[发明专利]一种基于机器视觉的水稻秧苗叶龄期识别方法

说明书

本发明涉及一种基于机器视觉的水稻秧苗叶龄期识别方法，包括：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，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。本发明能构建水稻秧苗叶龄期智能化识别系统，为后续水稻秧苗研究提供指导分析，属于水稻秧苗叶龄期识别技术领域。

技术领域

本发明涉及水稻秧苗叶龄期识别技术领域，具体涉及一种基于机器视觉的水稻秧苗叶龄期识别方法。

背景技术

水稻作为我国主要的粮食和经济作物，在农业生产和实践中均占有重要的地位。我国水稻种植模式主要分机械直播模式和育苗移栽种植技术，育苗移栽种植技术包括育秧技术和移栽技术。现阶段人工识别水稻秧苗叶龄期费时费力，且主观性强，准确率低，因此为解决这一问题，本发明提出了基于机器视觉和深度学习的智能化识别水稻秧苗叶龄期的方法。该方法对研究我国粮食稳定生产和保障粮食高产有重要的价值和意义。

目前，田间工作人员主要依靠经验及田间人工抽样检测叶龄相结合的方法判断水稻秧苗生长期，然而田间人员在稻田中行走缓慢，并且依靠人工在稻田中检测秧苗生长期需要花费大量时间与精力，人工检测苗期的结果带有主观性准确率低，同时，水稻秧苗生长变化容易受外界环境影响，如：温度、湿度、光照度等。所以随着农业智能信息技术的快速发展，机器视觉在农业各个领域中发挥了重要的作用，其无损获取农作物表型参数方法能够有效的代替人工检测方法，机器视觉技术分为传统机器学习和深度学习，传统机器学习通过提取作物图像的颜色、纹理、形状等特征进行应用研究。但随着计算机技术的快速发展，传统机器学习已经逐渐不能满足行业需求，结合深度学习的机器视觉系统已经成为了机器学习研究中的一个新的领域，深度学习是用于建立、模拟人脑来进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本，尤其是在农业领域方面对于病虫害检测、生长状况监测和产量预测中具有重要作用。

综上所述，本发明基于机器视觉对水稻秧苗进行智能化识别的研究，对当下水稻的种植与生产均具有极其重要的意义，对秧苗进行智能化识别提供有利条件。该研究包括传统机器学习和深度学习。传统机器学习通过提取秧苗图像HOG特征，基于支持向量机SVM对秧苗叶龄期进行检测；深度学习技术通过构建不同深度学习模型构建水稻秧苗不同叶龄期检测模型，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智能化识别的网络模型。

发明内容

针对现有技术中存在的技术问题，本发明的目的是：提供一种基于机器视觉的水稻秧苗叶龄期识别方法，高效且准确识别水稻秧苗叶龄期。

为了达到上述目的，本发明采用如下技术方案：

一种基于机器视觉的水稻秧苗叶龄期识别方法，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。

作为一种优选，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；