[发明专利]基于深度学习的大田稻穗分割方法

摘要

本发明公开了一种基于深度学习的大田稻穗分割方法。该方法设计了用于分割大田稻穗的深度全卷积神经网络模型。网络的前半部分采用了ResNet‑101层，并加入Squeeze and Excitation Module结构来进行特征层重要性的筛选。将原始ResNet‑101网络模块4和模块5中全部的传统卷积层替换为空洞卷积层，步长由2改成1。网络的后半部分采用了空洞金字塔池化和金字塔池化的结构。该方法能克服不同品种及生育期的水稻稻穗颜色、形状、大小、姿态、纹理的巨大差异、稻穗边缘严重不规则、穗叶颜色混叠及田间不均匀且变化的光照、遮挡、刮风等因素的影响，实现对不同品种及生育期大田稻穗的准确分割。相比现有技术而言，具备精度高、适用性强的技术优势。

主权项

1.一种基于深度学习的大田稻穗分割方法，其特征在于，包括：步骤A，选取穗型、遮挡程度以及穗叶混叠情况差异大的品种，选取不同光照条件的原始图像，用于构建稻穗分割网络模型；步骤B，人工利用Photoshop对这些图像进行像素级标注，稻穗像素被标注为1，背景像素被标注为0；步骤C，对每一张图像，均进行亮度调整，具体为保持H分量和S分量不变，V分量分别增大、减小20％，用于模拟大田环境中的光照变化，提高分割网络的泛化能力；步骤D，对所有训练样本图像进行简单线性迭代聚类方法(simple linear iterative clustering，SLIC)聚类处理，对于聚类后的每个不规整区域的聚类中心，提取维度为5的向量，即X坐标、Y坐标及LAB颜色分量，接着，通过高斯混合模型，将所有区域块聚成两类，然后分别计算每个类别的像素面积之和，以此来确定正负样本的平衡系数，进行样本平衡；步骤E，基于Caffe平台训练分割网络模型，网络的前半部分采用了ResNet‑101层，并将ResNet‑101中加入Squeeze and Excitation Module(SE)结构来进行特征层重要性的筛选，构成SE‑ResNet结构；替换原始ResNet‑101网络模块4和模块5中全部的卷积层，将步长由2改成1，并将模块4中传统卷积层全用“dilation＝2”的空洞卷积层替换，模块5中传统卷积层全用“dilation＝4”的空洞卷积来替换；网络的后半部分采用了空洞金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)和金字塔池化(Spatial Pyramid Pooling，SPP)的结构；网络主分支结构最后的损失函数采用交叉熵损失，逐像素比较预测类别和真实类别的交叉熵，然后对整张图像的全部像素求和后得到主分支的交叉熵损失；除了主分支，在SE‑ResNet101中的模块4之后引出了一条分支结构，该分支主要用来对模块4之前的浅层网络进行辅助损失计算，其损失的计算方式也是逐像素水平的交叉熵损失；最后，总体的损失是两部分损失的加权和，其中主分支部分的交叉熵损失占主要部分，而辅助损失占的权重较小，为0.4；步骤F，基于训练好的网络模型，分割稻穗。