[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

说明书

本发明公开了一种基于深度学习的单株水稻检测定位方法、系统、设备及介质，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。本发明采用计算机视觉中基于深度学习的检测方法，可以大大改善上述现有技术的缺陷，通过设计深度卷积神经网络模型，提取植株高维度空间语义特征，在复杂的环境下依然有很好的定位精度和鲁棒性，能够广泛应用于农业的自动化、智能化生产管理中。

技术领域

本发明涉及一种检测定位方法，尤其是一种基于深度学习的单株水稻检测定位方法、系统、设备及介质，属于计算机视觉的目标检测领域。

背景技术

水稻是世界上主要的粮食作物之一，20世界末世界水稻种植面积达1.54亿hm²。我国产量占粮食总产量的40％，水稻生产担负着确保我国粮食安全的重大责任。减少投入产出比，增加水稻种植的经济效益显得尤为重要。杂草作为导致水稻减产的主要原因之一，与农作物竞争水分、养分、阳光等资源，使得水稻减产严重。另一方面，对水稻进行精准灌溉、施肥或者喷施农药等机械化作业，可以提高农资利用率和有效率，减少生产资料的浪费和因此带来的环境污染，保护生态水资源、空气以及土壤。

因此，实现智能化农业作业控制和管理显得尤为重要，其中通过智能化水稻精准定位技术，实现机械智能化除草、智能化精细喷施农业药肥等，进而实现提高水稻单产、提升农业生产精细化和自动化水平，推动我国农业可持续发展。

近年来，精准定位技术在农业领域中得到了广泛的研究和应用，主要有智能机械除草、机械自主导航、药肥精准喷施和农产品自动采摘等。国外研究现状，2011年，XuewenWu等提出了一种基于位置和边缘特征的水稻检测方法，利用绿色植物与土壤背景的色差将植物分割出来，利用像素直方图来确定作物中心，作物边缘为终点填充作物面积实现检测，＝该方法难以用于水田环境中。2015年，Kazmi等利用颜色和边缘特征进行融合提出一种新的局部特征进行杂草分割，结合支持向量机SVM分类器完成对水稻的检测，但该方法受自然环境中复杂光照影响因素较大。国内研究现状，2015年，廉宁通过对田间拍摄图像进行灰度化、二值化、去噪等预处理操作，分析出最适合区分杂草和作物的方法，在图像边缘检测的基础上提出了基于模糊增强作物图像轮廓提取算法来定位。2017年，蒋郁等提出了茎基部分区分边缘拟合的方法来进行植株定位，解决了水稻除草期因为水稻冠层接连造成的定位不准确问题。但该方法鲁棒性较差，对于形态各异的水稻和反光的积水土壤定位效果较差。综上所述，国内外专家研究的方法大多基于作物的颜色、形状、纹理等低维度特征进行检测定位，也有少数结合人工设计的特征来进行检测定位。这些方法通常容易受到复杂光照背景、植株互相遮挡、犬牙交错的冠层等因素影响而不能达到要求的定位精度，甚至发生错误定位。

发明内容

鉴于此，本发明提供了一种基于深度学习的单株水稻检测定位方法、系统、设备及介质，其采用计算机视觉中基于深度学习的检测方法，可以大大改善上述现有技术的缺陷，通过设计深度卷积神经网络模型，提取植株高维度空间语义特征，在复杂的环境下依然有很好的定位精度和鲁棒性，能够广泛应用于农业的自动化、智能化生产管理中。

本发明的第一个目的在于提供一种基于深度学习的单株水稻检测定位方法。

本发明的第二个目的在于提供一种基于深度学习的单株水稻检测定位系统。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种基于深度学习的单株水稻检测定位方法，所述方法包括：

获取大田水稻样本图像数据；