一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法技术

本发明专利技术公开一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，包括以下步骤，(1)无人机进行水稻田的图像拍摄采集，并传输至地面站；(2)地面站对图片样本进行预处理和语义标注，形成标签图片；(3)将标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，得到杂草识别模型；(4)将杂草识别模型移植至边缘计算嵌入式硬件中；(5)无人机进行水稻田的图像拍摄采集，通过杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；(6)将实时获取的杂草识别结果和杂草密度统计结果发送至地面站。本发明专利技术实现对水稻田的杂草密度的实时统计，具有效率高，识别准确的优点，有利于实现水稻田的变量施药和精准施药。和精准施药。和精准施药。

【技术实现步骤摘要】
一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法


[0001]本专利技术涉及一种水稻农田杂草分析方法，具体涉及一种水稻田杂草密度实时统计方法。

技术介绍

[0002]水稻田间杂草对水稻生长带来极大的危害，杂草与水稻争夺养分、水分以及光线等，影响水稻生长，降低水稻粮食的质量和产量。为了预防或防治田间杂草，常用的方法是对整个作业区域进行覆盖式的均匀喷洒除草，这不可避免地会造成农药的过量施用，还会造成杂草耐药性增强、浪费农药和环境污染等问题。在喷施农药时，如果能够快速实时地对水稻田块的杂草分布密度进行划分区域统计，得出各个区域的杂草密度信息和草害等级，形成整个田块的杂草密度分布图，这有利于实现变量施药和精准施药，有效降低农药用量及喷施作业效率。
[0003]目前对水稻田间杂草分布密度进行调查统计的方法主要有人工抽样调查和遥感光谱检测等。显然地，人工调查方法只能局限于有限的范围和有限的统计方式，不仅成本高、效率低，而且通过估算的方式统计田间杂草密度，结果存在差异性和不准确性，不适用于多田块、大范围的杂草密度调查。光谱检测方法虽然能应用在大范围的杂草分布统计，但是由于数据处理流程复杂，得到的农田光谱数据并不能立刻转化为杂草的分布密度信息，缺乏实时检测的性能；同时基于遥感光谱技术的杂草识别分析方法对采集数据的光学设备要求较高，且设备成本较高，不利于维护且实用性低，大多数研究仅限于实验室研究，并不利于实际农田杂草密度检测技术的推广。

