[发明专利]基于图像识别的木本植物物候期的自动观测方法和系统

权利要求书

1.基于图像识别的木本植物物候期的自动观测方法，其特征在于，包括有以下步骤：

S1，获取植物的样本图片，并形成第一样本集；

S2，将第一样本集中的样本图片按照物候期特征进行分类；在第一样本集中选取部分样本图片形成第二样本集，对第二样本集的样本图片进行特征标注，并将已标注的样本图片训练初步模型，通过初步模型对第一样本集中的样本图片进行物候期的初步分类筛选，并对分类筛选后的样本图片进行人工二次分类迁移；

S3，根据物候期特征把第一样本集中的样本图片分成主要物候期组和特殊物候期组，并对应获得主要物候期样本集和特殊物候期样本集，应用主要物候期样本集训练主要物候期识别模型，应用特殊物候期样本集训练特殊物候期识别模型；

S4，应用主要物候期样本集训练主要物候期识别模型，其步骤包括：

S41，将主要物候期组的样本图片的物候期特征进行标注；

S42，将主要物候期样本集中的样本图片按照不同的物候期类型分别划分成训练集、验证集和测试集；

S43，将待输入的植物图片进行拆分和图像特征增强；

S44，将主要物候期样本集的训练集、验证集和测试集导入训练模型建立主要物候期识别模型；

S5，应用特殊物候期样本集训练特殊物候期识别模型，其步骤包括：

S51，将特殊物候期样本集中的图片进行特征标注，

S52，将标注的图片通过图像转换代码生成与原图大小一致的特征标注色块图，并与原图成对保存于特殊物候期样本集中；

S53，将特征标注色块图加入特殊物候期样本集中，将样本集中的原图和特征标注色块图成对划分成训练集、验证集和测试集；

S54，将更新的特殊物候期样本集中的训练集、验证集和测试集导入训练模型建立特殊物候期识别模型；

S6，将待识别植物图片按照一定的规则先后通过主要物候期识别模型和特殊物候期识别模型对图像物候期特征进行识别；

S7，对图像识别结果进行判定。

2.根据权利要求1所述的基于图像识别的木本植物物候期的自动观测方法，其特征在于，在S3中，据物候期特征把第一样本集中的样本图片分成主要物候期组和特殊物候期组；其中，主要物候期组图片组的物候期类别包括：常绿乔木和灌木的芽膨大期、芽开放期、展叶期、花蕾或花序出现期、开花期、果实或种子果实成熟期、果实或种子脱落期，对于落叶乔木和灌木则还包括叶变色期和落叶期；特殊物候期图片组包括树木全株仅布满成熟绿色叶片的时期，记为“纯绿叶期”，对于落叶乔木和灌木，特殊物候期组还包括叶片全部脱落后只剩下树枝的时期，记为“光杆期”，合并统称空窗期。

3.根据权利要求1所述的基于图像识别的木本植物物候期的自动观测方法，其特征在于，将主要物候期样本集和特殊物候期样本集，分别应用不同的训练模型建立主要物候期识别模型和特殊物候期识别模型；在S44中，将主要物候期样本集的训练集、验证集和测试集导入YOLOV4中的主干提取网络CSPDarkNet53建立主要物候期识别模型；而S54中，则将特殊物候期样本集中的训练集、验证集和测试集导入语义分割模型Unet建立特殊物候期识别模型。

4.根据权利要求1所述的基于图像识别的木本植物物候期的自动观测方法，其特征在于，在S41中，应用labelImg工具中的Create RectBox功能，将主要物候期样本集中的图片的物候期特征进行标注，以矩阵的形式标注其中的物候期特征。

5.根据权利要求1所述的基于图像识别的木本植物物候期的自动观测方法，其特征在于，在S43中，将待输入的植物图片进行拆分包括以下步骤：

样本图片各像素点具有对应的坐标，通过坐标平移按照一定像素大小拆分样本图片，并生成多份图片，相对应的xml文件对应分成多份xml文件；判断每个物候期特征标注的坐标是否在拆分图片的范围内，若是，则根据坐标平移法对物候期特征的坐标进行相应的加减以达到拆分图片上重新定位；

定义拆分图片的有效像素为m，m像素以内的目标标注范围认为已失去物候期标注特征，因而将跨区域小于m像素的目标标注范围剔除，不写入多份xml文件。