[发明专利]一种基于卷积神经网络的牧草优势度识别方法

权利要求书

1.一种基于卷积神经网络的牧草优势度识别方法，其特征在于，包括以下步骤：

S1、将被监测草原划分出若干草地样方，以俯视的角度对草地样方进行拍照得到至少两幅彩色的样方图像，对每幅所述样方图像进行图像预处理后得到样方图像集；

S2、构建牧草识别神经网络，步骤如下：

S21、选定至少两种目标牧草，每种目标牧草获取至少两幅彩色的目标牧草图像，对每幅所述目标牧草图像进行图像预处理和标注得到原始数据集；

S22、对所述原始数据集进行数据增强得到增强数据集，将所述增强数据集划分成训练集、验证集和测试集；

S23、根据Dense-net的稠密连接思想，对U-net神经网络改进得到牧草识别神经网络；

S24、使用训练集、验证集和测试集训练所述牧草识别神经网络，得到训练好的牧草识别神经网络；

S3、将所述样方图像集中的每幅样方图像分别输入所述训练好的牧草识别神经网络，得到标示目标牧草分类信息的掩模图像，根据每幅掩模图像中表示各个目标牧草种类的像素点的数量，计算该幅掩模图像中，每种目标牧草的覆盖度和优势度；

目标牧草A_i的盖度D_i计算公式如下：

D_i＝P_i/P，

目标牧草A_i的优势度N_i计算公式如下：

N_i＝P_i/P_T，

其中，m种目标牧草分别表示为目标牧草A₁，目标牧草A₂，……，目标牧草A_i，……，目标牧草A_m，m为不小于2的正整数，i为不大于m的正整数，P_i为掩模图像中表示目标牧草A_i的像素点数量，P表示整幅掩模图像的像素点数量，P_T表示整幅掩模图像中所有种类的目标牧草的像素点数量之和，即

2.根据权利要求1所述的一种基于卷积神经网络的牧草优势度识别方法，其特征在于，所述步骤S1和步骤S21中的图像预处理方式包括G通道增强处理，所述G通道增强处理公式如下：

其中，R₀、G₀、B₀分别为样方图像或目标牧草图像的R通道、G通道和B通道的初始通道图像，R、G、B为样方图像或目标牧草图像经G通道增强处理后的R通道、G通道和B通道的通道图像，α为特征叠加系数，α的取值范围为0≤α≤1。

3.根据权利要求2所述的一种基于卷积神经网络的牧草优势度识别方法，其特征在于，所述α的取值范围为0.4≤α≤0.7。

4.根据权利要求2所述的一种基于卷积神经网络的牧草优势度识别方法，其特征在于，所述步骤S1和步骤S21中的图像预处理方式还包括以下方式中的至少一种：

a)使用双边滤波法进行降噪处理；

b)使用自动白平衡算法AWB进行白平衡调节；

c)进行直方图均衡化处理。

5.根据权利要求1所述的一种基于卷积神经网络的牧草优势度识别方法，其特征在于，所述步骤S23中的U-net神经网络包括收缩网络结构和扩张网络结构，根据Dense-net的稠密连接思想，对U-net神经网络改进得到牧草识别神经网络，包括：

在所述收缩网络结构中，使用稠密块替代原有的普通卷积模块，使用转接层代替原有的下采样层；

在所述在扩张网络结构中，使用稠密块替代原有的反卷积模块，使用转接层代替原有的上采样层；

所述收缩网络结构和所述扩张网络结构的层数分别由原来的4层加深至6层。