一种基于深度神经网络的杂草检测方法与流程

技术特征：
1.一种基于深度神经网络的杂草检测方法，其特征在于，包括以下步骤：s1、获取原始图像，将原始图像中的农作物进行实例分割标注得到训练图像，构建图像训练集；s2、构建初始神经网络模型；s3、通过图像训练集训练初始神经网络模型，直至初始神经网络模型识别农作物的准确率达到阈值，得到训练后的神经网络模型；s4、通过训练后的神经网络模型识别待识别图像中的农作物，得到通过不同颜色区分农作物与其余物体的输出图像，将输出图像进行二值化，得到图像g1；s5、提取待识别图像的超绿特征，得到由超绿特征构成的灰度图，对由超绿特征构成的灰度图进行二值化，得到图像g2；s6、将图像g2减去图像g1得到图像g3，对图像g3进行去噪，得到图像g4；s7、通过opencv获取图像g4的包围框信息，进而得到别待识别图像中杂草的位置信息和轮廓面积，完成杂草检测。2.根据权利要求1所述的基于深度神经网络的杂草检测方法，其特征在于，步骤s1的具体方法包括以下子步骤：s1
‑
1、在距离地面1米的高度垂直拍摄若干图像，得到原始图像；s1
‑
2、将原始图像剪裁为512
×
512的大小，对裁剪后的图像使用图像增强技术扩充样本数量，并对所有图像加入高斯噪声，得到加噪后的图像；s1
‑
3、对包含有农作物的加噪后的图像进行实例分割标注后的图像作为训练图像，构建图像训练集。3.根据权利要求1所述的基于深度神经网络的杂草检测方法，其特征在于，步骤s2中初始神经网络模型为u
‑
net 模型；其中，u
‑
net 模型包括编码器和解码器，编码器包括依次相连的第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第四最大池化层、第九卷积层和第十卷积层；第一至第十卷积层的大小均为3
×
3，第一至第四最大池化层的大小均为2
×
2；第一卷积层的输入为编码器的输入，即u
‑
net 模型的输入；解码器包括第一上采样反卷积层、第一特征图连接层、第十一卷积层、第十二卷积层、第二上采样反卷积层、第二特征图连接层、第十三卷积层、第十四卷积层、第三上采样反卷积层、第三特征图连接层、第十五卷积层、第十六卷积层、第四上采样反卷积层、第四特征图连接层、第十七卷积层、第十八卷积层和第十九卷积层；其中第十一至第十八卷积层的大小均为3
×
3，第一至第四上采样反卷积层的大小均为2
×
2；第十九卷积层的大小为1
×
1；第一上采样反卷积层的输入端与第十卷积层的输出端相连，第一特征图连接层用于将第一上采样反卷积层和第八卷积层的输出进行拼接；第一特征图连接层与第十一卷积层和第十二卷积层依次相连；第二上采样反卷积层的输入端与第十二卷积层的输出端相连，第二特征图连接层用于将第二上采样反卷积层和第六卷积层的输出进行拼接；第二特征图连接层与第十三卷积层和第十四卷积层依次相连；第三上采样反卷积层的输入端与第十四卷积层的输出端相连，第三特征图连接层用于将第三上采样反卷积层和第四卷积层的输出进行拼接；第三特征图连接层与第十五卷积层
和第十六卷积层依次相连；第四上采样反卷积层的输入端与第十六卷积层的输出端相连，第四特征图连接层用于将第四上采样反卷积层和第二卷积层的输出进行拼接；第四特征图连接层与第十七卷积层、第十八卷积层和第十九卷积层依次相连；第十九卷积层的输出为解码器的输出，即u
‑
net 模型的输出；u
‑
net 模型的损失函数为交叉熵损失函数ω为像素点集合，l(x)表示像素点x的标签值，p
l(x)
(x)表示对像素点使用softmax函数后的结果，log(
·
)表示对数，ω(x)为像素点的权重值，ω
c
(x)表示像素点x平衡类别比例的权值，像素点x所在类别的样本数越多，其平衡类别比例的权值越小，ω0和σ均为常数，exp(
·
)为以自然常数e为底的指数函数，d1(x)表示像素点x到距离其最近的农作物的距离，d2(x)表示像素点x到距离其第二近的农作物的距离，当图像中只有一株植物时，d2(x)为0；当图像中没有农作物时，d1(x)和d2(x)均为0。4.根据权利要求3所述的基于深度神经网络的杂草检测方法，其特征在于，常数ω0的值为10，常数σ的值为5。5.根据权利要求1所述的基于深度神经网络的杂草检测方法，其特征在于，步骤s5中提取待识别图像的超绿特征的具体方法为：根据公式：exg＝2g
‑
b
‑
r获取待识别图像的超绿特征exg；其中r、g和b分别表示待识别图像的rgb颜色空间的分量值。6.根据权利要求1所述的基于深度神经网络的杂草检测方法，其特征在于，步骤s6中对图像g3进行去噪的具体方法为：将图像g3中像素值为1、像素个数小于个数阈值的像素点集中的像素置为0；其中像素点集由连续且像素值相同的像素点构成。7.根据权利要求6所述的基于深度神经网络的杂草检测方法，其特征在于，个数阈值为10。8.根据权利要求1所述的基于深度神经网络的杂草检测方法，其特征在于，步骤s7中通过opencv获取图像g4的包围框信息的具体方法为：通过opencv的findcontours函数获取图像g4的轮廓信息，轮廓信息为一系列连续点构成的点集，每一个点集都是一个轮廓；通过opencv的boundingrect函数求出轮廓点集的包围框信息。

技术总结
本发明公开了一种基于深度神经网络的杂草检测方法，本发明首先采用实例分割在图像上划分出属于农作物的像素点，然后根据超绿特征能够更有效地强化绿色植物特征的特点，把图像二值化，得到图像中所有绿色植物的像素点信息；用所有绿色植物的像素点减去农作物所在的像素点即可得到不是农作物的绿色植物的像素点；最后去掉一些像素点团中像素点数量较少的像素，剩余的像素点中一个像素连通区域即为一株杂草，并获取杂草的位置信息和轮廓信息，为精准农业提供技术支持。精准农业提供技术支持。精准农业提供技术支持。


技术研发人员：朱嘉静 兰荻 刘勇国 张云 李巧勤 杨尚明
受保护的技术使用者：电子科技大学
技术研发日：2021.08.03
技术公布日：2021/10/23