[发明专利]基于迁移学习的多个生育期小麦倒伏区域识别方法

权利要求书

1.一种基于迁移学习的多个生育期小麦倒伏区域识别方法，其特征在于：包括以下步骤：

A、通过无人机搭载相机拍摄待识别麦田的RGB图像和/或多光谱图像；

B、对图像进行拼接和剪裁得到待识别麦田的完整图；

C、将待识别麦田的完整图导入训练好的DeepLabv3+模型中进行倒伏区域的识别，DeepLabv3+模型训练时使用的图片格式与待识别麦田的图片格式一致；

所述的步骤C中，DeepLabv3+模型通过以下步骤训练得到：

S100、任选一块麦田，通过无人机搭载相机拍摄该麦田的RGB图像和/或多光谱图像；

S200、对图像进行拼接和剪裁得到该麦田的完整图；

S300、人工标记麦田完整图的倒伏区域；

S400、对标记后的完整图进行滑窗和数据增广操作得到训练集和验证集；

S500、用训练集和验证集训练DeepLabv3+模型即得到训练好的DeepLabv3+模型；

所述的步骤S500中，用训练集训练模型之前首先对模型进行预训练，预训练步骤如下：

S501、将PASCAL VOC 2012数据集和Semantic Boundaries Dataset数据集合并，获得PASCAL VOC 2012增强数据集；

S502、搭建DeepLabv3+模型，使用Adam优化器，初始的学习率设为0.007，outputstride为16；

S503、使用PASCAL VOC 2012增强数据集对步骤S502中的DeepLabv3+模型进行预训练，训练完成后舍弃最后一个1×1的卷积层参数，其余的模型参数作为预训练参数；

所述的步骤S500中，按如下步骤训练模型：

S504、搭建DeepLabv3+模型，使用Adadelta优化器，将步骤S503中的预训练参数添加至该模型中；

S505、将步骤S400中的训练集分组；

S506、任选下面一种方法执行训练：

方法一，按组导入训练集图片至步骤S504的DeepLabv3+模型进行训练，每组训练完成后计算损失函数，损失函数满足设定阈值时停止训练；

方法二，冻结步骤S504中DeepLabv3+模型中Xception网络，然后导入一组训练集图片至该模型中进行训练，在此基础上，对Xception网络解冻，然后再导入一组训练集图片至该模型中进行训练；每两组训练完成后计算损失函数，损失函数满足设定阈值时停止训练；

S507、将步骤S400中的测试集导入训练好的DeepLabv3+模型中计算评价指标，若评价指标满足设定阈值，则将该训练好的DeepLabv3+模型作为最终模型输出，否则重复执行步骤S400、S505~S507；

所述的步骤S506中，损失函数采用如下公式计算：

式中，值为0.3，值为0.7，值为，TP为被正确划分为倒伏小麦的区域，FP为被错误划分为倒伏小麦的区域，FN为被错误划分为正常小麦的区域；

所述的步骤S507中，采用准确率Precision、召回率Recall以及Dice系数种的一种或多种作为评价指标，各评价指标按如下公式计算：

2.如权利要求1所述的基于迁移学习的多个生育期小麦倒伏区域识别方法，其特征在于：所述的步骤C中训练好的DeepLabv3+模型包括第一DeepLabv3+模型和第二DeepLabv3+模型，第一DeepLabv3+模型训练时其步骤S100中拍摄的是麦田五个生育期的多光谱图像且步骤S506中采用方法一执行训练，第二DeepLabv3+模型训练时其步骤S100中拍摄的是麦田五个生育期RGB图像且步骤S506中采用方法二执行训练。

3.如权利要求2所述的基于迁移学习的多个生育期小麦倒伏区域识别方法，其特征在于：所述的步骤A中，判断待识别麦田的生育期，若待识别麦田处于开花早期、成熟早期或成熟晚期，则拍摄待识别麦田的多光谱图像，若待识别麦田处于开花晚期或灌浆期，则拍摄待识别麦田的RGB图像；步骤C中，若待识别麦田的完整图是多光谱图像，则导入第一DeepLabv3+模型中进行识别，若待识别麦田的完整图是RGB图像，则导入第二DeepLabv3+模型中进行识别。