[发明专利]基于可变形卷积神经网络的果园果树区域分割方法和系统

说明书

本发明公开了一种基于可变形卷积神经网络的果园果树区域分割方法和系统，属于智能农业领域，包括：对于果园中同一果树区域的深度图像和彩色图像，提取深度图像的深度特征，利用可变形卷积神经网络提取彩色图像的初始彩色特征，利用深度特征和初始彩色特征共同学习得到可变形卷积神经网络的偏置参数，利用深度特征学习得到可变形卷积神经网络的特征放大系数，由此得到特征模型，采集果园的彩色图像，利用特征模型提取彩色图像的彩色特征，利用彩色特征对彩色图像进行分割，得到果树区域。本发明能够更好地建模果树的复杂形态，从而更精准地分割果树区域以减少农药的浪费，减轻农药对土地的污染，对我国智能农业的实施具有重要意义。

技术领域

本发明属于智能农业领域，更具体地，涉及一种基于可变形卷积神经网络的果园果树区域分割方法和系统。

背景技术

果园果树区域分割方法的研究，能够帮助对果园精准施药，不仅能够减少农药浪费，同时也能减轻农药对土地造成的污染，对我国智能农业的实施具有重要意义。

传统的基于图像特征的果园果树区域分割算法，通过人工设计的颜色、纹理等特征分割果树区域，但其分割精度受到了光照不均匀、背景中杂草等因素的严重干扰。基于三维模型的果园果树区域分割算法，通过预先建立的三维树模型进行分割，但这种模型无法适应自然场景中果树的复杂形态。基于RGB图像的深度学习果园果树区域分割算法，充分利用卷积神经网络自动学习的特性以降低错分率，但其仍然受到背景中杂草的影响。

由此可见，现有技术存在模型无法适应果树复杂形态、对果树种植间隔区域误分割、浪费农药、增加环境污染的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于可变形卷积神经网络的果园果树区域分割方法和系统，由此解决现有技术存在模型无法适应果树复杂形态、对果树种植间隔区域误分割、浪费农药、增加环境污染的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于可变形卷积神经网络的果园果树区域分割方法，包括：

采集果园的彩色图像，利用特征模型提取彩色图像的彩色特征，利用彩色特征对彩色图像进行分割，得到果树区域；

所述特征模型通过训练可变形卷积神经网络得到，训练包括：

对于果园中同一果树区域的深度图像和彩色图像，提取深度图像的深度特征，利用可变形卷积神经网络提取彩色图像的初始彩色特征，利用深度特征和初始彩色特征共同学习得到可变形卷积神经网络的偏置参数，利用深度特征学习得到可变形卷积神经网络的特征放大系数，由此得到特征模型。

进一步地，深度特征通过卷积神经网络提取深度图像得到，所述卷积神经网络中所有卷积层的卷积核尺寸均为1。

进一步地，可变形卷积神经网络的结构为：

依次连接的第一卷积层、最大池化层、第二卷积层和可变形卷积层，所述第一卷积层的卷积核尺寸为7，第二卷积层中卷积核尺寸依次为1、3、1，可变形卷积层中卷积核尺寸依次为1、3、1。

进一步地，偏置参数的学习包括：

对深度特征使用并行的卷积核尺寸为3、5和7的卷积操作后与初始彩色特征拼接，使用卷积核尺寸为1的卷积对拼接后的特征进行学习得到偏置参数。

进一步地，特征放大系数的学习包括：

使用卷积核尺寸为1的卷积对深度特征进行学习得到特征放大系数。

进一步地，特征模型为：

其中，y为输出的彩色特征，p_o为输出彩色特征的像素位置，为卷积采样区域，p_k为卷积采样位置，w为卷积核的权重，x为输入的彩色图像，Δp为偏置参数，Δm_k为特征放大系数。