[发明专利]一种基于深度学习的农田残膜残留量的检测预警方法及系统

权利要求书

1.一种基于深度学习的农田残膜残留量的检测预警方法，其特征在于，包括如下步骤：

S1，针对整地后的农田，进行农田可见光图像的采集，得到原始残膜图像；

S2，对所述原始残膜图像进行位置信息标注；

S3，将标注后的原始残膜图像分为残膜图像的训练集和测试集；

S4，构建基于深度学习的可微分阈值分割网络模型；

S5，将所述训练集输入所述可微分阈值分割网络模型进行训练，得到农田残膜残留量预测模型；

S6，将所述测试集输入训练得到的所述农田残膜残留量预测模型进行残膜残留量检测；

S7，将检测得到的残膜残留量与分级预警值进行比较，显示预警级别。

2.根据权利要求1所述的方法，其中，所述S1，针对整地后的农田，进行农田可见光图像的采集，得到原始残膜图像，具体包括：

基于无人机航拍技术对整地后的农田采集可见光图像，通过无人机的可见光图像传感器对测量区域进行图像采集；所述可见光图像传感器像素大于600万像素，波长为390-780nm。

其中，所述S2，对所述原始残膜图像进行位置信息标注，具体包括：

使用标注工具，识别所述原始残膜图像中的残膜区域，用任意四边形框包围住残膜区域，生成每个包围框的坐标信息。

3.根据权利要求1所述的方法，其中，所述S3，将标注后的原始残膜图像分为残膜图像的训练集和测试集，具体包括：

将标注后的原始残膜图像按8:2的比例划分为训练集和测试集，所述标注后的原始残膜图像包括原始残膜图像和对应的标签文件；

所述原始残膜图像为JPG格式，所述标签文件为TXT格式。

4.根据权利要求1所述的方法，其中，所述S4，构建基于深度学习的可微分阈值分割网络模型，具体包括：

S4-1，基于残膜图像训练集，进行不同尺度的特征融合，形成特征地图Fm；

S4-2，根据特征地图Fm，得到残膜的概率图Pm和阈值图Tm；

S4-3，结合所述概率图Pm和阈值图Tm，构建可微分阈值分割网络模型：

S4-4，以二值化交叉熵损失定义正样本损失和负样本损失；

S4-5，定义可微分阈值分割网络模型总的损失函数。

5.根据权利要求4所述的方法，其中，所述S4-1，基于残膜图像训练集，进行不同尺度的特征融合，形成特征地图Fm，具体包括：

S4-1-1，进行多层卷积、填充、池化操作，将所述训练集中残膜图像分别缩小比例至1/2、1/4、1/8、1/16/、1/32、1/64，

S4-1-2，提取训练集中残膜图像的不同层次特征，

S4-1-3，进行图像上采样，将各层次特征调整至对应尺寸规模，

S4-1-4，进行各层次特征的特征融合，

S4-1-5，将各层次融合特征统一缩放比例至1/4，拼接形成特征地图Fm。

6.根据权利要求5所述的方法，其中，所述S4-3，结合概率图Pm和阈值图Tm，构建可微分阈值分割网络模型，具体包括：

结合概率图Pm和阈值图Tm，构建可微分阈值分割网络模型，得到残膜图像的二值分割图：

B_i,j表示二值图里第i行、第j列的像素取值；P_i,j代表概率图里第i行、第j列的像素值；T_i,j代表阈值图里第i行、第j列的像素值，k是增益因子。

7.根据权利要求6所述的方法，其中，所述S4-4，以二值化交叉熵损失定义正样本损失和负样本损失，具体包括：

其中，l+为正样本损失，l-为负样本损失，k为增益因子，x＝P_i,j-T_i,j。