[发明专利]一种基于深度学习的作物幼苗与杂草检测方法及系统

权利要求书

1.一种基于深度学习的作物幼苗与杂草检测方法，其特征在于，包括：

S01、获取作物幼苗及伴生杂草图像数据集，将所述图像数据集划分为训练集、验证集和测试集；

S02、标注所述训练集、验证集和测试集图像，对所述训练集图像进行扩增；

S03、在keras深度学习框架上，构建SSD检测模型，设计轻量化密集连接网络作为前置特征提取网络，将所述前置特征提取网络和扩展网络中不同层次特征信息进行融合；

S04、将训练集输入到所述改进SSD检测模型进行训练，得到作物杂草识别定位模型；

S05、将测试集输入到训练好的模型，输出作物与杂草的种类和位置信息。

2.根据权利要求1所述的一种基于深度学习的作物幼苗与杂草检测方法，其特征在于，所述步骤S01具体包括：

（1.1）使摄像机距离地面高度约60~80cm，采用垂直拍摄方式在不同种植地块、不同光照强度、不同土壤背景下采集作物幼苗及伴生杂草图像构建图像数据集；

（1.2）将所述图像数据集根据作物与杂草种类划分为对应的数据子集，按设定比例在所述数据子集中随机抽取样本构成训练集、验证集和测试集，所述训练集、验证集和测试集的比例为8:1:1。

3.根据权利要求1所述的一种基于深度学习的作物幼苗与杂草检测方法，其特征在于，所述步骤S02具体包括：

（2.1）采用标注软件对所述训练集、验证集和测试集图像中的作物和杂草对象进行类别与位置标记；

（2.2）对所述训练集图像通过旋转变换、镜像变换、亮度变换等方法进行图像扩增。

4.根据权利要求1所述的一种基于深度学习的作物幼苗与杂草检测方法，其特征在于，所述步骤S03中，设计轻量化密集连接网络作为前置特征提取网络，将所述前置特征提取网络和扩展网络中不同层次特征信息进行融合具体包括：

（3.1）采用深度可分离卷积结合SENet模块构建轻量特征提取单元，通过密集化连接构成轻量前置特征提取网络代替SSD检测模型中VGG16网络；

（3.2）引入逆卷积运算将所述SSD检测模型前置特征提取网络与扩展网络中不同分辨率特征图进行信息融合。

5.根据权利要求1所述的一种基于深度学习的作物幼苗与杂草检测方法，其特征在于，所述步骤S04具体包括：

（4.1）设置所述改进SSD检测模型的超参数，采用多任务损失函数为目标函数进行训练；

（4.2）训练过程中对输入样本损失函数进行计算，按由大到小的顺序进行排序，筛选前5%难分样本进行存储，下个迭代周期，替代损失函数排序中后5%样本进行训练。

6.一种基于深度学习的作物幼苗与杂草检测系统，其特征在于，包括：

第一运算单元M01，用于获取作物幼苗及伴生杂草图像数据集，将所述图像数据集划分为训练集、验证集和测试集；

第二运算单元M02，用于标注所述训练集、验证集和测试集图像，对所述训练集图像进行扩增；

第三运算单元M03，用于在keras深度学习框架上，构建SSD检测模型，设计轻量化密集连接网络作为前置特征提取网络，将所述前置特征提取网络和扩展网络中不同层次特征信息进行融合；

第四运算单元M04，用于将训练集输入到所述改进SSD检测模型进行训练，得到作物杂草识别定位模型；

第五运算单元M05，用于将测试集输入到训练好的模型，输出作物与杂草的种类和位置信息。

7.根据权利要求6所述的系统，其特征在于，所述第一运算单元M01，还用于：

使摄像机距离地面高度约60~80cm，采用垂直拍摄方式在不同种植地块、不同光照强度、不同土壤背景下采集作物幼苗及伴生杂草图像构建图像数据集；

将所述图像数据集根据作物与杂草种类划分为对应的数据子集，按设定比例在所述数据子集中随机抽取样本构成训练集、验证集和测试集，所述训练集、验证集和测试集的比例为8:1:1。