[发明专利]基于深度学习模型的温室草莓检测与成熟度评价方法

说明书

本发明公开了一种基于深度学习模型的温室草莓检测与成熟度评价方法，包括：用架设在田间移动平台上的图像采集系统分别从左右两个方向对草莓田块进行拍摄，以获取田间广角照片，得到原始影像集；对原始影像集中的影像进行图像预处理，得到训练数据集；将训练数据集输入改进ResNet网络中进行训练学习，得到草莓分割模型；将测试数据输入训练好的草莓分割模型，得出分隔结果图；利用PSOA技术和Otsu算法进行最佳阈值搜索，对草莓果实部位进行二次分割，实现成熟度分析。本发明结合机器视觉和深度学习技术，通过对自主设计影像获取平台得到的正射影像进行分析，准确提取草莓个数并对其成熟度进行判定，精度表现较好且具有较强鲁棒性。

技术领域

本发明涉及智能化农业技术领域，尤其涉及一种基于深度学习模型的温室草莓检测与成熟度评价方法。

背景技术

草莓是多年生常绿草本植物，属于蔷薇科(Rosaceae)草莓属，由于口味鲜美、营养丰富、营养价值高而享有“水果皇后”的美誉。我国是草莓生产与消费大国，目前种植面积和产量均居世界前列。过去对草莓估产和成熟度估测主要依靠人工，即通过农艺人员定期在田间进行个数统计和相关参数测量。但是，传统人工田间调查效率低下、主观性强，且不能提供实时数据。同时，城镇化水平的提高使得农业人口急剧减少导致人工调查成本大大增加。当前，计算机视觉技术被广泛应用于田间复杂环境下的果实提取和分析研究中以实现作物生长的动态监控；而图像分割作为计算机视觉技术的前提和关键，其精度的高低直接影响到后续工作的精度和效率。在自然环境下对目标果实进行准确分割主要包括以下几类方法：

(1)基于颜色空间变换和阈值分割方法

由于果实、叶片与土壤背景具有较大的颜色差异，通过颜色特征进行植物器官分割提取具有一定的可行性。这类方法的核心思想是在RGB、Lab、HSV等颜色空间中寻找差异较大的通道并对其进行阈值分割运算。该类算法存在动态光照和土壤反射率条件下鲁棒性不足等问题，难以对自然环境下景物实现有效分离。

(2)基于浅层模型的机器学习方法

浅层模型通过人工筛选并提取果实和背景部分的颜色、纹理、性状等特征，生成可准确区分二者的高阶特征矩阵并对分类器进行训练从而获得分割模型。浅层模型在实际应用中往往出现对目标特征表达不完整、提取过程和检测过程分离等情况，从而造成性能下降。

近年以来，深度学习的兴起为复杂背景下进行果实分割提供了一个更好的技术手段，其由大数据集驱动，不需要设定具体的目标特征即可进行高维数据判别，具有强大的信息处理优势。

对草莓长势进行监测中除了需要对果实部位进行准确定位和分割，还应该根据其头部黄-红颜色占比对成熟度进行估计。因为草莓是一种需要进行选择性收获的作物，同一地块上的不同个体其成熟水平会呈现较大的差异。如何精确对每个草莓的成熟度进行评估，是提高采收效率、保证采收质量的关键。

因此，本领域的技术人员致力于开发一种基于深度学习模型的温室草莓检测与成熟度评价方法，结合机器视觉和深度学习技术，利用自主研发的地面平台，基于改进ResNet网络对标注数据进行训练学习，用PSOA技术和Otsu算法实现成熟度分析，精度表现较好且具有较强鲁棒性，对未来田间草莓的表型分析具有一定的参考价值。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何提供一种基于深度学习模型的温室草莓检测与成熟度评价方法，通过对自主设计影像获取平台得到的正射影像进行分析，准确提取草莓个数并对其成熟度进行判定，精度表现较好且具有较强鲁棒性。

为实现上述目的，本发明提供了一种基于深度学习模型的温室草莓检测与成熟度评价方法，其特征在于，所述方法包括以下步骤：

步骤1、用架设在田间移动平台上的图像采集系统分别从左右两个方向对草莓田块进行拍摄，以获取田间广角照片，得到原始影像集；

步骤2、对所述原始影像集中的影像进行图像预处理，得到训练数据集；