[发明专利]基于深度学习的高分辨率大田图像稻穗检测与计数方法

说明书

本发明公开了一种基于深度学习的高分辨率大田图像稻穗检测与计数方法。首先将采集好的待检测高分辨率大田图像有重叠地裁剪为若干张适当大小的子图；接着通过深度目标检测网络对原图对应的所有子图进行稻穗检测，将子图稻穗预测框映射到原始高分辨率大田图像中后，对原图中各子图重叠区域的预测框进行处理，计算量化存在重叠的两个预测框之间的重叠程度和重叠方式，去除掉重复预测框，最后统计去除重复框后原图中预测框的数目，所得结果即为穗数。本发明对采集图像的环境，如光照强度、作物生长状态不做具体限定，鲁棒性好；且对目标检测网络模型、图像尺寸不做具体限定，针对高分辨率大田图像的目标检测具有更好的普适性。

技术领域

本发明属于农业自动化领域，具体涉及大田稻穗的检测与计数，尤其涉及一种基于深度学习的高分辨率大田图像的稻穗目标检测方法。

背景技术

水稻是我国重要的粮食作物，稻米是我国重要的主食之一。水稻的稳产高产是农业生产中关注的焦点。基于生长期水稻的图像进行产量、生长状态的估测，可以作为农业活动以及政府及时制定农业政策的重要依据。对高分辨率图像中水稻稻穗的精准目标检测与计数，能够为水稻长势监测、产量估测提供支持条件。

当前在田间禾本科作物的穗计数方面，一些研究者采用了分割-计数两步法的策略。Zhou et al.通过SLIC算法产生候选区域子图，由双SVM分割模型对候选区域进行分类，分割麦穗，进而统计麦穗数；Fernandez-Gallego et al.通过傅里叶滤波及二维离散傅里叶变换将麦穗分割出来并计数；Sadeghi-Tehran et al.则融合SLIC和卷积神经网络实现麦穗分割；公开号为CN105427275A的发明专利提出了一种大田环境麦穗计数方法，通过对图像二值化后细化提取麦穗骨架图像，将麦穗骨架数目及拐点数量之和作为麦穗数量；公开号为CN108492296A的发明专利提出了一种基于超像素分割的小麦麦穗智能计数方法；公开号为CN111259925A的发明专利提出了一种基于K均值聚类和宽度突变算法的田间麦穗计数方法；公开号为CN109145848A的发明专利提出了一种麦穗计数方法，通过对图像颜色空间转换、分割、二值化、滤波过滤的处理来统计麦穗数量。上述方法都存在鲁棒性较差，检测准确性易受光照强度、生长状态、生长环境影响，且处理速率较慢的缺陷。公开号为CN110766690A的发明专利提出了一种基于深度学习点监督思想的麦穗检测和计数方法，该方法采用基于点监督的语义分割网络模型得到麦穗的斑块，通过分水岭划分法或有线分割法来确定对象的边界。

在稻穗检测方面，Guo et al.通过滑动窗口获取子图，提取子图SIFT特征并由词袋模型进行编码后，通过SVM判断子图内是否含有稻穗。Desai et al.则通过滑动窗口提取子图后由卷积神经网络识别其是否有穗。滑动窗口提取子图后识别稻穗的方法中滑动窗口的大小及步长对检测结果的影响非常大，需要依赖经验进行调整，无法自动选取。另外，该方法中对每个包含稻穗的子图标注一个框，然后对标注框计数得到穗数，因此适用于子图中仅包含1个稻穗即稻穗密集程度不大的情况。基于深度学习的目标检测技术可以实现端对端的检测，为穗数测量提供了新的思路。Hasan et al.和Madec et al.使用RCNN检测麦穗。Qiu et al.则通过Mask RCNN实现麦穗检测。受计算机内存限制，基于深度学习的检测方法其输入多为切割后的子图，鲜有对高分辨率大田图像的整体检测。

发明内容

(一)要解决的技术问题