[发明专利]一种基于迁移学习的麦穗自动识别方法和系统

说明书

本发明公开了一种基于迁移学习的麦穗自动识别方法和系统，涉及迁移学习技术领域，所述方法包括：采集带有地面标准和未带地面标准的麦穗图像；构建基于麦穗图像的数据集；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；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。采用本发明的方法和系统，经过迁移学习的模型精度为91.10%，mAP@0.5为98.20%，应用迁移学习后的麦穗密度识别Rsupgt;2/supgt;=0.83，在此基础上，通过MAIR特征检测算法优化了K‑means特征提取算法来改善识别精度，经过优化后的麦穗密度识别Rsupgt;2/supgt;=0.95，单张图像的平均处理时间12.17s，模型的FPS达到111。

技术领域

本发明涉迁移学习技术领域，具体涉及一种基于迁移学习的麦穗自动识别方法和系统。

背景技术

小麦在全球分布最广，是种植面积最大的粮食作物，种植面积在2亿多公顷，全球35%-40%的人口以小麦为主食。计算单位面积穗数是确定小麦产量的主要方法，然而，目前单位面积穗数的调查却仍然以人工调查为主，费时费力。

近年来，随着机器学习在农业中的深入应用，利用图像分析和深度学习等技术实现穗数的自动计算已经有不少研究。这些处理分析技术包括：数码相机、热成像技术、地面车和无人机平台。然而，由于各类研究主要聚焦于本地实验数据，数据量小，数据多样性不足，限制了用于训练和测试模型的基因型数量、环境和条件，开发一个通用模型来分析图像计数麦穗数目仍是一个重大难题。

迁移学习作为可以避免大量数据标注工作，提高机器学习性能，增强深度神经网络的泛化能力。迁移学习已广泛应用到耕地信息提取，土地利用分类，作物虫害识别与分类，作物病害监测与识别，杂草识别，作物倒伏面积提取等各个领域，但是还没有进行麦穗的识别与计数方面的研究。

发明内容

为了解决上述问题，本发明提供一种基于迁移学习的麦穗自动识别方法和系统，该系统基于K-means图像分割技术实现麦穗自动提取，利用迁移学习构建了麦穗识别模型，实现麦穗的自动识别与计数。目的是验证迁移学习来加速麦穗识别的可行性，提供一种低成本通用的麦穗识别方法来扩展智能手机的应用场景，为单位面积麦穗密度估测提供省时省力，易于操作实施的解决方案，同时也可以为智能手机作为作物表型提取工具提供一种应用参考。

一种基于迁移学习的麦穗自动识别方法，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。

进一步地，步骤S2中的数据集包括第一数据、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量进行了人工标记，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；