计数方法，其特征在于，所述对采集的每一张小麦图像进行预处理和标注，包括：

对每一张小麦图像进行预处理，删除其中没有小麦的图像或者人的视觉辨识小麦困难的图像，得到预处理图像；

对所述预处理图像进行标注，将预处理图像中的小麦植株进行描轮廓。

3.根据权利要求2所述的基于深度学习图像分割的小麦植株实时计数方法，其特征在于，所述预处理还包括图像裁剪处理，将每一张小麦图像进行裁剪，裁剪后每一张小麦图像高度小于或等于第一预设像素值，图像宽度小于或等于第二预设像素值。

4.根据权利要求1所述的基于深度学习图像分割的小麦植株实时计数方法，其特征在于，所述通过用于图像语义分割的LINKNET卷积神经网络对所述训练集进行训练，得到深度学习模型，包括：

从所述训练集中，每次迭代随机抽取多个训练集中的图像数据构成一个批次进行整个深度学习模型参数更新，计算损失函数Focal Loss，采用梯度下降和反向传播的算法进行优化训练，当每次计算的Loss值与上一次的Loss值的差值不超过预定阈值时，训练结束，保存当前的参数配置。

5.根据权利要求1所述的基于深度学习图像分割的小麦植株实时计数方法，其特征在于，所述LINKNET卷积神经网络的编码器和解码器的最底层包括空洞卷机组并联。

6.根据权利要求1所述的基于深度学习图像分割的小麦植株实时计数方法，其特征在于，所述波段数为3。