一种基于机器学习的杂草与作物识别方法

1.本发明涉及图像识别技术领域，尤其涉及一种基于机器学习的杂草与作物识别方法。


背景技术：

2.田间杂草对目标作物的正常发育有很大的威胁，严重影响着其高产和稳产。现有技术除草有以下问题：
3.1、因为杂草生长随机性的问题，不同的地段种植同一种作物可能会长出不同种类的杂草，这将给自动化除草工作带来很大的困难与挑战。
4.2、很多关于机器学习识别杂草的研究都是只能识别自己采集数据集上面的杂草种类，而数据集之外种类的杂草将无法识别，这将带来很大的局限性，从而导致漏识的问题。
5.3、目前作物的主要除草方式还是采取人工和农药除草为主，人工除草耗费大量的人力物力，然而农药除草将导致土地肥力降低，破坏生态系统平衡等一系列问题，从而很迫切需要一种精准识别的机械化除草方式。


技术实现要素：

6.本发明所要解决的技术问题是：提供一种基于机器学习的杂草与作物识别方法，采用该方法识别准确度较高，而且识别方便。
7.本发明所采用的技术方案是：一种基于机器学习的杂草与作物识别方法，它包括以下步骤：
8.s1、采集不同工况下的作物与杂草混合的图片，对采集的图片进行预处理，然后进行图片增强处理，得到数据集合，然后将数据集合划分为训练集与测试集；
9.s2、采用hsv颜色模型提取训练集中的杂草和作物，然后对作物进行标记；
10.s3、将标记了作物的训练集输入yolo模型进行训练，得到作物识别器；
11.s4、将测试集输入训练好的作物识别器，得到作物所在区域；
12.s5、采用hsv颜色模型提取测试集中的杂草和作物，然后减去步骤s4得到的作物区域，得到杂草区域。
13.作为优选，步骤s5得到杂草区域之后还需要计算杂草数量，然后根据杂草数量计算杂草生长密度，然后根据得到的杂草生长密度计算除草药物喷洒量。
14.作为优选，对杂草进行计数时还需要将杂草区域分为遮挡区与非遮挡区，非遮挡区直接采用连通域快速标记法计算杂草数量，遮挡区首先需要先将遮挡区的图片进行裁剪，然后采用vgg-16神经网络模型计算杂草数量。
15.采用以上方法与现有技术相比，本发明具有以下优点：该种方式将整张图片中的对象分为杂草和作物两个目标对象，因为杂草可能有多种不同的，而作物一般只有一种，所以作物的识别难度是远远低于杂草的识别难度，所以通过识别作物，然后取反的方式得到
杂草，解决了杂草种类繁多而造成的识别模型局限性的问题，进而使得杂草识别比较方便。
附图说明
16.图1为一种基于机器学习的杂草与作物识别方法的流程框图。
具体实施方式
17.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
18.实施例一
19.一种基于机器学习的杂草与作物识别方法，它包括以下步骤：
20.s1、采集不同工况下的作物与杂草混合的图片，主要通过调整采集时的光线情况来调整不同状态下的杂草以及作物图片，对采集的图片进行预处理，然后进行图片增强处理，增强处理主要是将图片进行旋转，这样可以扩充数据，得到数据集合，然后将数据集合划分为训练集与测试集；
21.s2、采用hsv颜色模型提取训练集中的杂草和作物，然后对作物进行标记；主要是通过调整最小的色调值、最大色调值、最小饱和度值、最大饱和度值、最小明度值以及最大明度值这六个参数来将杂草以及作物的组合提取出来，然后因为作物是唯一的，所以将作物进行标记；
22.s3、将标记了作物的训练集输入yolo模型进行训练，得到作物识别器；
23.s4、将测试集输入训练好的作物识别器，得到作物所在区域；
24.s5、采用hsv颜色模型提取测试集中的杂草和作物，然后减去步骤s4得到的作物区域，得到杂草区域；
25.s6、计算杂草数量，然后根据杂草数量计算杂草生长密度，然后根据得到的杂草生长密度计算除草药物喷洒量。
26.其中：
27.yolov3算法以其快速精准的识别效果，被广泛运用在各个领域。将采集的数据集裁剪成416*416大小的图片，经过卷积计算和池化之后得到32倍下采样大小为13*13的特征图，32倍下采样的特征图进行2倍的上采样的结果与32倍下采样的上一层输出结果进行横向连接得到16倍下采样大小为26*26的特征图，16倍下采样的特征图进行2倍的上采样的结果与32倍下采样的上两层输出结果进行横向连接得到8倍下采样大小为52*52的特征图。特征提取后得出13*13、26*26、52*52三个不同尺寸的特征图，最后经过全连接和1*1的卷积计算之后得到三个不同尺寸的尺量向量y；
[0028][0029]
对特征图中的每个方框预测三个不同尺寸的先验框,每个先验框绑定一个锚框，其绑定关系为：
[0030][0031][0032]
其中aw和ah分别为锚框的宽和高，tw和th分别为先验框直接预测出来的宽高，bw和bh分别为转换后预测的实际高和宽；
[0033]
特征向量y中的b
x
和by分别是最终预测输出的预测框的中心坐标，其计算方式为：
[0034]bx
＝σ(t
x
) c
x
[0035]by
＝σ(ty) cy[0036]cx
和cy分别是方格左上方点相对整张图片的坐标，σ是激活函数，其取值范围为(0,1),计算方式：
[0037][0038]
特征向量y中的c1是作物的置信度，c2是杂草的置信度，其计算方式是：
[0039][0040]
其中pr(object)是代表当前检测的预测框中是否有对象的概率，truth代表人工标记框，pred代表预测框，iou代表交并比，其计算为人工标记框和预测框的交集除并集，设定一个iou阈值为0.5，当值大于该阈值表明预测正确，小于该值则预测错误。
[0041]
针对作物检测的评估指标运用混淆举证采用precision(查准率)和(recall)召回率。计算公式分别为：
[0042][0043][0044]
其中tp代表将正样本预测为正样本的数量，fp为将负样本预测为正样本的数量，fn为将正样本预测错误的数量。
[0045]
实施例二：
[0046]
与实施例一的区别在于，实施例二中计算杂草数量时需要先将杂草区域分为遮挡区与非遮挡区，非遮挡区直接采用连通域快速标记法计算杂草数量，遮挡区首先需要先将遮挡区的图片进行裁剪，然后采用vgg-16神经网络模型计算杂草数量。
[0047]
本技术第一阶段检测出作物区域，然后将hsv提取出的杂草和作物的区域减去预测的作物区域，得到杂草区域，得到的图片中只剩下杂草单一对象，最后问题变成二分类问题，检测图像中是杂菜还是背景，将第一阶段输出的图像经过处理之后送到vgg-16网络模型中进行训练并检测，最后通过连通域计数法对图片中该区域识别出的杂草进行精准计数，然而计算杂草的密度从而达到变量精准的喷洒除草药物(即密度大的地方多喷洒，密度小的地方少喷洒，作物上面不喷洒)，在保证作物健康绿色的同时提高作物产量。
[0048]
本技术中采用4邻接，即对应像素位置的上，下，左，右是紧邻的位置，共四个方向。一个连通域是由具有相同像素值的相邻像素组成，将图像二值化处理之后，让每个单独的连通区域形成一个被标识的块，我们就可以获取这些块的轮廓、外接矩形、质心、不变矩等几何参数，通过以上两步可以寻找到图片中的连通域，对找到的每个连通域赋予唯一标识，即每个唯一标识就代表一株草，从而可以达到计数的效果。
[0049]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
[0050]
对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。