[发明专利]基于机器学习的农药喷洒检测方法

说明书

技术领域

本发明属于数字图像处理及模式识别技术领域，具体涉及农业视频监控中的农药喷洒检测方法。

背景技术

农药喷洒检测作为一门跨学科的前沿技术，融合了农业的农药喷洒，计算机行业的图像处理、模式识别、人工智能等多种不同领域的理论知识。在农业场景自动检测和监控农药喷洒领域中有着广阔的应用前景，对农药喷洒检测方法的研究具有重要的实际意义和理论价值。

农药喷洒检测是在农业场景中检测是否有务农人员在特定区域喷洒农药。在农药喷洒检测方法的研究上，大致有两种思路：一是依赖于务农人员的安排，首先需要务农人员每次在喷洒农药之前进行登记，然后再进行喷洒活动。这种方法不仅繁琐，而且容易忘记了登记，导致不可预料的后果；二是不依赖于先验知识，通过对农药箱进行特征提取，检测监控画面中是否存在农药箱来判断是否有务农人员进行农药的喷洒。围绕这两种思路，产生了一些农药喷洒检测的方法。但迄今为止，农药喷洒检测的实用性、准确性和实时性仍未得到有效的解决。农药喷洒检测有如下几种常用的方法：

1、人工检测

目前最常见的农药喷洒检测方法是人工方法，通常是务农人员根据自己的实际情况来判断是否进行农药喷洒；但每次都需要记录，略为繁琐，不便于管理，而且容易忘记；

2、图像处理技术检测

图像处理技术可以分析植农药箱图像的颜色、纹理等信息，从而快速和准确地检测是否进行农药喷洒，但如果背景跟农药箱比较相似，区分难度比较大，在实际监控场景中光照也容易对图像质量产生影响，影响农药喷洒检测的准确率。

以上这些农药喷洒检测算法，是比较常用和有效的方法，但都没有特别通用的算法。对于不同的环境，光照，不同的作业背景，效果千差万别。在实际的农药喷洒检测应用中，需要特别区分和选择。

发明内容

本发明的目的在于提供一种具有较好普适性的基于机器学习的农药喷洒检测方法，其能够对不同的作业场景，不同的环境，使用相同的方法进行农药喷洒检测，同时方法具有实用性、准确性和实时性。

本发明提出的基于机器学习的农药喷洒检测方法，具体步骤如下：

（1）获取农业场景中务农人员背着农药箱喷洒农药的图像

首先在农业场景监控的视频数据中，获取务农人员背着农药箱喷洒农药的图像和工作人员不背农药箱进行走动的图像，将两种图像作为正负样本，组成样本库。

（2）提取图像特征，组成特征向量

对于样本库中的带有农药箱的图像提取农药箱的Haar特征；

Haar特征：基于灰度图，特征数量取决于训练样本图像和矩阵大小，通过大量的具有比较明显的haar特征（矩形）的农药箱图像，用模式识别的方法训练出级联分类器。

（3）使用Adaboost训练级联分类器 

将步骤（2）所述的Haar特征进行多特征融合，将这些特征线性组合成为一个特征向量，将样本库中所有的农药箱图像的特征向量用Adaboost进行级联训练，即针对不同的训练集训练同一个分类器（弱分类器），然后把这些不同训练集上的得到的分类器联合起来，构成一个最终的强分类器；

训练系统总体框架，由“ 训练部分”和“补充部分”构成。依据系统框架，该训练系统可分为以下几个模块:

a.以农药箱/非农药箱样本集为输入，在给定的矩形特征原型下，计算样本积分图，并获得矩形特征值，获得特征集；

b.以特征集为输入，根据给定的弱学习算法，确定阈值，由矩形特征生成对应的弱分类器，获得弱分类器集；

c.以弱分类器集为输入，在训练检出率和误判率限制下，挑选最优弱分类器，使用Adaboost算法训练强分类器；

d.以强分类器集为输入，将其组合为级联部分；

e.补充部分：以非农药箱图片集为输入，组合强分类器为临时的级联分类器，筛选并补充非农药箱样本。

训练系统框架模型如图4所示。

训练完成后，得到上述融合的特征向量的级联分类器模型。

（4）对于待检测的农药箱图像，重复步骤（2）

将待检测的农药箱图像按步骤（2）提取特征，然后将这些特征组合成为一个特征向量。

（5）将步骤(4)得到的特征向量使用步骤（3）训练出的级联分类器模型进行分类

将待检测的每幅图像的特征向量通过步骤（3）训练出的级联分类器进行计算，计算农药箱识别的概率，判断图像中是否存在农药箱。

本发明的积极效果是：