[发明专利]一种多草工况下田间作物的识别方法

说明书

本申请公开了一种多草工况下田间作物的识别方法，该识别方法包括：将训练集图像和验证集图像输入到视觉注意模型中以获得第一预测结果图像；根据训练集图像、验证集图像对应的标签图像和第一预测结果图像，以及损失函数计算损失值；若损失值处于收敛状态，则停止训练，以获得训练后的视觉注意模型；否则，利用反向传播算法调节权重，并继续进行训练直到损失值达到收敛状态；将测试集图像输入到训练后的视觉注意模型中以获得第二预测结果图像；判断第二预测结果图像是否符合预期；若是，则将训练后的视觉注意模型移植到机器上；否则，调整超参数，并对视觉注意模型进行重新训练。通过上述方式，本申请能够将作物从多草环境中识别出来。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种多草工况下田间作物的识别方法。

背景技术

除草机器人由于具备感知、决策和精确控制等功能，能够在不伤害作物的前提下，清除作物周边的杂草，实现更加高效、安全、环保的除草作业，对减少除草剂施放量，提高农作物产量和品质具有重要意义。

现有的除草机器人所使用的作物识别技术可划分为两大类：(1)基于人工设计特征的作物识别技术。这类技术通常利用作物和杂草在颜色、光谱、位置、形状、纹理、大小、高度等方面的差异对其进行分类，通过人工选取特征和分类器，将作物与土壤、杂草区分开。由于作物、杂草种类多样，这类技术通常对环境和苗草种类变化的适应性欠佳；(2) 随着深度学习技术的兴起，基于深度卷积神经网络的作物识别方法因其无需手工设计特征的便利性，以及良好的鲁棒性和泛化能力等优势，已经成为当前的研究热点和主流趋势。

发明内容

本申请主要解决的技术问题是提供一种多草工况下田间作物的识别方法，能够将作物从多草环境中识别出来。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种多草工况下田间作物的识别方法，所述识别方法包括：将田间图像数据集中的训练集图像和验证集图像输入到视觉注意模型中，以获得第一预测结果图像；其中，所述田间图像数据集为多草工况下田间作物的成像的集合；根据所述训练集图像、所述验证集图像对应的标签图像和所述视觉注意模型的所述第一预测结果图像，以及所述视觉注意模型中的损失函数计算损失值；若当前所述损失值处于收敛状态，停止对所述视觉注意模型进行训练，以获得训练后的视觉注意模型；否则，利用反向传播算法调节所述视觉注意模型中的权重，并对所述视觉注意模型继续进行训练，直到所述损失值达到收敛状态；将所述田间图像数据集中的测试集图像输入到训练后的所述视觉注意模型中，以获得第二预测结果图像；判断所述第二预测结果图像是否符合预期；若是，则将训练后的视觉注意模型移植到机器上，以使得机器作业时识别作物；否则，调整视觉注意模型中的超参数，并返回至将田间图像数据集中的训练集图像和验证集图像输入到视觉注意模型中的步骤。

本申请的有益效果是：区别于现有技术的情况，本申请所提供的多草工况下田间作物的识别方法包括：训练视觉注意模型、评估视觉注意模型、以及将评估通过后的视觉注意模型移植到机器上，以使得机器在作业时能够识别作物。本申请根据田间作物(特别是移栽作物)相对杂草、土壤背景具有显著性特征，采用全卷积神经网络建立视觉注意模型，该视觉注意模型能够精确提取作物区域，在杂草茂盛、苗草叶片交叠情况下仍能输出准确的预测结果，该识别方法精度高、实时性好。该视觉注意模型对于不同田间苗草种类、杂草密度、光照条件的具有良好的适应性，泛化能力和鲁棒性好。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1为本申请多草工况下田间作物的识别方法一实施方式的流程示意图；

图2a为田间图像数据集中的图像一实施方式的成像示意图；

图2b为标签图像一实施方式的成像示意图；