[发明专利]用于无人农场耕整地农机具自动识别与智能匹配的方法

权利要求书

1.一种用于无人农场耕整地农机具自动识别与智能匹配的方法，其特征在于包括如下步骤:

步骤一、采集常用耕整地农机具停放状态下图像；常用耕整地农机具包括铧式犁、圆盘耙、缺口耙，在耕整地农机具停放状态下，每种耕整地农机具采集图像至少100张；

步骤二、建立耕整地农机具数据集；

选择每种耕整地农机具图像100张，结合耕整地农机具停放环境中的不确定因素对图像数据进行随机扩充，不确定因素包括：农机具停放处的光环境、农机具自身结构件对工作部件的遮挡、数据采集装置采集图像时产生的透视变化，扩充后的每种农机具图像达到1000张，并借助labelimg程序对每张农机具图像进行标签标记，按照待识别类别：铧式犁、圆盘耙、缺口耙，把标签名称分别依次命名为“hua”、“yuan”、“que”，最终建立耕整地农机具数据集AM-3000；

步骤三、建立用于无人农场耕整地农机具自动识别与智能匹配的卷积神经网络AMnet-3；

卷积神经网络AMnet-3由多尺寸特征融合提取网络、分类回归网络和智能匹配网络组成，多尺寸特征融合提取网络包括：多尺寸特征提取分支、旋转不变性特征提取分支和特征融合分支；分类回归网络使用开源YOLOv3算法中的分类回归网络，分类回归网络对多尺寸特征融合提取网络所提取的特征进行目标类别识别和目标位置标记与计数；智能匹配网络根据分类回归网络所得结果及先验知识，按照待识别类别识别出耕整地农机具类别信息和主要工作部件单体数量，按照先验知识推算出耕整地农机具作业幅宽，最终给出是/否进行匹配的智能决策意见；

多尺寸特征提取分支使用卷积技术、批归一化和残差网络技术，设计出多尺寸特征提取模块n，多尺寸特征提取模块n由卷积特征提取模块、残差特征模块融合形成，其中残差特征模块进行n次变量堆叠，并在残差特征提取模块中加入了批归一化技术；

通过多尺寸特征提取模块n的变量堆叠使用来实现多尺寸特征的提取，其中多尺寸特征提取模块n的参数堆叠原则为2的等比数列形式：1，2，4，8，16，……，参数n的最大值选择原则为2的1+待识别类别数量i次幂形式：2ⁱ⁺¹；多尺寸特征提取分支输出的多尺度特征图K的尺寸参数为j×j，本发明中多尺度特征图K的最小尺寸参数13×13，多尺度特征图尺寸K_Ⅰ、K_Ⅱ、K_Ⅲ分别为52，26，13；初始输入特征图W尺寸为m×m×3，m为动态值，m由多尺寸特征提取分支输出特征图K尺寸j×j中的最小值和待识别类别数量i来动态决定，计算公式为m=j×2ⁱ⁺²，其中j为7j19的质数；

旋转不变性特征提取分支使用平均池化技术、最大池化技术、卷积技术、批归一化技术和合并技术，建立旋转不变性特征提取模块，在旋转不变性特征提取模块中初始输入特征图尺寸W同时传送给平均池化层和最大池化层，并将两池化层所得输出进行合并后作为新的输入向后传递；

确定下来初始输入特征图尺寸W的初始输入特征图同时输入到旋转不变性特征提取分支和多尺寸特征提取分支，根据待识别类别数量确定旋转不变特征提取分支数量，多尺寸特征提取分支数量与旋转不变特征提取分支数量相等；

经旋转不变性特征提取分支提取来的分支特征与经多尺寸特征提取分支提取来的多尺度分支特征以卷积运算的方式进行特征融合，最终按照待识别类别获得相应的输出特征图，且各输出特征图尺寸与后续所使用的开源YOLOv3算法中分类回归网络所需参数模式完全相符；

步骤四、通过随机采样的方式将AM-3000数据集分为两部分，训练集和测试集，训练集用于模型进行有监督学习，测试集用于评价模型精确度，其中训练集数据占数据集总量的4/5，测试集数据占数据集总量的1/5，并将训练集数据作为初始特征输入图；

步骤五、AMnet-3网络的训练，利用步骤四得到的训练集输入到步骤三建立的AMnet-3网络中进行模型训练；

步骤六、将步骤四得到的测试集图像输入到通过步骤五得到的训练后的AMnet-3网络，进行对耕整地农机具的识别与智能匹配。

2.根据权利要求1所述的用于无人农场耕整地农机具自动识别与智能匹配的方法，其特征在于：所述的步骤二中随机扩充的方法：

2.1 几何变换：水平镜像、透视变形，用来模拟实践应用时因数据采集设备与耕整地农机具间存在不确定性的距离和角度等因素所导致的数据偏差；

2.2、颜色变换：噪声模糊、亮度变化，用来模拟实践应用时因天气和时间等因素不同带来的耕整地农机具停放地点光环境变化所导致的数据偏差；

2.3、组合叠加：图像挖空，图像叠加，用来模拟实践应用时因耕整地农机具自身结构部件对工作部件遮挡或其他不确定性遮挡导致的数据偏差。