[发明专利]基于先验阈值优化卷积神经网络的作物覆盖度提取方法

说明书

本发明应用于图像分割和农业气象观测领域，具体涉及图像特征提取与识别。研究基于深度学习的作物与背景的自动分割问题，提出基于RGB和HSI先验阈值优化卷积神经网络(RGB‑HSI‑CNN)的作物图像分割提取覆盖度方法，保留绿色植物的边缘并解决光照等影响，区分作物与杂草及土地，得到绿色作物的覆盖度。具体步骤：1、基于RGB、HSI阈值限定的图像预处理；2、训练样本集、验证样本集及测试样本集的制作；3、基于卷积神经网络的作物图像分割算法；4、分割评价。

技术领域

本发明应用于图像分割和农业气象观测领域，具体涉及图像特征提取与识别。研究基于深度学习的作物与背景的自动分割问题，提出基于RGB和HSI先验阈值优化卷积神经网络(RGB-HSI-CNN)的作物图像分割提取覆盖度方法，保留绿色植物的边缘并解决光照等影响，区分作物与杂草及土地，得到绿色作物的覆盖度。

背景技术

农作物生长观测是农业气象观测的一个重要部分，通过对作物特征参数的观测可及时了解作物的生长状况，便于采取各种管理措施，从而保证作物的正常生长。目前我国农业气象观测依然主要依靠地面观测人员按照《农业气象观测规范》中的标准对农作物进行实地取样测量来完成，农业气象现代化建设相对滞后，迫切需要提高地面观测及农业气象的自动化观测能力。

作物的覆盖度是其生长过程中重要生长参数，它们直接或间接地反映了环境对作物综合影响的结果，也对作物的其它生长特征参数和产量具有一定的指向作用。计算机视觉的出现，一定程度上解决了这个问题，自20上世纪50年代出现至今，已广泛应用于该领域。

1997年，Slaughter等研究基于色相计算机视觉技术的农业栽培建成自动控制系统用来除去田地里的杂草,并于两年后根据植物形状特征的差异识别作物和杂草，研制出智能杂草控制系统，以便对杂草进行精准喷施，Lukina等提出植被覆盖比例的概念，并找到了小麦冠层覆盖度与冬小麦冠层生物量之间的数学关系。1998年，纪寿文等采用双峰法滤除了土壤背景,根据杂草投影的面积、叶长、叶宽等与作物的特征差异，确定了其位置，对生长后期的玉米和棉花田间的单子叶杂草进行了识别。2004年，毛文华等依靠形状分析法分辨杂草信息，确定其位置后对水稻田中的杂草进行了在线的识别研究，并于2005年根据植物的位置来识别作物苗期田间杂草，建立了基于机器视觉的分割苗期田间杂草的算法DBW。2007年，毛罕平等引入颜色特征和颜色阈值，并结合贝叶斯理论，提高了杂草图像的分割精度，Tellaeche等在根据已知作物位置的前提下，利用颜色特征将背景和杂草分离。2015年，何姣以棉花为实验样本，将其覆盖度与人工观测的叶面积指数、植株高度所结合，得参数之间的数学关系并建立了关系模型。

但这些算法均存在计算精度相对较低、跨算法运算等问题，随着深度学习2012年之后在计算机视觉领域的爆发，这些问题也得以解决。2014年，黄永祯等通过对ImageNet库上图像分类任务中Alex Krizhevsky提出的AlexNet网络进行微调(fine-tuning)得到的卷积神经网络解决了人物的前景与背景分割问题。2016年，贺娇瑜等首次利用卷积神经网络、超像素优化的卷积神经网络以及全卷积神经网络将气象观测中毫米波云雷达图的图像分割问题转化为对毫米波云雷达图像的像素及区域间关系的二分类识别问题，作为毫米波云图像的云分类系统的滤波模块。

综上所述，传统的作物分割提取覆盖度算法需要复杂的跨算法运算处理且精读较低，还需要手工提取特征用来分割或是通过阈值判断进行分割等。本发明研究基于深度学习的作物与背景的自动分割问题，提出基于RGB和HSI关系阈值优化卷积神经网络的作物图像分割提取覆盖度方法。首先利用RGB先验阈值分割法对作物图进行初分割，保留作物主体和杂草，去除土地背景，再通过HSI阈值分割法保留绿色植物的边缘并解决光照等影响，最后将图像输入为区分作物与杂草及土地背景颜色、梯度特征而生成的卷积神经网络分类器模型中，利用分类结果对图像进行分割，将三个步骤所得的图像结合起来，得到最后的覆盖度分割图，同时解决了杂草检测及覆盖度提取的任务。

发明内容