[发明专利]一种基于轻量级卷积神经网络的高粱倒伏图像分割方法

说明书

本发明公开了一种基于轻量级卷积神经网络的高粱倒伏图像分割方法，涉及图像处理技术领域，所述方法包括：将采集到的RGB图像数据划分为训练集、验证集和测试集，并对训练集和验证集进行标注；将标注后的训练集、验证集及未标注的测试集均进行数据扩充；将扩充后的训练集输入Incomplete‑SegNet卷积神经网络模型中进行训练；将扩充后的验证集输入Incomplete‑SegNet卷积神经网络模型中进行模型验证，优化模型参数；将测试集输入Incomplete‑SegNet卷积神经网络模型完成图像的分割。本发明的方法能够自动识别高粱倒伏区域及边界，对高粱倒伏区域识别准确率可高达98.54%。

技术领域

本发明涉图像处理技术领域，具体涉及一种基于轻量级卷积神经网络的高粱倒伏图像分割方法。

背景技术

高粱是我国主要农作物之一，主要种植于我国的东北地区，该地区夏季暴雨及大风天气频发，易造成高粱倒伏，影响籽粒品质、造成收割困难，最终导致产量降低。利用搭载摄像头的无人机并结合深度学习方法对高粱倒伏区域图像的提取具有快速、便捷、准确等特点，对农业保险定损、生产力预测及农业生产管理具有重要意义。

在计算机图形学及遥感技术不成熟时判别高粱倒伏的方法大部分是依靠人工进入高粱地中进行勘测，工作效率极低。随着计算机视觉及遥感技术的快速发展，有人提出了将其应用于植物倒伏区域判断之中，但是目前在高粱倒伏区域识别中使用计算机视觉、遥感技术及图像分割技术的研究较少，针对其他植物倒伏区域图像提取目前主要分为两个方向，一是基于计算机视觉与遥感技术对植物倒伏区域进行识别，但区域边界贴合性较差、建模复杂且不具备自学习能力；二是应用图像分割技术自动对除高粱外的其他植物倒伏区域进行图像分割，目前应用在农业图像分割中效果较好的SegNet网络模型由于使用了VGG16作为主干特征提取网络，在参数规模上较大、训练及预测所需时间均较长，不利于快速对高粱倒伏区域进行分割。

发明内容

为了解决上述问题，本发明提供一种基于轻量级卷积神经网络的高粱倒伏图像分割方法，包括：

S1：将采集到的RGB图像数据划分为训练集、验证集和测试集，并对训练集和验证集进行标注；

S2：将步骤S1中标注后的训练集、验证集及未标注的测试集均进行数据扩充；

S3：将步骤S2中扩充后的训练集输入Incomplete-SegNet卷积神经网络模型中进行训练；

S4：将步骤S2中扩充后的验证集输入训练后的模型中进行验证，优化模型参数。

S5：将步骤S1中的测试集输入优化后的模型中完成图像的分割。

进一步地，所述扩充方式为依次进行水平翻转、垂直翻转、水平与垂直方向同时翻转。

更进一步地，所述Incomplete-SegNet卷积神经网络模型在编码阶段采用MobileNet网络，包括五个编码单元：

第一编码单元：采用步长为2的Conv及步长为1的Conv dw+Conv进行图像特征提取；

第二编码单元、第三编码单元、第五编码单元均先采用步长为2的Conv dw和步长为1的Conv，再采用步长为1的Conv dw和Conv进行图像特征提取；

第四编码单元：先采用步长为2的Conv dw和步长为1的Conv，在采用5次步长为1的Conv dw和Conv进行图像特征提取。

更进一步地，在所述Incomplete-SegNet卷积神经网络模型的编码阶段还加入了Droupout优化算法用来防止过拟合情况的发生。