一种基于机器视觉的水稻秧苗叶龄期识别方法技术

本发明专利技术涉及一种基于机器视觉的水稻秧苗叶龄期识别方法，包括：S1，在水稻秧苗育秧生长周期，人工检测秧苗的叶龄期，并通过无人机采集水稻秧苗图片，记录秧苗图片对应的人工检测的秧苗叶龄期；S2，利用图像预处理技术，构建不同训练集；S3，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型；S4，采用基于深度学习构建秧苗不同叶龄期检测模型，并对比不同网络模型的检测准确率；S5，选用评价指标来测试传统机器学习模型和深度学习检测模型，选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。本发明专利技术能构建水稻秧苗叶龄期智能化识别系统，为后续水稻秧苗研究提供指导分析，属于水稻秧苗叶龄期识别技术领域。于水稻秧苗叶龄期识别技术领域。于水稻秧苗叶龄期识别技术领域。

【技术实现步骤摘要】
一种基于机器视觉的水稻秧苗叶龄期识别方法


[0001]本专利技术涉及水稻秧苗叶龄期识别
，具体涉及一种基于机器视觉的水稻秧苗叶龄期识别方法。

技术介绍

[0002]水稻作为我国主要的粮食和经济作物，在农业生产和实践中均占有重要的地位。我国水稻种植模式主要分机械直播模式和育苗移栽种植技术，育苗移栽种植技术包括育秧技术和移栽技术。现阶段人工识别水稻秧苗叶龄期费时费力，且主观性强，准确率低，因此为解决这一问题，本专利技术提出了基于机器视觉和深度学习的智能化识别水稻秧苗叶龄期的方法。该方法对研究我国粮食稳定生产和保障粮食高产有重要的价值和意义。
[0003]目前，田间工作人员主要依靠经验及田间人工抽样检测叶龄相结合的方法判断水稻秧苗生长期，然而田间人员在稻田中行走缓慢，并且依靠人工在稻田中检测秧苗生长期需要花费大量时间与精力，人工检测苗期的结果带有主观性准确率低，同时，水稻秧苗生长变化容易受外界环境影响，如：温度、湿度、光照度等。所以随着农业智能信息技术的快速发展，机器视觉在农业各个领域中发挥了重要的作用，其无损获取农作物表型参数方法能够有效的代替人工检测方法，机器视觉技术分为传统机器学习和深度学习，传统机器学习通过提取作物图像的颜色、纹理、形状等特征进行应用研究。但随着计算机技术的快速发展，传统机器学习已经逐渐不能满足行业需求，结合深度学习的机器视觉系统已经成为了机器学习研究中的一个新的领域，深度学习是用于建立、模拟人脑来进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本，尤其是在农业领域方面对于病虫害检测、生长状况监测和产量预测中具有重要作用。
[0004]综上所述，本专利技术基于机器视觉对水稻秧苗进行智能化识别的研究，对当下水稻的种植与生产均具有极其重要的意义，对秧苗进行智能化识别提供有利条件。该研究包括传统机器学习和深度学习。传统机器学习通过提取秧苗图像HOG特征，基于支持向量机SVM对秧苗叶龄期进行检测；深度学习技术通过构建不同深度学习模型构建水稻秧苗不同叶龄期检测模型，选用评价指标来测试传统机器学习模型和深度学习检测模型，选取最优的或合适的构建水稻秧苗智能化识别的网络模型。

