一种基于AI深度学习的梨品种苗木鉴别方法技术

本发明专利技术涉及一种基于AI深度学习的梨品种苗木鉴别方法，包括：图像采集，采用RGB相机传感器获取梨品种苗木的形态表型图像；图像处理：将所述梨品种苗木的形态表型图像与干扰背景进行分割，得到分割后的特征图像；基于卷积神经网络构建梨品种苗木鉴别模型，通过所述分割后的特征图像进行训练，得到训练好的梨品种苗木鉴别模型；基于长短期记忆网络LSTM对所述梨品种苗木鉴别模型进行测试；待鉴别的苗木输入到所述LSTM网络中进行训练，提取待检测苗木特征，通过与更新后的训练模型比较得到鉴别结果。本发明专利技术避免了复杂图像预处理的步骤，利用LSTM模型进行训练，实时更新数据，大大提高了鉴别精度。

【技术实现步骤摘要】
一种基于AI深度学习的梨品种苗木鉴别方法
本专利技术涉及计算机视觉领域，特别是涉及一种基于AI深度学习的梨品种苗木鉴别方法。
技术介绍
中国人吃梨的历史十分久远，古代称为蜜父、快果、玉乳等，并有“百果之宗”的美称。梨的品种繁多，产地各异，各具特色，如山东的莱阳梨、新疆的库尔勒梨、天津的雪梨、安徽的砀山梨、河北赵县雪花梨及日本的水晶梨、澳洲的啤酒梨等，不胜枚举。不同品种的梨果皮颜色大相径庭，有黄色、绿色、黄中带绿、绿中带黄、黄褐色、绿褐色、红褐色、褐色，个别品种亦有紫红色；野生梨的果径较小，在1到4厘米之间，而人工培植的品种果径可达10厘米以上，长度可达15厘米以上。梨树是高大的落叶乔木，与苹果树有很多相似之处。比苹果树更加高大、强健、寿命长，有更强的干性、层性，也容易早期成花结果和连续结果。顶端优势十分明显，容易形成上强下弱和结果部位外移。萌芽率高，成枝力弱。因此，伸大枝多，分杈大枝少，树冠常常显得较稀疏。根系主根发达，分布更深，层性更加明显。幼树枝条更加直立，往往抱头生长。但刚定植的幼苗，根系伤口恢复慢，分根少，缓苗期长，加之修剪上多用轻剪长放，使早期的树冠生长较慢。由于梨的生长周期较长，需要4-5年才结果，一般人主要从果实区分品种。生产上梨品种较多，梨苗木市场容易产生苗木混杂现象，甚至是出现假苗木现象。基于梨作为无性繁殖作物的特点，每一梨品种苗木有其特有的植物学特征如芽、皮孔、皮色、节间长度等形态。一般人很容易产生对梨苗木鉴别错误的现象，因此有必要提供一种梨苗木鉴别方法，实现不同梨品种苗木的快速鉴别。
技术实现思路
本专利技术的目的在于提供一种基于AI深度学习的梨品种苗木鉴别方法，该方法通过对一年生梨苗木进行特征提取并进行训练，通过LSTM模型进行实时更新数据，从而大大提高了鉴别结果的精度。为实现上述目的，本专利技术提供了如下方案：一种基于AI深度学习的梨品种苗木鉴别方法，包括以下步骤：S1、图像采集，采用RGB相机传感器获取梨品种苗木的形态表型图像，并基于点云数据检测分割所述苗木的特征图像；S2、图像处理：将所述梨品种苗木的形态表型图像与干扰背景进行分割，得到分割后的特征图像；S3、基于卷积神经网络构建梨品种苗木鉴别模型，通过所述分割后的特征图像进行训练，得到训练好的梨品种苗木鉴别模型；S4、基于长短期记忆网络LSTM对所述梨品种苗木鉴别模型进行测试，通过门限实时更新训练模型中的图像；S5、将待鉴别的苗木输入到所述LSTM网络中进行训练，提取待检测苗木特征，通过与更新后的训练模型比较得到鉴别结果。优选地，基于HSV方法对所述步骤S2中图像与干扰背景进行分割，并提取出梨品种苗木的形态表型特征。优选地，所述梨品种苗木形态表型特征包括皮孔数量、芽的大小以及姿态、皮色和节间长度。优选地，利用PLC点云库、MATLAB软件对生成的点云信息进行操作和计算，分别提取出梨品种的皮孔数量信息、芽的大小以及姿态信息、皮色信息和节间长度信息。优选地，所述步骤S3中，卷积神经网络包括第一卷积层、第二卷积层、全连接层和高斯连接层。优选地，所述步骤S4中，长短记忆网络LSTM包括遗忘门、更新门和输出门，用于对输入的信息进行增加与遗忘。优选地，所述遗忘门、更新门和输出门中都包含Sigmoid激活函数。优选地，所述步骤S4中，LSTM神经网络进行训练的过程包括：物体定位：预测包含主要物体的图像区域；物体分类：针对分割好的目标进行分类；目标分割：将图像目标分割出来，针对图像上的像素进行归属；关键点检测：从图像中检测目标物体上的关键点位置。本专利技术的有益效果为：本专利技术提供了一种基于AI深度学习的梨品种苗木鉴别方法，利用RGB相机传感器获取梨品种苗木的形态表型图像，进行实时获取，并且基于HSV阈值分割的方法将目标植物与干扰背景进行分割，避免了复杂图像预处理的步骤，利用LSTM模型进行训练，实时更新数据，大大提高了鉴别精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。一种基于AI深度学习的梨品种苗木鉴别方法，具体流程如附图1所示，包括以下步骤：S1、图像采集，采用RGB相机传感器获取梨品种苗木的形态表型图像，并基于点云数据检测分割所述苗木的特征图像；本实施例以一年生梨品种苗木作为研究对象，通过相机高度的调节获取不同高度的图像序列，补充一部分被遮挡部分的信息，能够在一定程度上减少叶片等器官相互遮挡带来的影响，提高生成的植株点云数据的精度。S2、图像处理：将所述梨品种苗木的形态表型图像与干扰背景进行分割，得到分割后的特征图像；基于HSV阈值分割的方法能够将目标植物与干扰背景进行分割，有利于提高特征匹配速度和形态表型参数的提取，得到分割后的特征图像。利用PLC点云数据库、MATLAB软件等对生成的点云信息进行操作和计算，分别提取出梨品种苗木的皮孔数量、芽的大小以及姿态、皮色和节间长度等特征图像。进行图像处理是为了将目标部分与背景等其他干扰像素分割，以此提高图像的匹配效率和后期的鉴别精度。S3、基于卷积神经网络构建梨品种苗木鉴别模型，通过所述分割后的特征图像进行训练，得到训练好的梨品种苗木鉴别模型；所述卷积神经网络包括第一卷积层、第二卷积层、全连接层和高斯连接层，将彩色的RGB图像分解为R、G、B三个通道，其中每个值介于0-255之间；卷积神经网络在卷积后需要经过激活过程。将提取出的梨品种苗木的皮孔数量、芽的大小以及姿态、皮色和节间长度等特征图像输入到卷积神经网络中的第一卷积层中，对像素矩阵进行第一卷积运算，生成特征图，对特征图进行下采样，在保留所述特征图的特征的同时，缩小了数据量，得到进行下采样后的特征图；对进行下采样后的特征图进行第二卷积运算，得到更多的特征图，将得到的所有特征图像进行下采样最大池化操作，降低数据的维度，避免过拟合。特征图经过卷积层和下采样特征提取后，将提取出来的特征传到全连接层中，通过全连接层进行分类，获得分类模型，通过高斯连接层输出最后的分类结果。卷积网络在图像处理方面有很多优点：输入图像和网络的拓扑结构能很好的吻合；特征提取和模式分类同时进行，并同时在训练本文档来自技高网...

