[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

说明书

本发明公开了一种基于深度学习的作物幼苗与杂草检测方法及系统，该方法包括：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；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；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；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；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；该方法解决了传统作物与杂草识别方法存在的检测精度低、耗费时间长等问题，提高了作物与杂草检测的准确性和实时性。

技术领域

本发明涉及农业作物与杂草检测领域，具体涉及一种基于深度学习的作物幼苗与杂草检测方法及系统。

背景技术

作物生长过程中，杂草与作物争夺水分、养分和光照，阻碍作物正常生长，对农业生产造成不利影响。杂草控制是农业生产中的一个重要环节，对提高作物产量与品质起着重要作用。

随着精准农业技术的发展，不依赖于除草剂的自动化机械除草逐渐成为国内外杂草防控领域的研究热点。在自动化机械除草作业过程中，如何实时、准确的对作物与杂草进行检测识别是实现精准高效除草的关键前提。

传统的作物与杂草检测方法通过提取作物与杂草的颜色、纹理、形状、高度等特征信息，将一种或多种特征的组合输入到特征分类器，实现分类检测。不过，此类方法需要人工进行特征选取标定，选取特征的优劣依赖于设计者的经验，而且由于受到光照变化、背景噪声、目标形态多样性等因素的影响，难以设计出适应性好，稳定性高的特征提取模型。

随着深度学习技术的发展，卷积神经网络在机器视觉领域逐渐得到广泛应用并取得良好效果。目前基于深度学习进行作物与杂草识别的研究普遍采用多层深度卷积神经网络进行特征提取，通过增加网络的深度与宽度实现更高的准确率，但也导致识别模型复杂度升高，检测速度降低，难以应用于计算能力和存储资源有限的嵌入式农业移动设备。

发明内容

针对现有技术的不足，本发明提出一种基于深度学习的作物幼苗与杂草检测方法及系统，通过建立轻量卷积结合特征信息融合的改进SSD检测模型，提高作物与杂草检测速度和精度并降低识别模型参数规模。

第一方面，本发明提供一种基于深度学习的作物幼苗与杂草检测方法，具体包括：

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。

可选的，所述步骤S01中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，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。

可选的，所述步骤S02中标注所述训练集、验证集和测试集图像，对所述训练集图像进行扩增，包括：