[发明专利]一种基于神经网络的穴盘苗空穴识别方法以及穴盘苗补苗系统

说明书

为了提升全自动蔬菜移栽机的自动化和智能化，以解决现有技术中相邻穴孔茎叶相互重叠造成的穴盘苗识别准确率低的技术问题，本发明提供了一种穴盘苗补苗装置，并提出了基于卷积神经网络的穴盘苗空穴识别方法，对穴盘苗图像进行了预处理，将整个穴盘图像按照穴盘规格拆分成多个穴孔图像，将识别转化成单个穴孔图像的二分类识别问题，构建了LeNet‑5卷积神经网络识别模型，采用Relu和Sigmoid两种激活函数，使用交叉熵损失函数，通过正则化和数据增强技术，本发明的技术方案提高了卷积神经网络的穴盘苗识别模型具有较高的识别准确率和泛化能力，解决了穴盘苗补苗装置识别准确度低的技术问题，提高了空穴盘苗的识别精度，进一步提升了全自动蔬菜的移栽效果。

技术领域：

本发明涉及一种穴盘苗空穴识别的技术领域，并具体涉及一种基于卷积神经网络的穴盘苗空穴识别的技术领域。

背景技术：

众所周知，我国是世界上最大的蔬菜生产国，穴盘育苗移栽是蔬菜生产中的主要种植方式，随着种植量的增加和劳动力成本的提高，正在越来越多的采用机械移栽，但目前所采用的移栽机械多为人工喂苗的半自动移栽机，还无法从根本上解决劳动强度大、移栽效率低、移栽精度低的问题。全自动蔬菜移栽机自动从穴盘中抓取钵苗，然后栽植到更大的钵体或大田，具有移栽效率高、劳动强度低等优点，成为相关机构的研究重点。受种子发芽率、育苗环境等因素影响，穴盘中会出现以空穴为主的空穴、弱苗、残苗等现象，如果全自动移栽机无法识别空穴，仍然正常移栽，将极大影响全自动移栽机的移栽效果，造成漏栽率升高。因此，识别判断穴盘中每个穴孔是否为空，并补入同龄钵苗，可以提升全自动移栽机的自动化和智能化水平，是提高全自动移栽机移栽效果的有效途径。

现有技术的穴盘苗识别方法中，如目前现有技术中已经使用的机器视觉辅助的自动移栽机，基于图像的灰度信息，通过采样获取分割阈值，确定穴孔是否为空；又如已经被研发了的具有视觉系统的苗床移栽机器人，其视觉系统以一个预先定义的值进行图像分割确定空穴以减少移栽时间；意大利Ferrari公司Futura型全自动移栽机，使用光电技术扫描穴盘苗，判别是否缺苗；金鑫、吴俭敏等设计了使用背景抑制漫反射光电传感器检测系统，传感器可调整自身高度和检测距离对第一排穴盘苗叶片以下的杆茎进行检测，以判断是否缺苗。而上述现有技术中的穴盘识别方法从检测方法上分为两种，一是光电传感器检测，但该方法只能检测缺苗信息，功能单一，并且容易受幼苗植株大小、生长角度以及相邻穴孔幼苗的干扰，智能化程度较低。二是图像处理法，以上的图像处理法都是以图像分割为出发点，将幼苗和背景分割开，然后计算穴孔中幼苗像素点的数量，受光照、拍摄角度和穴盘苗基质的影响，图像分割后会丢失幼苗部分杆茎、叶片以及杆茎叶片间的连贯性信息，且容易受相邻穴孔的影响，会出现误判现象，以上图像处理法比较适合早期穴盘苗识别。

蔬菜穴盘育苗，一般在中早期开始对穴盘进行补苗，由于穴盘苗生长较快，中期或中早期穴盘苗就会出现重叠现象，为此，如何能够使用一种更有效的穴盘苗识别方法。在该领域需要一种能够更加精准有效的穴盘识别方法以及装置。

近年来卷积神经网络(convolutional neural network，CNN)的应用非常广泛，是机器学习领域中最有效的学习方法之一，并且由于其学到的特征具有平移不变的性质，以及可以学习到对象的空间层次结构，使得它在图像识别领域的表现更加优异。越来越多技术人员也开展了卷积神经网络在农业领域的应用研究。本申请为了克服上述提到的技术问题，提供了一种基于机器视觉的穴盘苗补苗装置，将卷积神经网络应用于穴盘苗图像，提供了一种基于神经网络模型，通过模型强大的特征提取能力，解决相邻穴孔幼苗相互干扰的技术问题，从而有效地识别判断穴孔是否为空穴，显著地提升全自动蔬菜移栽机的自动化和智能化。

发明内容：

本发明的目的在于提供一种穴盘苗补苗装置和基于神经网络的穴盘苗空穴识别方法，以克服现有技术中的穴盘苗空穴识别中容易受相邻穴孔的影响会出现误判现象，提到识别精度，从而解决相邻穴孔幼苗相互干扰的技术问题。