[发明专利]一种融合图像和时间特征的苹果物候期自动识别方法

说明书

本发明属于计算机视觉技术领域，具体涉及一种融合图像和时间特征的苹果物候期自动识别方法，包括下列步骤：使用全连接网络对一维时间特征向量进行抽象，使用卷积神经网络对图像的对象特征进行提取，使用串联方式将一维时间特征和抽象的图像特征融合起来，使用全连接层对融合后的特征向量进行分类，识别图像所属的物候期。本发明首先针对苹果树图像提出科学的采集和处理方法，针对数据量小的问题使用图像随机裁剪和信息删除方式扩充数据，在卷积网络提取苹果树图像特征的基础上融合时间特征，以获得更有代表性的特征图以供物候期类别的概率计算，提高了苹果树物候期判别的准确性。本发明用于苹果物候期的识别。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种融合图像和时间特征的苹果物候期自动识别方法。

背景技术

农业是我国的一项基础性产业，苹果在我国的产量巨大，并且是多地的主要经济作物。借助科技创新有助于推动苹果种植的科学化和规范化，对提高苹果园生产力，同步降低苹果树种植的成本和增加其带来的经济效益是至关重要的。

物候期是指植物受生物和非生物因子影响而出现的以年为周期的自然现象，苹果树的生长周期长，一共需要经历芽膨大、芽开放、展叶、开花、抽梢、结果和落叶多个物候期，不同物候期所采取的养护措施各异。因此对苹果树物候期的准确监测对苹果生长发育影响非常大，准确监测果树的各个物候期，便于果园在不同时期及时进行灌溉、喷洒药剂、除虫和施肥等措施，有助于苹果园的科学管理，促进苹果丰产和品质提升。一些学者研究了指定生态区域内的温度、降水量和光照强度等环境因素与农作物的物候期之间的关系，探讨了环境因子对物候期的提前和延后效果，但难以突破地理环境的限制，而且只能预测物候期发展的趋势而非准确结果。部分学者利用遥感技术对农作物的生物量特征与其物候期的变化关系进行研究。针对苹果物候期的地面监测研究较少，因此现有的苹果园中果树物候期判别的方法是通过历史数据预估或人工判断，当苹果园地处偏远或小气候复杂时，这种方法不确定性大，同时，人工观测不便，费时费力，成本较大。随着芯片的计算能力不断加快，深度学习技术由于能自动获取、处理和识别大量信息，其应用领域不断拓宽。因此，将深度学习技术应用于物候期监测，构建神经网络来实现通过地面可见光图像对苹果树的物候期进行自动判别具有重要意义。

发明内容

针对上述现有的苹果园中果树物候期判别的方法不确定性大、费时费力、成本较大的技术问题，本发明提供了一种效率高、准确性强、成本低的融合图像和时间特征的苹果物候期自动识别方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种融合图像和时间特征的苹果物候期自动识别方法，包括下列步骤：

S1、准备用于训练网络的数据集，将数据集中图像尺寸修改为416*416*3；

S2、对S1中图像的特征进行提取，使用第一全连接网络进一步抽象图像特征并修改图像尺寸为一维的图像特征p；

S3、分析图像属性并提取图像拍摄时间作为初始时间特征向量，使用第二全连接网络处理该向量形成时间特征t；

S4、将所述图像特征p和时间特征t串行连接在一起，以特征向量X表示，将X输入至全连接层，通过计算转换为图像类别概率；

S5、将计算结果中概率值最大的类别作为最终的苹果树物候期图像类别。

所述S1中的数据集采集方法为：使用摄像机自动观测采集与人工采集两种方式采集处于开花期、展叶期和结果期的苹果树图像，对所述摄像机自动观测采集与人工采集两种方式采集的处于开花期、展叶期和结果期的苹果树图像的灰度进行拉伸，使像素点在每个灰度区间分布的更均匀，使用图像随机裁剪和GridMask信息删除方式对处理后的苹果树图像进行数据量的扩增。

所述S2中图像特征提取方法为：交替使用6个卷积层和5个池化层来提取图像特征，其中，每个卷积操作后接批量归一化和ReLu激活层，池化层采用最大池化方式。