[发明专利]一种基于多尺度融合的杂草检测方法及系统

说明书

本发明公开一种基于多尺度融合的杂草检测方法及系统，包括：获取作物幼苗和杂草的第一图像数据集；基于第一图像数据集去除土壤背景，得到第二图像数据集，将第二图像数据集划分为训练集和测试集；构建改进的Yolov3网络模型，将训练集输入至改进的Yolov3网络模型进行训练，得到杂草检测模型；采用测试集验证杂草检测模型；获取待检测作物幼苗和杂草图像，并输入至通过测试的杂草检测模型，得到作物幼苗和杂草的种类和分布信息。融合后的特征增加了低层的位置信息和高层的语义信息的结合，得到的各个尺度的杂草融合特征层次更加丰富，提高了不同光照条件下作物幼苗和杂草的检测的准确性和效率。

技术领域

本发明涉及智能农业图像检测技术领域，特别涉及一种基于多尺度融合的杂草检测方法及系统。

背景技术

我国是农业大国，农业生产中杂草肆虐是困扰农作物生长的基本问题之一。杂草对农业生产，生态环境，生物多样性等造成严重危害，不仅影响作物产量与品质还会传播病虫害，例如野燕麦是小麦赤霉病的野生寄主；紫花地丁是棉蚜的越冬寄主；小旋花是温室白粉虱的中间寄主。为提高农作物产量投入大量高效除草能力的化学除草剂，但在不能比较准确地确定杂草种类情况下，大部分化学除草剂没有被有效利用，不仅增加土壤对化学制剂的依赖性，还对环境保护与物种延续构成严重威胁，对我国农业的可持续性发展带来严峻挑战。

随着科技的发展，深度学习技术在农业领域越来越广泛地被应用，现有研究多采用更深或者更宽的网络，从而提升模型的检测精度，但也导致了模型参数规模大，检测速度慢，且多数研究都未对小尺寸作物与杂草问题进行研究。

发明内容

为解决上述现有技术中所存在的问题，本发明提供一种基于多尺度融合的杂草检测方法及系统，结合OTSU阈值分割和改进的Yolov3 网络模型，增加了低层的位置信息和高层的语义信息的结合，得到的各个尺度的杂草融合特征层次更加丰富，提高了不同光照条件下作物幼苗和杂草的检测的准确性和效率。

为了实现上述技术目的，本发明提供了一种基于多尺度融合的杂草检测方法，包括以下步骤：

S1，获取作物幼苗和杂草的第一图像数据集；

S2，基于所述第一图像数据集去除土壤背景，得到第二图像数据集，将所述第二图像数据集划分为训练集和测试集；

S3，构建改进的Yolov3网络模型，将所述训练集输入至所述改进的Yolov3网络模型进行训练，得到杂草检测模型；

S4，采用所述测试集验证所述杂草检测模型；

S5，获取待检测作物幼苗和杂草图像，并输入至通过测试的所述杂草检测模型，得到作物幼苗和杂草的种类和分布信息。

可选的，获取所述第一图像数据集的过程包括：

根据作物幼苗和杂草生长情况设置无人机飞行高度；

从日出时刻起至日落时刻止，无人机每间隔一小时采用垂直拍摄的方式采集作物幼苗和杂草图像，得到所述第一图像数据集。

可选的，采用OTSU阈值分割去除所述土壤背景。

可选的，采用Bootstrap抽样法得到所述训练集。

本发明还提供了一种基于多尺度融合的杂草检测系统，包括：采集模块、图像处理模块、模型构建模块、模型验证模块和图像检测模块；

所述采集模块用于获取作物幼苗和杂草的第一图像数据集；

所述图像处理模块用于基于所述第一图像数据集去除土壤背景，得到第二图像数据集，所述图像处理模块还用于将所述第二图像数据集划分为训练集和测试集；

所述模型构建模块用于构建改进的Yolov3网络模型，并使用所述训练集对所述改进的Yolov3网络模型进行训练，得到杂草检测模型；