技术实现思路

[0004]本专利技术目的在于克服现有技术的不足，提供一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，该方法实现对水稻田的杂草密度实时统计，具有效率高，识别准确，且实时输出统计结果的优点，以便实现水稻田的变量施药和精准施药。
[0005]本专利技术的目的通过以下技术方案实现：
[0006]一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，包括以下步骤：
[0007](1)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务进行水稻田的图像拍摄采集，并通过无线通信传输模块将所采集的图片样本传输至地面站；
[0008](2)地面站对所述图片样本进行预处理，并对预处理后的图片样本进行语义标注，形成标签图片；
[0009](3)将步骤(2)中的标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，并对改进BiSeNetV2分割网络进行参数调整，得到杂草识别模型；
[0010](4)将所述杂草识别模型进行量化冻结生成PB文件，并移植至边缘计算嵌入式硬
件中，边缘计算嵌入式硬件对杂草识别模型进行优化加速；
[0011](5)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务对待测水稻田进行图像拍摄采集，通过所述杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；
[0012](6)最后通过无线通信传输模块，将实时获取的杂草识别结果和杂草密度统计结果发送至地面站；同时，返回步骤(5)，无人机继续进行下一航线任务的飞行作业。
[0013]本专利技术的一个优选方案，在步骤(2)中，对图片样本进行预处理，包括对图片样本进行旋转、翻转以及饱和度和对比度的改变；所述语义标注利用labelme进行。
[0014]本专利技术的一个优选方案，所述改进BiSeNetV2分割网络，其改进方法包括细节分支的改进，以实现分支结构的轻量化；引入特征融合分支，使分割识别结果更加精确；优化和增强训练策略，使分割识别结果更加准确。
[0015]优选地，细节分支的改进，具体为：设计反向残差结构的Bottleneck模块作为细节分支每一阶段的特征提取层，Bottleneck模块的第一层通过1
×
1标准卷积将输入特征图映射到高纬度空间，然后连接两层深度卷积对卷积输出特征图进行逐通道卷积，其中第一层深度卷积设置步长为2，用于减少输出特征图尺寸，扩大感受野范围，最后通过一层1
×
1卷积对特征图进行逐点卷积输出。
[0016]优选地，引入特征融合分支，具体为：包括三个阶段，每个阶段首先通过级联操作融合与输入特征图具有相同尺度的语义分支和细节分支的输出特征，接着采用一个3
×
3卷积对融合后的特征进行提取，最后通过反卷积上采样操作恢复特征图的尺寸。
[0017]优选地，优化和增强训练策略，具体为：在整个特征恢复过程中，特征融合分支中每个阶段的卷积输出都参与增强训练策略。
[0018]本专利技术的一个优选方案，在步骤(3)中，通过评价指标验证训练后的改进BiSeNetV2分割网络，以实现对参数的调整，提高其分割识别精度；其中，评价指标包括混淆矩阵、像素精度以及平均交并比。
[0019]本专利技术的一个优选方案，在步骤(5)中，杂草密度计算包括杂草像素占比和杂草所占的实际面积；其中，计算过程如下：
[0020](a)对空间分辨率GSD进行计算，
[0021]GSD＝(Sw
×
100
×
H)/(imW
×
Fr)
[0022]式中，Sw为相机传感器的宽度，Fr为相机真实焦距，H为无人机的飞行高度，imW为图像的宽度；
[0023](b)计算拍摄图像杂草识别结果中杂草的像元数量N，
[0024][0025]式中，x
iw
为第i个像素为杂草类设定值的记1，否则记0；K为拍摄图片的总像素，K＝W
×
H，其中W、H分别为拍摄图像的宽和高；
[0026](c)计算拍摄图像识别结果中杂草的像素占比P
weed
，
[0027][0028]式中，N为杂草的像元数量，K为拍摄图像的总像素；
[0029](d)计算拍摄图像中的杂草所占的实际面积S，
[0030]S＝N
·
GSD2[0031]式中，N为杂草的像元数量。
[0032]本专利技术的一个优选方案，在步骤(6)中，地面站接收到杂草识别结果和杂草密度统计结果后，按航线的划分区域生成水稻杂草分布密度预测图。
[0033]本专利技术的一个优选方案，所述无人机为四旋翼无人机，搭载可见光工业相机。
[0034]本专利技术与现有技术相比具有以下有益效果：
[0035]本专利技术采用边缘计算嵌入式硬件，结合改进BiSeNetV2分割网络，在无人机对水稻田进行图像拍摄后，进行水稻和杂草的实时分割识别检测，并对水稻田的杂草密度实时统计，具有效率高，识别准确的优点，以便根据输出的结果进行水稻田的变量施药和精准施药。
附图说明
[0036]图1为本专利技术的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法的流程框图。
[0037]图2为杂草密度计算的示意图。
[0038]图3为待测水稻田的航线规划和杂草实时检测的示意图。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，包括以下步骤：(1)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务进行水稻田的图像拍摄采集，并通过无线通信传输模块将所采集的图片样本传输至地面站；(2)地面站对所述图片样本进行预处理，并对预处理后的图片样本进行语义标注，形成标签图片；(3)将步骤(2)中的标签图片及相关数据输入至改进BiSeNetV2分割网络中进行训练，并对改进BiSeNetV2分割网络进行参数调整，得到杂草识别模型；(4)将所述杂草识别模型进行量化冻结生成PB文件，并移植至边缘计算嵌入式硬件中，边缘计算嵌入式硬件对杂草识别模型进行优化加速；(5)在边缘计算嵌入式硬件的控制下，无人机根据预设的航线任务对待测水稻田进行图像拍摄采集，通过所述杂草识别模型对所采集的图像进行实时识别检测，且对该水稻田的杂草密度进行计算；(6)最后通过无线通信传输模块，将实时获取的杂草识别结果和杂草密度统计结果发送至地面站；同时，返回步骤(5)，无人机继续进行下一航线任务的飞行作业。2.根据权利要求1所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，在步骤(2)中，对图片样本进行预处理，包括对图片样本进行旋转、翻转以及饱和度和对比度的改变；所述语义标注利用labelme进行。3.根据权利要求1所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，所述改进BiSeNetV2分割网络，其改进方法包括细节分支的改进，以实现分支结构的轻量化；引入特征融合分支，使分割识别结果更加精确；优化和增强训练策略，使分割识别结果更加准确。4.根据权利要求3所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法，其特征在于，细节分支的改进，具体为：设计反向残差结构的Bottleneck模块作为细节分支每一阶段的特征提取层，Bottleneck模块的第一层通过1
×
1标准卷积将输入特征图映射到高纬度空间，然后连接两层深度卷积对卷积输出特征图进行逐通道卷积，其中第一层深度卷积设置步长为2，用于减少输出特征图尺寸，扩大感受野范围，最后通过一层1
×
1卷积对特征图进行逐点卷积输出。5.根据权利要求4所述的基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计...

【专利技术属性】
技术研发人员：兰玉彬，黄康华，杨畅，邓继忠，谢尧庆，严智威，雷落成，叶家杭，罗明达，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：