技术实现思路

[0005]针对现有技术中存在的技术问题，本专利技术的目的是：提供一种基于机器视觉的水稻秧苗叶龄期识别方法，高效且准确识别水稻秧苗叶龄期。
[0006]为了达到上述目的，本专利技术采用如下技术方案：
[0007]一种基于机器视觉的水稻秧苗叶龄期识别方法，包括如下步骤：
[0008]S1，在水稻秧苗育秧生长周期，人工检测秧苗的叶龄期，并通过无人机采集水稻秧苗图片，并记录秧苗图片对应的人工检测的秧苗叶龄期；
[0009]S2，利用图像预处理技术，构建不同训练集；
[0010]S3，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型；
[0011]S4，采用基于深度学习构建秧苗不同叶龄期检测模型，并对比不同网络模型的检测准确率；
[0012]S5，选用评价指标来测试传统机器学习模型和深度学习检测模型，选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。
[0013]作为一种优选，S1包括如下步骤：
[0014]S11,水稻秧苗育秧模式采用不同的水稻品种、不同的育秧密度和不同的播种日期，水稻秧苗按育秧模式以小区形式种植；
[0015]S12,人工检测水稻秧苗，把秧苗分为不同的叶龄期；秧苗以小区形式种植，采样抽查小区一定数量的秧苗叶龄期，如果抽查的秧苗超过80％属于同一叶龄期，则人工记录该小区秧苗的叶龄期；
[0016]S13,采用彩色无人机在秧苗上空以垂直俯视角度悬停航拍该小区的水稻秧苗图像。
[0017]作为一种优选，S2包括如下步骤：
[0018]S21，通过图像分割秧苗种植区域和非秧苗种植区域，提取秧苗种植区域图像；
[0019]S22，人工裁剪秧苗图像，构建机器视觉叶龄期检测模型的数据集。
[0020]作为一种优选，S21中，非秧苗种植区域包括水田道路；S22中，对无人机采集的不同叶龄期的数据集，按6：2：2的比例划分为训练集、验证集和测试集。
[0021]作为一种优选，S3中，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型，对数据集进行特征提取，通过对特征参数及检测模型参数的调整和优化，结合评价指标，获取最佳检测模型。
[0022]作为一种优选，S3包括如下步骤：
[0023]S31，提取秧苗图像的梯度直方图纹理特征HOG；
[0024]S32，将不同叶龄期秧苗HOG特征的训练集输入支持向量机SVM模型进行训练；
[0025]S33，将验证集和测试集秧苗的HOG特征输入预先构建并训练好的基于支持向量机SVM的叶龄期检测模型，对模型进行评价；
[0026]S34，对HOG特征及支持向量机SVM参数的调整和优化，构建叶龄期检测模型，结合评价指标，获取最佳检测模型；
[0027]S35，输入秧苗HOG特征，并结合支持向量机SVM对水稻秧苗进行不同叶龄期的检测和分类。
[0028]作为一种优选，S4是基于卷积神经网络展开。
[0029]作为一种优选，卷积神经网络包括：VGG、ResNet、DenseNet和EfficientNet。
[0030]作为一种优选，S4包括如下步骤：
[0031]S41，将不同叶龄期秧苗训练集的彩色图像输入深度学习模型进行训练；
[0032]S42，不同叶龄期的秧苗验证集和测试集输入训练后的深度学习模型，对模型进行评价；
[0033]S43，把秧苗彩色图像输入训练后的深度学习模型，进行不同叶龄期的检测和分类。
[0034]作为一种优选，S5中，选用评价指标来测试所选用的模型，采用正确率、精度、召回
率3个指标计算公式：
[0035][0036][0037][0038]式中：TP为正确检测叶龄期的图片数量，FP为被错误检测叶龄期的图片数量，FN为被错误检测为非此叶龄期的图片数量，TN为正确检测非此叶龄期的图片数量。
[0039]本专利技术具有如下优点：
[0040]本专利技术基于无人机平台获取水稻秧苗图像，通过图像预处理技术构建数据集，并结合田间试验人员人工观测采集得到水稻叶龄期数据集。分别采用传统机器视觉技术和深度学习技术对水稻秧苗叶龄期进行检测。在传统机器视觉技术，对秧苗图像提取HOG特征，结合SVM支持向量机实现水稻秧苗叶龄期的检测，构建水稻秧苗叶龄期网络模型。深度学习模型通过对彩色秧苗图像训练构建水稻秧苗叶龄期检测模型。本专利技术实现对不同种类的水稻秧苗、不同地形、不同插秧方式进行深入化的研究，并形成相应的智能化检测系统，若能应用于水稻的生产与管控，将能大大提高收益，对农业气象研究及服务领域具有重要意义。本专利技术能构建水稻秧苗叶龄期智能化识别系统，为后续水稻秧苗研究提供指导分析。
附图说明
[0041]图1为一种基于机器视本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于，包括如下步骤：S1，在水稻秧苗育秧生长周期，人工检测秧苗的叶龄期，并通过无人机采集水稻秧苗图片，并记录秧苗图片对应的人工检测的秧苗叶龄期；S2，利用图像预处理技术，构建不同训练集；S3，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型；S4，采用基于深度学习构建秧苗不同叶龄期检测模型，并对比不同网络模型的检测准确率；S5，选用评价指标来测试传统机器学习模型和深度学习检测模型，选取最优的或合适的构建水稻秧苗叶龄期智能化检测模型。2.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于，S1包括如下步骤：S11,水稻秧苗育秧模式采用不同的水稻品种、不同的育秧密度和不同的播种日期，水稻秧苗按育秧模式以小区形式种植；S12,人工检测水稻秧苗，把秧苗分为不同的叶龄期；秧苗以小区形式种植，采样抽查小区一定数量的秧苗叶龄期，如果抽查的秧苗超过80％属于同一叶龄期，则人工记录该小区秧苗的叶龄期；S13,采用彩色无人机在秧苗上空以垂直俯视角度悬停航拍该小区的水稻秧苗图像。3.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S2包括如下步骤：S21，通过图像分割秧苗种植区域和非秧苗种植区域，提取秧苗种植区域图像；S22，人工裁剪秧苗图像，构建机器视觉叶龄期检测模型的数据集。4.按照权利要求3所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S21中，非秧苗种植区域包括水田道路；S22中，对无人机采集的不同叶龄期的数据集，按6：2：2的比例划分为训练集、验证集和测试集。5.按照权利要求1所述的一种基于机器视觉的水稻秧苗叶龄期识别方法，其特征在于：S3中，采用传统的机器视觉技术，构建水稻秧苗不同叶龄期检测模型，对数据集进行特征提取，通过对特征参数及检测模型参数的调整和优化，结合评价指标，获取最佳检测模型。...

【专利技术属性】
技术研发人员：谭穗妍，刘警斌，马旭，余杰，蓝茂杨，廖冠中，肖庆豪，曾祥威，陈浩文，叶子煜，彭颖童，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：