[发明专利]一种基于机器视觉的水稻秧苗叶龄期识别方法

权利要求书

1.一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于，包括如下步骤：

S1，在水稻秧苗育秧生长周期，人工检测秧苗的叶龄期，并通过无人机采集水稻秧苗图片，并记录秧苗图片对应的人工检测的秧苗叶龄期；

S2，利用图像预处理技术，构建不同训练集；

S3，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型；

S4，采用基于深度学习构建秧苗不同叶龄期检测模型，并对比不同网络模型的检测准确率；

S5，选用评价指标来测试传统机器学习模型和深度学习检测模型，选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。

2.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于，S1包括如下步骤：

S11,水稻秧苗育秧模式采用不同的水稻品种、不同的育秧密度和不同的播种日期，水稻秧苗按育秧模式以小区形式种植；

S12,人工检测水稻秧苗，把秧苗分为不同的叶龄期；秧苗以小区形式种植，采样抽查小区一定数量的秧苗叶龄期，如果抽查的秧苗超过80％属于同一叶龄期，则人工记录该小区秧苗的叶龄期；

S13,采用彩色无人机在秧苗上空以垂直俯视角度悬停航拍该小区的水稻秧苗图像。

3.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S2包括如下步骤：

S21，通过图像分割秧苗种植区域和非秧苗种植区域，提取秧苗种植区域图像；

S22，人工裁剪秧苗图像，构建机器视觉叶龄期检测模型的数据集。

4.按照权利要求3所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S21中，非秧苗种植区域包括水田道路；S22中，对无人机采集的不同叶龄期的数据集，按6：2：2的比例划分为训练集、验证集和测试集。

5.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S3中，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型，对数据集进行特征提取，通过对特征参数及检测模型参数的调整和优化，结合评价指标，获取最佳检测模型。

6.按照权利要求5所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S3包括如下步骤：

S31，提取秧苗图像的梯度直方图纹理特征HOG；

S32，将不同叶龄期秧苗HOG特征的训练集输入支持向量机SVM模型进行训练；

S33，将验证集和测试集秧苗的HOG特征输入预先构建并训练好的基于支持向量机SVM的叶龄期检测模型，对模型进行评价；

S34，对HOG特征及支持向量机SVM参数的调整和优化，构建叶龄期检测模型，结合评价指标，获取最佳检测模型；

S35，输入秧苗HOG特征，并结合支持向量机SVM对水稻秧苗进行不同叶龄期的检测和分类。

7.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S4是基于卷积神经网络展开。

8.按照权利要求7所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：卷积神经网络包括：VGG、ResNet、DenseNet和EfficientNet。

9.按照权利要求8所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S4包括如下步骤：

S41，将不同叶龄期秧苗训练集的彩色图像输入深度学习模型进行训练；

S42，不同叶龄期的秧苗验证集和测试集输入训练后的深度学习模型，对模型进行评价；

S43，把秧苗彩色图像输入训练后的深度学习模型，进行不同叶龄期的检测和分类。

10.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S5中，选用评价指标来测试所选用的模型，采用正确率、精度、召回率3个指标计算公式：

式中：TP为正确检测叶龄期的图片数量，FP为被错误检测叶龄期的图片数量，FN为被错误检测为非此叶龄期的图片数量，TN为正确检测非此叶龄期的图片数量。