[发明专利]一种基于行向量网格分类的水稻秧苗行识别方法

说明书

本发明涉及水稻秧苗的识别领域，具体的是一种基于行向量网格分类的水稻秧苗行识别方法，所述识别方法包括以下步骤：一、对输入图像进行特征提取；二、基于行向量网格分类；三、输出秧苗行水平位置。本发明基于行向量网格分类的水稻秧苗行识别方法提出一种端到端的CNN网络模型，可以直接识别不同光照强度和杂草，模糊，浮萍等场景下的水稻秧苗行，解决了光照变化，浮萍杂草噪声，机器振动引起的模糊等因素对水稻秧苗行识别的影响。本发明将秧苗行识别转化为使用全局特征的基于行向量的选择问题，通过基于行向量的选择，可以显著地降低计算成本。

技术领域

本发明涉及水稻秧苗的识别领域，具体的是一种基于行向量网格分类的水稻秧苗行识别方法。

背景技术

水稻秧苗行识别是水稻机械化除草的关键环节之一，对于提高除草机械的对行除草精度，提高杂草除净率和减少伤苗率具有重要的指导作用。

水稻秧苗行识别容易受到浮萍杂草噪声，农田环境光照变化和机器振动引起的模糊等因素的影响，因此，亟需研究出更好的水稻秧苗行识别方法。

发明内容

为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于行向量网格分类的水稻秧苗行识别方法。

本发明的目的可以通过以下技术方案实现：

一种基于行向量网格分类的水稻秧苗行识别方法，所述识别方法包括以下步骤：

一、对输入图像进行特征提取；

二、基于行向量网格分类；

三、输出秧苗行水平位置。

进一步地，所述步骤一的具体步骤如下：

A1、输入水稻秧苗图像H*W；

A2、对原始的输入水稻秧苗图像使用64×7×7的卷积核进行特征提取，步长stride＝2，得到第0层的输出特征图

A3、对A2得到的第0层输出特征图使用两个basic block1进行特征提取，得到第1层的输出特征图

A4、对A3得到的第1层输出特征图使用两个basic block2进行特征提取，得到第2层的输出特征图

A5、对A4得到的第2层输出特征图使用两个basic block3进行特征提取，得到第3层的输出特征图

A6、对A5得到的第3层输出特征图使用两个basic block4进行特征提取，得到第4层的输出特征图

A7、对A6得到的第4层输出特征图使用卷积加全连接进行特征提取，得到第5层的输出向量1*O₅。

进一步地，所述步骤二的具体步骤如下：

B1、对第5层的输出向量1*O₅进行全连接操作，得到第6层的输出向量1*O₆，其中O₆为M×(N+1)×C的乘积，其中M是预定义行向量的数量，N+1表示网格划分数量N加上没有秧苗行的情况，C是秧苗行的总数；

B2、对第6层的输出向量进行卷积操作，得到第7层的输出特征图M×(N+1)×C。

进一步地，所述步骤三的具体步骤如下：

对第7层的输出特征图M×(N+1)×C，秧苗行的预测P_i,j＝F^ij(X),i∈[1,C],j∈[1,M]，对第i个秧苗行，选择从第1个到第M个行向量处概率最高的网格单元，所有行向量处的网格单元构成该秧苗行；