[发明专利]基于深度学习的单株水稻检测定位方法、系统、设备及介质

权利要求书

1.一种基于深度学习的单株水稻检测定位方法，其特征在于，所述方法包括：

获取大田水稻样本图像数据；

对大田水稻样本图像数据进行预处理和标注，得到预处理图像数据；

建立深度卷积神经网络检测模型；

使用预处理图像数据对深度卷积神经网络检测模型进行优化训练；

利用训练后的深度卷积神经网络检测模型对大田水稻待测图像的单株水稻进行检测定位；

所述对大田水稻样本图像数据进行预处理和标注，具体包括：

清洗大田水稻样本图像数据，弃用没有水稻示例或者人的视觉辨识稻株困难的图像数据；

根据拟定的标准对清洗后的大田水稻样本图像数据进行标注；其中，所述拟定的标准为：以植株茎基中心为圆心，定义半径为γ的茎基圆形区域A₁，圆A₂是半径两倍于圆A₁的同心圆，取圆A₂的外接正方形作为单株水稻示例的检测真实标签；

所述大田水稻样本图像数据通过图像采集系统采集获取，该图像采集系统包括彩色相机、镜头、计算机、遮光装置和安装平台，在农业除草机械上安装该图像采集系统，设定机械行进速度为2米每秒，图像采集系统帧率为10帧每秒，模拟田间作业过程；

所述深度卷积神经网络检测模型包括提取图像特征信息子网络、候选区域提取子网络和检测定位子网络，三个子网络构成一个整体，使深度卷积神经网络检测模型检测过程端到端地完成，提取图像特征信息子网络采用VGG16模型，将经过缩放操作后的预处理图像输入提取图像特征信息子网络，通过提取图像特征信息子网络输出该图像的深度卷积高维空间特征信息图；将提取图像特征信息子网络输出的特征信息图输入候选区域提取子网络，通过候选区域提取子网络输出R个高质量的可能包含水稻的候选区域；将提取图像特征信息子网络输出的特征信息图，以及候选区域提取子网络输出的候选区域输入检测定位子网络，通过检测定位子网络输出特征信息图中检测定位水稻所在位置；

所述缩放操作包括：对预处理图像数据进行长短边等比例缩放，使得短边小于或等于第一预设像素值，并且长边小于或等于第二预设像素值，若预处理图像为M₁×N₁像素,设M₁是较短的一条边，N₁是较长的一条边，按照预处理图像M₁:N₁的比例缩放，使得短边M₁到指定长度600像素，此时经过缩放后另一条边为长度设为N₂，现在图像大小为600×N₂像素。

2.根据权利要求1所述的单株水稻检测定位方法，其特征在于，所述候选区域提取子网络的顶端为一个卷积层，卷积层之后接上两个卷积层分支，两个卷积层分支分别用于候选区域的分类和回归；

所述通过候选区域提取子网络输出R个高质量的可能包含水稻的候选区域，具体为：通过卷积层在提取图像特征信息子网络输出的特征信息图上，进行逐点滑动卷积，并在每个滑动中心处生成K个候选区域，K个候选区域送入两个卷积层分支，用于候选区域分类的卷积层分支输出通道数为K×2，表示对候选区域分类为前景和背景的二分类得分，用于候选区域回归的卷积层分支输出通道数为K×4，表示对K个候选区域边界框的四个修正量；对用于候选区域分类的卷积层分支中划为前景类得分较高的前T个候选区域进行非极大值抑制去除冗余候选区域，输出较少的R个高质量的可能包含水稻的候选区域；

其中，生成K个候选区域，包括：根据特征信息图的宽度W和高度H，在经过缩放操作后的输入图像的行、列上每间隔D个像素设置一个锚点，总共W×H个锚点，每个锚点为中心生成K个候选区域，K个候选区域按面积大小不同分为U组，每组的各个候选区域面积大小相同，所有锚点总共生成W×H×K个候选区域。