[发明专利]一种基于迁移学习的麦穗自动识别方法和系统

权利要求书

1.一种基于迁移学习的麦穗自动识别方法，其特征在于，包括：

S1：采集带有地面标准和未带地面标准的麦穗图像；

S2：构建基于步骤S1中的麦穗图像的数据集；

S3：将步骤S2中构建的数据集输入Yolov5模型中对模型进行迁移学习和目标识别训练；

S4：将待测试图像输入训练后的Yolov5模型中实现单位面积麦穗的识别与计数；

步骤S2中的数据集包括第一数据集、第二数据集、第三数据集和第四数据集；

所述第一数据集包括统一大小的15000张分割后的无地面标准的麦穗图像，并对图像中的麦穗数进行人工标记，其中12000张作为训练集，3000张作为验证集，用于对Yolov5模型进行全面特征的提取学习训练；

所述第二数据集包括统一大小的16800张分割后的无地面标准麦穗图像，并对所述麦穗图像中的麦穗数进行了人工标记，然后选取无麦穗、1个麦穗、2个麦穗和3个麦穗的图像各3200张作为训练集，剩余图像作为验证集，用于对Yolov5模型进行特征迁移强化学习训练；

所述第三数据集包括从不同时间不同区域拍摄的112个带有地面标准的不同基因型麦穗图像，每个基因型随机选取3张，共336张，随机从图像中心位置进行1800-2200像素大小的裁切，然后进行轮廓特征提取分割，随机选取每个分割后图像的10个子图，共3360张作为训练集，再随机选取每个分割后图像的5个子图，共1680张作为验证集，用于对Yolov5模型进行小数据集迁移学习训练，验证迁移学习效果；

所述第四数据集包括从不含地面标准的104张不同基因型麦穗图像中，每个基因型随机选取2张，共208张图像，随机从图像中心位置裁剪2000-2400像素大小，然后进行轮廓特征提取分割，随机选取每个分割后图像的10个子图，共2080张作为训练集，再随机选取每个分割后图像的5个子图，共1040张作为验证集，用于对Yolov5模型进行识别效果验证；

步骤S2中对图像进行分割、轮廓特征提取的算法为K-means聚类算法，其轮廓特征提取的形态学闭运算kernel的参数为7*7；

在采用K-means聚类算法进行轮廓特征提取时还加入了麦穗轮廓检测算法，所述轮廓检测算法中求任意两个轮廓的最小面积交集比MAIR的公式如下：

其中，分别为当前i，j轮廓的面积，是常量，为MAIR阈值，经过 MAIR算法计算后，只保留小于的轮廓；

还包括在图像轮廓特征提取前对采集的原麦穗图像进行降噪和增强处理；

采集麦穗图像的采集设备为手机。

2.一种基于迁移学习的麦穗自动识别系统，用于实现权利要求1所述的基于迁移学习的麦穗自动识别方法，其特征在于，包括：

图像采集模块， 用于采集带有地面标准和未带地面标准的麦穗图像；

图像预处理模块，用于构建基于麦穗图像的数据集；

训练模块，用于将构建的数据集输入Yolov5模型中对模型进行迁移学习和目标识别训练；

结果输出模块，用于将待测试图像输入训练后的Yolov5模型中实现单位面积麦穗的识别与计数。