[发明专利]一种基于梯度直方图特征的作物倒伏分级方法

说明书

本发明公开了一种基于梯度直方图特征的作物倒伏分级方法，包括：S1，获取待检测大田作物冠层的RGB彩色图像；S2，用拼接软件对RGB彩色图像进行快速拼接，形成整个大田的二维正交拼接图像；S3，对二维正交拼接图像进行区域分割；S4，提取区域冠层彩色图像的方向梯度直方图HOG特征；S5，将所述梯度直方图HOG特征输入预先构建并训练好的基于SVM支持向量机的作物倒伏分级评价模型，输出作物倒伏级数。本发明通过将待检测大田作物划分为区域，每个区域提取方向梯度直方图HOG特征，并输入构建的作物倒伏分级评价模型，模型即可输出作物倒伏级数，最后生成整个大田的倒伏程度的分布图。

技术领域

本发明涉及农作物倒伏检测技术领域，具体涉及一种基于梯度直方图特征的作物倒伏分级方法。

背景技术

水稻作为我国主要的粮食和经济作物，在农业生产和实践中均占有重要的地位。尤其在中国，水稻的平均栽种面积、单产和总产情况均位居全国粮食作物的第二位，中国作为世界上水稻最大的生产国和消费国，保障水稻的高产显得尤为重要。倒伏是严重影响水稻产量和质量的重要胁迫因素，且水稻倒伏程度也严重影响机械化收割作业，给收割作业造成困难。因此，研究水稻作物倒伏评价方法或技术对我国粮食稳定生产有重要的价值和意义。

作物倒伏检测平台根据其载具分为星载、机载表型平台、地面表型平台和无人机表型平台。除了人工检测技术外，现有的农作物倒伏检测中大部分为基于像素点的作物倒伏检测，即通过特征提取，在像素级别检测对应像素点的作物是否发生倒伏，然后通过计算发生倒伏的像素点占图像所有像素点的百分比得出倒伏发生率，但此方法容易受噪声影响，降低检测精度。随着人工智能和深度学习技术的发展，出现基于深度学习的农作物倒伏检测报道，以农作物种植小区图像为深度学习模型的输入，输出为判断该小区是否发生倒伏，输出结果分级简单，只有倒伏或没有倒伏两种结果，随后再计算整个大田倒伏发生率。

综上，现有技术主要对作物大田是否发生倒伏进行检测，但是暂未有对大田倒伏严重程度进行分级评价的研究，因此，行业内需要一种能够智能识别大田作物不同倒伏程度的分级判别方法和技术。

发明内容

本发明的目的是为了克服以上现有技术存在的不足，提供了一种基于梯度直方图特征的作物倒伏分级方法，可用于生成大田倒伏严重程度的作物倒伏分级方法分布图。

本发明的目的通过以下的技术方案实现：

一种基于梯度直方图特征的作物倒伏分级方法，包括：

S1，获取待检测大田作物冠层的RGB彩色图像；

S2，用拼接软件对RGB彩色图像进行快速拼接，形成整个大田的二维正交拼接图像；

S3，对二维正交拼接图像进行区域分割并嵌入区域编号信息；

S4，对嵌入区域编号信息的二维正交拼接图像提取作物方向梯度直方图HOG特征；

S5，将所述梯度直方图HOG特征输入预先构建并训练好的基于SVM支持向量机的作物倒伏分级评价模型，输出作物倒伏级数；

S6，获得各个区域的倒伏分级程度后，即可输出整个大田作物倒伏分级分布图。

优选地，在步骤S1中，无人机搭载彩色相机拍摄待检测大田作物冠层的RGB彩色图像。

优选地，基于SVM支持向量机的作物倒伏分级评价模型的构建方法包括：

S51，获取试验田作物冠层的RGB彩色图像序列；

S52，用拼接软件对RGB彩色图像序列进行快速拼接，形成整个大田的二维正交拼接图像；

S53，对二维正交拼接图像进行种植区域分割并嵌入区域编号信息；

S54，各个种植区域冠层的RGB图像提取作物方向梯度直方图HOG特征；