[发明专利]一种基于多深度模型集成学习的棉花苗识别方法

说明书

本发明提出了一种基于多深度模型集成学习的棉花苗识别方法，涉及深度学习目标识别领域。一种基于多深度模型集成学习的棉花苗识别方法，包括以下步骤：使用无人机采集棉花苗影像；对棉花苗影像进行图像处理，得到棉花苗数据集；构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；搭建云环境，将最佳深度学习模型配置在云环境上；使用云环境下的最佳深度学习模型进行棉花苗识别。本发明使用深度学习数据处理技术，有效地提高了作物分类识别精度，使用云计算平台解决了影像数据量大、模型训练时间长、实际应用时效性差的弊端，协同深度学习与云计算，充分发挥二者优势，可以实现对棉花苗的高精度、大面积、快速自动化监测识别。

技术领域

本发明涉及深度学习目标识别领域，具体而言，涉及一种基于多深度模型集成学习的棉花苗识别方法。

背景技术

棉花出苗数量和质量是棉花生长发育和产量形成的基础，同时也是棉花生长发育后期田间机械化调控管理的关键因素。棉花苗准确识别提取后可及时进行补苗以保证成苗数量，同时提高棉田因苗管理效率，进而实现经济效益最大化，促进农业增产增收。

传统的棉花苗情调查监测往往采用人工的方式，主要通过田间手工记录、纸质数据上报、人工统计汇总等方式进行，存在调查工作量大、周期长、财力物力耗费高、数据难以做进一步深入分析处理等诸多缺陷，且由于调查人员业务水平各不相同，难以做到统一、规范地收集和处理信息。面对更高分辨率的无人机遥感影像，如何有效提高作物识别准确度和普适性，成为了无人机遥感在精准农业应用中的新挑战。作物苗识别提取存在影像数据大、模型精度差、普适性弱、应用时效慢等弊端。卫星遥感影像易受到影像时空分辨率、获取成本、大气效应等因素的影响，无法识别精细尺度下的农作物空间特征，且影像受卫星重访周期的限制，可能无法及时地获取特定区域的遥感影像，进而导致遥感影像的数据处理受到诸多限制，难以满足实际应用需求。

发明内容

本发明的目的在于提供一种基于多深度模型集成学习的棉花苗识别方法，其能够实现对棉花苗的高精度、大面积、快速自动化监测识别。

本发明是这样实现的：

第一方面，本申请提供一种基于多深度模型集成学习的棉花苗识别方法，包括以下步骤：

S1、使用无人机采集棉花苗影像；

S2、对棉花苗影像进行图像处理，得到棉花苗数据集；

S3、构建棉花苗检测模型对棉花苗数据集进行识别，得到最佳深度学习模型；

S4、搭建云环境，将最佳深度学习模型配置在云环境上；

S5、使用云环境下的最佳深度学习模型进行棉花苗识别。

基于第一方面，上述步骤S1中所述无人机包括ParrotSequoia传感器。

进一步的，上述步骤S2中的图像处理包括通过Pix4Dmapper对棉花苗影像进行拼接、校正，得到高分辨率的无人机遥感影像，即棉花苗数据集。

进一步的，上述步骤S3包括以下步骤：

S3-1、将棉花苗数据集分为训练集和测试集；

S3-2、使用训练集分别对U-Net模型、ResNet模型、VGG模型、GoogLeNet模型进行训练；

S3-3、对训练后的U-Net模型、训练后的ResNet模型、训练后的VGG模型、训练后的GoogLeNet模型的参数进行调整，分别得到最优模型；

S3-4、根据测试集分别使用最优的U-Net模型、最优的ResNet模型、最优的VGG模型和最优的GoogLeNet模型得到预测结果；

S3-5、使用硬投票的方法对各个预测结果进行表决，得到分类结果；