[发明专利]一种基于航拍可见光图像的香蕉幼株自动识别与计数方法

说明书

本发明公开一种基于航拍可见光图像的香蕉幼株自动识别与计数方法，S1.采集香蕉幼株的可见光图像作为原始图像；S2.对原始图像进行无重叠度图像裁剪；S3.对子图进行图像预处理，并对香蕉幼株进行标注；S4.构建Faster‑RCNN模型，基于香蕉幼株标注子图对Faster‑RCNN模型进行训练；S5.将待测图像裁剪为子图输入训练后的Faster‑RCNN模型，获得子图识别图像；S6.将子图识别图像重新拼成完整图像，并对边界香蕉幼株进行去重处理，完成计数。本发明不仅在高度和光线条件等变量的变化下仍具有很高的鲁棒性，而且高效，且大大减少了人力投入，具有较强的应用推广潜力。

技术领域

本发明涉及香蕉幼株的图像识别计数领域，特别涉及一种基于航拍可见光图像的香蕉幼株自动识别与计数方法。

背景技术

由于香蕉作物是多年生草本植物，生长迅速，来年吸芽增生较多，通过选择吸芽控制下一年的香蕉植株数量。此外，大部分香蕉种植在亚热带和热带地区，天气炎热潮湿，疾病易于繁殖和传播，几种香蕉病害(特别是枯萎病)已经在整个生产领域造成了严重的产量损失，由于患病植株无法有效治愈，只能及时移除病株并消除以减缓病害蔓延。及时快速地调查香蕉园的植株数量，对蕉园的病害防治、以及管理者在水、肥、药上的投入、产量预测等方面均具有指导意义。基于Faster RCNN的深度学习检测框架具有速度快、精度高的优点，近年来在果蔬作物方面的识别计数中得到广泛的应用。

Faster-RCNN技术已经被广泛应用于瓜果、果蔬的识别与应用行业中，例如，Nisar等提出一种火龙果计数及其产量预测方法，分别使用RGB模型(R-G通道)和YCbCr模型(Cr通道)对采集的火龙果图像进行分割，再利用形态学处理对其进行尺寸阈值和形状分析，通过圆度率的范围来判断图像中火龙果是单个还是粘连的2个，以此实现火龙果的自动计数。在植株的识别方面，李振波等使用改进的Faster-RCNN检测模型对水培蔬菜幼苗进行检测，针对水培蔬菜幼苗图像存在较为微小、密集的特点，采用HRNet作为特征提取网络，减少在下采样过程中的信息损失，较好的保留小目标物体的信息，从而为后续候选框的回归于分类提供较好的语义信息，该研究应用ROI Align和Sofr NMS的方法，提高模型的识别精度与召回率，从而改善模型的检测效果，获得更好的可靠的特征图。但目标作物幼苗的识别，使用的图像具有拍摄距离近和目标个数少的特点，无法大面积进行目标作物的计数。因此，本发明提出一种基于航拍可见光图像的香蕉幼株自动识别与计数方法，以解决现有技术中的不足之处。

发明内容

针对上述问题，本发明提出一种基于航拍可见光图像的香蕉幼株自动识别与计数方法，以解决现有技术中存在的技术问题，能够将原始图像无重叠裁剪为若干个子图，并结合去重处理实现对大面积的目标作物进行计数。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于航拍可见光图像的香蕉幼株自动识别与计数方法，包括以下步骤：

S1.采集香蕉幼株的可见光图像作为原始图像；

S2.对所述原始图像进行无重叠度图像裁剪，获得若干个子图；

S3.对所述子图进行图像预处理，并对所述香蕉幼株进行标注，获得香蕉幼株标注子图；

S4.构建Faster-RCNN模型，基于所述香蕉幼株标注子图对所述Faster-RCNN模型进行训练；

S5.将待测图像裁剪为子图输入训练后的Faster-RCNN模型，获得子图识别图像；

S6.将所述子图识别图像重新拼成完整图像，并对边界香蕉幼株进行去重处理，完成计数。

优选地，所述S2无重叠度图像裁剪的具体步骤为：

S2.1，根据所述原始图像的尺寸创建若干个均匀的网格顶点坐标；