[发明专利]一种基于深度学习的玉米行间立体病害检测装置及方法

权利要求书

1.一种基于深度学习的玉米行间立体病害检测装置，其特征在于，包括有装载平台(3)和摄像装置(9)，所述装载平台(3)包括有第一车架(31)和第二车架(32)，所述第一车架(31)上表面中央位置固定安装有GNSS天线(2)，所述GNSS天线(2)的两侧设置有电池(1)和摄像装置(9)，所述电池(1)和摄像装置(9)均固定安装在第一车架(31)上表面，所述摄像装置(9)包括有上侧摄像头(91)、左侧摄像头(92)、右侧摄像头(93)，所述摄像装置(9)一侧还固定安装有jetson nano边缘服务器(10)；所述第二车架(32)固定连接在第一车架(31)的底端，所述第二车架(32)的前端固定连接有激光雷达(4)，所述第二车架(32)的底面四角上固定连接有直杆(8)，所述直杆(8)的底端固定安装有转向电机(7)，所述转向电机(7)的底端固定连接有连接轴承，所述连接轴承上固定连接有直流电机，所述直流电机的输出轴上固定连接有车轮(6)。

2.根据权利要求1所述的一种基于深度学习的玉米行间立体病害检测装置所应用的一种基于深度学习的玉米行间立体病害检测方法，其特征在于，具体包括以下步骤：

S1、使用摄像装置(9)拍摄玉米图片；

S2、对S1中所拍摄的玉米图片进行标注，分为训练集和测试集；

S3、将S2中所得的训练集和测试集输入目标检测网络中，获取目标检测的权重文件；

S4、使用S3中所得的目标检测网络的权重文件训练图像分割网络的权重文件；

S5、将训练好的图像分割网络的权重文件加载到深度学习算法中用于视频检测；

S6、通过摄像装置(9)的上侧摄像头(91)、左侧摄像头(92)、右侧摄像头(93)获取玉米行间全方位、各角度视频图像信息，将视频图像信息发送给三个jetson nano边缘服务器(10)，在jetson nano边缘服务器(10)上运行深度学习算法，对视频图像信息进行病害检测；

S7、将S6中所得检测结果传输至对应的移动端应用中，对检测结果进行分析，划分病害等级并制定所需喷洒的农药浓度。

3.根据权利要求2所述的一种基于深度学习的玉米行间立体病害检测方法，其特征在于，所述S1中提到的拍摄玉米图片，采集图片时，为了更好适应现实环境，具体包括如下要求：

A1、采集不同光照条件下的图片信息，包含过曝、正常、昏暗；

A2、拍摄的图片需包含玉米的各个部位；

A3、拍摄的图片中健康与病害的比例分布均衡。

4.根据权利要求1所述的一种基于深度学习的玉米行间立体病害检测方法，其特征在于，所述S2中提到的图片标注，具体包括以下步骤：

B1、使用图像增强方法对训练集进行裁剪，翻转，镜等操作，扩充数据；

B2、使用LabelImg软件进行数据标注，包括粗粒度的目标框标注和细粒度的图像分割像素标注；所述目标框标注为对病害区域进行标注，生成.xml文件，所述.xml文件中包含：类别、标注物体横坐标中心、标注物体纵坐标中心、宽度、高度；所述细粒度的图像像素标注为对目标检测产生的目标框进行标注，生成.json文件；

B3、将图像分为训练集，验证集和测试集，具体比例为7：2：1。

5.根据权利要求2所述的一种基于深度学习的玉米行间立体病害检测方法，其特征在于，所述S3中提到的获取目标检测的权重文件，具体包括以下步骤：

C1、将训练集图片批量放入目标检测算法中训练，得到训练的权重文件和训练过程中各参数的变化曲线；

C2、训练过程中通过调整学习率、批次大小等超参数提高模型收敛速度；

C3、将权重文件放入目标检测算法中对测试集进行检测，观察检测情况；

C4、若权重文件检测不合格，则重新制作和扩充训练集，重复C1～C3操作，直至权重文件检测合格为止。