[发明专利]基于计算机视觉和深度学习的茶蓬深度分布检测方法

说明书

本发明公开了基于计算机视觉和深度学习的茶蓬深度分布检测方法，其步骤为：S1.使用RGB相机采集田间茶园图像，并对所述图像中的茶陇进行标注，制作茶园图像数据集。S2.设计基于深度学习的茶陇图像分割模型，利用步骤S1所述茶园数据集对模型进行训练直至模型收敛。根据所述图像分割模型，输入RGB相机采集原始图像，输出图像中所包含的茶蓬中心线和茶园区域分割图像。S3.根据步骤S2所述茶蓬中心线和茶园区域分割图像，计算茶蓬深度分布特征，并将其映射于茶园区域分割图像中，完成茶蓬深度分布的检测。本发明能够识别茶陇中茶蓬区域的深度分布，具有较高的检测准确度以及较好的田间适用性，能够应用在茶园智能农业装备导航中。

技术领域

本发明属于图像处理技术领域，具体设计一种基于计算机视觉和深度学习的茶蓬深度分布检测方法。

背景技术

我国是茶叶的发源地和最大的产业国，茶叶采摘是茶业生产中人力消耗最大的一项田间作业，茶叶采摘用工一般占到全年管理用工的50%以上，随着我国人口的不断老龄化，实现茶叶的自动化采摘是未来发展的必然趋势。大力推进茶产业机械化、自动化以及智能化也是进一步提高茶叶产量和品质的发展要求。智能化采摘不仅能够降低劳动成本和劳动强度，而且能减少漏采、乱采现象，提高茶叶的品质以及产量。

现有技术多集中于采茶机采茶部件的研究中，而要实现茶产业的自动化与智能化，采茶机的自动导航必不可少，利用计算机视觉技术，能够准确、快速识别出茶园中的茶陇区域，这为采茶机的自动导航、采茶机割刀高度、弯曲角度调整等提供了十分关键的信息。

基于深度学习的计算机视觉技术相比于传统计算机视觉技术（阈值法、区域生长算法等），能够极大地提升茶园区域的识别精度，对实现采茶机的自动导航有着重要的研究价值和广泛的实际意义，但是该技术目前在已有的茶园图像识别研究中尚未深入，大部分研究仅关注于图像中的像素信息（颜色等），而极少关注茶陇的语义信息（茶蓬的形态特征、深度分布特征等），这无法为采茶机在作业时提供可靠的茶园信息，此外茶园图像还存在着标注图像困难、没有统一的适用模型等问题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于计算机视觉和深度学习的茶蓬深度分布检测方法，该方法能够在不同环境条件下、不同茶园都能准确识别茶陇的立体分布，并为茶园的茶陇检测提供一种基准模型。该方法具有良好的适用性和鲁棒性，为采茶机的自动导航技术在信息感知方面奠定了基础。

为了达到上述目的，本发明采用以下技术方案：

一种基于计算机视觉和深度学习的茶蓬深度分布检测方法，包括以下步骤：

S1.使用RGB相机采集田间茶园图像，对所述图像中的茶陇区域和茶蓬中心线位置进行标注，制作茶园图像数据集；

S2.使用基于深度学习的茶陇图像分割模型，利用步骤S1所述茶园图像数据集进行训练直至茶陇图像分割模型收敛；根据所述茶陇图像分割模型，输入RGB相机采集待检测的原始图像，输出图像中所包含的茶蓬中心线和茶园区域分割图像；

所述茶陇图像分割模型采用单输入、双输出的前向传播流，包括骨干特征提取网络、特征融合网络和两个预设计的检测分支；所述检测分支中第一个分支基于注意力和位置编码机制，由行列注意力模块、可学习的位置编码模块和多层感知机模块构成，用于提取图像中茶棚中心线相关语义信息，输出图像中茶蓬的中心线；第二个分支基于编码-解码机制，由多头自注意力模块、上采样模块和输出通道为2的全连接层构成，用于提取图像中茶陇区域前景信息，输出茶陇区域语义分割图像；

S3.根据步骤S2所述茶陇区域分割图像，提取茶陇区域分割图像连通域，利用二分图匹配算法对所述连通域与步骤S2所述茶蓬中心线进行匹配，得到茶蓬中心线与茶陇区域匹配关系，根据所述茶蓬中心线与茶陇区域匹配关系，计算茶蓬深度分布特征，并将其映射于茶园区域分割图像中，完成茶蓬深度分布的检测。