【技术保护点】
1.一种基于AI深度学习的梨品种苗木鉴别方法，其特征在于，包括以下步骤：/nS1、图像采集，采用RGB相机传感器获取梨品种苗木的形态表型图像，并基于点云数据检测分割所述苗木的特征图像；/nS2、图像处理：将所述梨品种苗木的形态表型图像与干扰背景进行分割，得到分割后的特征图像；/nS3、基于卷积神经网络构建梨品种苗木鉴别模型，通过所述分割后的特征图像进行训练，得到训练好的梨品种苗木鉴别模型；/nS4、基于长短期记忆网络LSTM对所述梨品种苗木鉴别模型进行测试，通过门限实时更新训练模型中的图像；/nS5、将待鉴别的苗木输入到所述LSTM网络中进行训练，提取待检测苗木特征，通过与更新后的训练模型比较得到鉴别结果。/n

【技术特征摘要】
1.一种基于AI深度学习的梨品种苗木鉴别方法，其特征在于，包括以下步骤：
S1、图像采集，采用RGB相机传感器获取梨品种苗木的形态表型图像，并基于点云数据检测分割所述苗木的特征图像；
S2、图像处理：将所述梨品种苗木的形态表型图像与干扰背景进行分割，得到分割后的特征图像；
S3、基于卷积神经网络构建梨品种苗木鉴别模型，通过所述分割后的特征图像进行训练，得到训练好的梨品种苗木鉴别模型；
S4、基于长短期记忆网络LSTM对所述梨品种苗木鉴别模型进行测试，通过门限实时更新训练模型中的图像；
S5、将待鉴别的苗木输入到所述LSTM网络中进行训练，提取待检测苗木特征，通过与更新后的训练模型比较得到鉴别结果。


2.根据权利要求1所述的基于AI深度学习的梨品种苗木鉴别方法，其特征在于，基于HSV方法对所述步骤S2中图像与干扰背景进行分割，并提取出梨品种苗木的形态表型特征。


3.根据权利要求2所述的基于AI深度学习的梨品种苗木鉴别方法，其特征在于，所述梨品种苗木形态表型特征包括皮孔数量、芽的大小以及姿态、皮色和节间长度。


4.根据权利要求2所述的基于AI深度学习的梨...

【专利技术属性】
技术研发人员：田路明，曹玉芬，董星光，张莹，齐丹，霍宏亮，徐家玉，刘超，
申请(专利权)人：中国农业科学院果树研究所，
类型：发明
国别省市：辽宁;21