[发明专利]基于深度学习图像分割的作物行检测方法及装置

权利要求书

1.一种基于深度学习图像分割的作物行检测方法，其特征在于，包括：

获取农田作物图像；

将所述农田作物图像输入训练后的卷积网络模型，输出图像分割结果的二值图像；

对所述卷积网络模型提取的高维度特征向量进行空间聚类，得到不同作物行实例；

根据所述二值图像和所述不同作物行实例进行作物行拟合，得到作物行曲线；

其中，所述卷积网络模型，根据已知作物行结果的农田作物图像训练后得到。

2.根据权利要求1所述的基于深度学习图像分割的作物行检测方法，其特征在于，将农田作物图像输入训练后的卷积网络模型之前，还包括：

获取不同生长阶段、不同杂草密度、不同弯曲程度的农田作物图像，并对作物行进行标注作为训练样本；

基于多个训练样本，对构建的改进型BiSeNet V2网络模型进行训练，得到所述训练后的卷积网络模型；

其中，所述改进型BiSeNet V2网络模型，是在BiSeNet V2网络的聚合层和seg Head层之间加入SCNN网络层得到。

3.根据权利要求1或2所述的基于深度学习图像分割的作物行检测方法，其特征在于，所述基于多个训练样本，对构建的卷积网络模型进行训练，包括：

通过梯度下降和反向传播，对构建的卷积网络模型进行训练。

4.根据权利要求1所述的基于深度学习图像分割的作物行检测方法，其特征在于，所述对所述卷积网络模型提取的高维度特征向量进行空间聚类的聚类方法包括：

Mean Shift聚类或DBSCAN聚类。

5.根据权利要求1所述的基于深度学习图像分割的作物行检测方法，其特征在于，所述获取农田作物图像，包括：

通过农业作业机械平台搭载视觉传感器获取农田作物图像。

6.根据权利要求1所述的基于深度学习图像分割的作物行检测方法，其特征在于，根据所述二值图像和所述不同作物行实例进行作物行拟合，得到作物行曲线，包括：

通过最小二乘法，进行二次或多项式曲线的拟合。

7.根据权利要求2所述的基于深度学习图像分割的作物行检测方法，其特征在于，所述获取不同生长阶段、不同杂草密度、不同弯曲程度的农田作物图像之后，还包括：

通过感兴趣区域对原始图像进行裁剪，获得目标与区域；

通过数据增强，增加数据多样性和抗干扰能力。

8.一种基于深度学习图像分割的作物行检测装置，其特征在于，包括：

采集模块，用于获取农田作物图像；

处理模块，用于将所述农田作物图像输入训练后的卷积网络模型，输出图像分割结果的二值图像；

聚类模块，用于对所述卷积网络模型提取的高维度特征向量进行空间聚类，得到不同作物行实例；

拟合模块，用于根据所述二值图像和所述不同作物行实例进行作物行拟合，得到作物行曲线；

其中，所述卷积网络模型，根据已知作物行结果的农田作物图像训练后得到。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于深度学习图像分割的作物行检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于深度学习图像分割的作物行检测方法的步骤。