[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

说明书

本发明涉及杂草识别领域，尤其涉及一种改进深度学习的广谱农作物杂草识别与定位方法。该方法包括改方法包括：采集少量不同生长阶段目标农作物与田间杂草的图片；采用样本增强的技术，将少量图片数据进行大规模扩充分为训练集和测试集；对图像进行主区域提取；提出基于预训练网络InceptionV3的目标农作物特征提取方法，采用改进的迁移学习的方法在已经训练好的模型的基础上，用新的数据集对初始化了的模型进行二次训练得到目标农作物与杂草识别模型；提出改进网络的激活函数；利用测试集对模型参数进行微调。采用这种方法能快速准确的对目标农作物与杂草进行识别和定位，对所采集的图像数据要求较低，对数据的需求量灵活。

技术领域

本发明涉及杂草识别领域，尤其涉及一种改进深度学习的广谱农作物杂草识别与定位方法。

背景技术

田间杂草对目标农作物的正常发育有很大的威胁，严重影响着其高产和稳产。田间杂草品种多样，在各个季节均有杂草生长，需要不同种类的除草剂进行治理。传统的粗放式大面积化学除草已经产生了诸多负面影响，如污染环境、威胁食品安全等，精准式变量喷洒技术是根据杂草和作物分布情况定点定量喷洒除草剂，既能降低对田间生态环境的影响，又能减少经济成本、提高除草效率。因此，结合目前自动化农业的发展趋势，自动高效地对农作物田间杂草进行识别就显得尤为重要。

目前，农作物田间杂草识别方法主要有计算机视觉技术方法与光谱技术方法。计算机视觉技术方法是由图像采集设备收集田间杂草与作物的RGB图像，分析杂草与农作物各自的形态学特征等来实现对二者的区分，该方法对图像采集环境和图像预处理的要求较高，其特征提取过程较复杂，一般只适用于特定的研究对象的农作物与杂草，普适性较差。光谱技术方法则是采集农作物和杂草各自的光谱图像，利用不同植物在相同光照条件下光谱反射特性不同的特点对杂草进行识别，该方法虽然准确度较高，但光谱图像采集对天气的要求较严格，且图像采集仪器的价格与学习成本较高，分析方法难以推广，故不利于投入实际生产。

发明内容

本发明所要解决的技术问题是：提供一种改进深度学习的广谱农作物杂草识别与定位方法，采用这种方法能快速准确的对目标农作物与杂草进行识别和定位，对所采集的图像数据要求较低，对数据的需求量灵活。

本发明所采用的技术方案是：一种改进深度学习的广谱农作物杂草识别与定位方法，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。

作为优选，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。

作为优选，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。

作为优选，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。