[发明专利]改进深度学习的广谱农作物杂草识别与定位方法

权利要求书

1.一种改进深度学习的广谱农作物杂草识别与定位方法，其特征在于，它包括以下步骤：

S1、实地采集不同生长阶段的目标农作物与田间混杂着杂草的图片，通过移动终端上传至云端；

S2、采用样本自动扩充的方式将图像数量扩充；

S3、建立数据集并将数据集分为训练集与测试集；

S4、采用基于背景先验显著性的目标农作物主区域提取方法，去除复杂背景，提取图像主区域；

S5、在TPU上，通过迁移学习的方法，将训练集输入预设的卷积神经网络InceptionV3网络模型中进行训练得到目标植物与杂草分类识别器；

S6、将测试集输入训练好的识别器当中，输出分类与定位的预测结果。

2.根据权利要求1所述的改进深度学习的广谱农作物杂草识别与定位方法，其特征在于：步骤S5中，InceptionV3网络模型在InceptionV2网络模型的基础上改进了3种Inception模块，InceptionV3网络模型中优化器采用RMSProp替换InceptionV2网络模型中的SGD，在类别全连接层后加入LSR层，用三个3×3卷积核取代7×7卷积核。

3.根据权利要求1所述的改进深度学习的广谱农作物杂草识别与定位方法，其特征在于：步骤S5中还采用改进网络的激活函数，改进后的激活函数结合ReLU函数与Tanh函数，即取小于零的部分为Tanh函数的左边部分，大于零的部分为ReLU函数的右半部分，记为Tanh-ReLU函数。

4.根据权利要求1所述的改进深度学习的广谱农作物杂草识别与定位方法，其特征在于：步骤S5中卷积神经网络InceptionV3网络模型为基于ImageNet预训练得到的网络模型。

5.根据权利要求1所述的改进深度学习的广谱农作物杂草识别与定位方法，其特征在于：在步骤S2中，扩充训练集数据量的样本自动扩充方法为：随机选取100个角度进行旋转，并将图像大小归一化。

6.根据权利要求1所述的改进深度学习的广谱农作物杂草识别与定位方法，其特征在于：在步骤S3中，数据集中70％图片归入训练集，用于训练得到目标农作物与杂草分类识别器，30％的图片归入测试集，用于测试作物杂草分类识别器的效果。

7.根据权利要求1所述的改进深度学习的广谱农作物杂草识别与定位方法，其特征在于：在步骤S4中，图像主区域提取方法为：先将图像进行超像素分割；再分别根据边界超像素块的显著性对其余超像素快的显著性进行查询；接着查询结果进行合并，得到最终的显著图；最后对显著图进行自适应二值化，得到分割图、最小外接矩形分割图和ROI区域分割图。