摘  要: 本發(fā)明公開了一種基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，步驟包括：1）試拍攝確定飛行速度；2）完整掃描苗田；3）圖像拼接；4）將全景圖像劃分為R行C列共R*C張小圖；5）亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練方法。本方法使用了超低高度、低速掃描，大大提高了拍攝的分辨率，通過截取和拼接中心區(qū)域的圖像，得到高密植作物的高分辨率正面成像，在此基礎(chǔ)上進(jìn)行目標(biāo)檢測(cè)，妥善的處理了密植作物的株數(shù)測(cè)量問題。

 

權(quán)利要求書

1.一種基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，其特征是，步驟包括：

1）試拍攝確定飛行速度；

2）完整掃描苗田；

3）圖像拼接；

4）將全景圖像劃分為R行C列共R*C張小圖；

5）亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練方法。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，其特征是，所述的

1）試拍攝確定飛行速度：

1.1）劃定掃描區(qū)域，規(guī)劃一個(gè)矩形區(qū)域，無人機(jī)z字形掃描；

1.2）飛行高度以不低于最高的亞麻植株為準(zhǔn)，以低速飛行、恒定幀率拍攝；

1.3）確定畫面中心區(qū)域，人工瀏覽任意選擇的多張圖像，框出正方形的中心區(qū)域；

1.4）任意選擇兩個(gè)拍攝時(shí)間相鄰的圖像，確認(rèn)中心區(qū)域有四分之一面積的重疊面積。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，其特征是，2）完整掃描苗田：

以試飛時(shí)確定的飛行速度V和拍攝幀率h，對(duì)苗田進(jìn)行逐行掃描，行間距為V/h。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，其特征是，3）圖像拼接：利用時(shí)間相鄰幀的重疊區(qū)域，將所有圖像無縫拼接成苗田全景圖像。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，其特征是，4）將全景圖像劃分為R行C列共R*C張小圖。

6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，其特征是，5）亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練方法：

每張小圖的長(zhǎng)寬都在0.8S到1S之間，S單位為像素，調(diào)整圖大小至SxS送入生長(zhǎng)點(diǎn)檢測(cè)模型，得到每張小圖包含的亞麻生長(zhǎng)點(diǎn)數(shù)量。

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，其特征是，5）亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練方法：

收集有差異的中心區(qū)域圖片，進(jìn)行人工標(biāo)注，使用矩形標(biāo)注出圖片內(nèi)所有的亞麻生長(zhǎng)點(diǎn)位置，9∶1劃分為訓(xùn)練集和驗(yàn)證集，基于深度學(xué)習(xí)訓(xùn)練得到生長(zhǎng)點(diǎn)檢測(cè)模型。

 

技術(shù)領(lǐng)域

本發(fā)明公開了一種基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法。

 

背景技術(shù)

亞麻是（Linum usitatissimum L.）是亞麻科（Linaceae）亞麻屬（Linum）一年生草本植物，是重要的纖維和油料作物。與棉和羊毛等天然纖維相比，亞麻纖維具有吸濕性強(qiáng)、機(jī)械強(qiáng)度高、低靜電等優(yōu)點(diǎn)，因此常被用作高檔服裝面料。亞麻籽可用于榨油，亞麻籽油中富含α亞麻酸，其含量遠(yuǎn)高于其他油料作物，具有很高的營(yíng)養(yǎng)價(jià)值。因此種植亞麻具有很高的經(jīng)濟(jì)效益。

作物株數(shù)能夠反映作物在田間的種植情況，是影響作物產(chǎn)量的重要因素，可為提前預(yù)計(jì)作物產(chǎn)量、計(jì)算經(jīng)濟(jì)效益提供數(shù)據(jù)支持。采用傳統(tǒng)的人工株數(shù)測(cè)量方式不僅費(fèi)時(shí)費(fèi)力、效率低，還可能存在誤差大的問題。目前已有的基于機(jī)器學(xué)習(xí)的作物株數(shù)測(cè)量方法多適用于種植密度小、植株高大的作物，例如玉米等。亞麻莖稈纖細(xì)，是高密植作物，因此對(duì)亞麻植株株數(shù)統(tǒng)計(jì)方法提出了很高的要求。目前對(duì)于亞麻株數(shù)的測(cè)量尚未有很好的方式。

 

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法。

本發(fā)明實(shí)現(xiàn)目的的技術(shù)方案如下：

一種基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，步驟包括：

1）試拍攝確定飛行速度；

2）完整掃描苗田；

3）圖像拼接；

4）將全景圖像劃分為R行C列共R*C張小圖；

5）亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練方法。

所述的

1）試拍攝確定飛行速度：

1.1）劃定掃描區(qū)域，規(guī)劃一個(gè)矩形區(qū)域，無人機(jī)z字形掃描；

1.2）飛行高度以不低于最高的亞麻植株為準(zhǔn)，以低速飛行、恒定幀率拍攝；

1.3）確定畫面中心區(qū)域，人工瀏覽任意選擇的多張圖像，框出正方形的中心區(qū)域；

1.4）任意選擇兩個(gè)拍攝時(shí)間相鄰的圖像，確認(rèn)中心區(qū)域有四分之一面積的重疊面積。

所述的2）完整掃描苗田：

以試飛時(shí)確定的飛行速度V和拍攝幀率h，對(duì)苗田進(jìn)行逐行掃描，行間距為V/h。

所述的3）圖像拼接：利用時(shí)間相鄰幀的重疊區(qū)域，將所有圖像無縫拼接成苗田全景圖像。

所述的4）將全景圖像劃分為R行C列共R*C張小圖。

所述的5）亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練方法：每張小圖的長(zhǎng)寬都在0.8S到1S之間，S單位為像素，調(diào)整圖大小至SxS送入生長(zhǎng)點(diǎn)檢測(cè)模型，得到每張小圖包含的亞麻生長(zhǎng)點(diǎn)數(shù)量。

所述的5）亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練方法：收集有差異的中心區(qū)域圖片，進(jìn)行人工標(biāo)注，使用矩形標(biāo)注出圖片內(nèi)所有的亞麻生長(zhǎng)點(diǎn)位置，9∶1劃分為訓(xùn)練集和驗(yàn)證集，基于深度學(xué)習(xí)訓(xùn)練得到生長(zhǎng)點(diǎn)檢測(cè)模型。

本發(fā)明的有益效果是：已有的基于機(jī)器學(xué)習(xí)的作物株數(shù)測(cè)量方法多適用于種植密度小的作物。本方法使用了超低高度、低速掃描，大大提高了拍攝的分辨率，通過截取和拼接中心區(qū)域的圖像，得到高密植作物的高分辨率正面成像，在此基礎(chǔ)上進(jìn)行目標(biāo)檢測(cè)，妥善的處理了密植作物的株數(shù)測(cè)量問題。

 

附圖說明

圖1是中心區(qū)域亞麻檢測(cè)人工標(biāo)注示意圖。

  

圖1

 

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。

一種基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，如下所述：

1.試拍攝確定飛行速度

1.1）劃定掃描區(qū)域，亞麻苗田一般為矩形，若出現(xiàn)非矩形情況，可以人工規(guī)劃一個(gè)矩形區(qū)域把苗田包含進(jìn)去，方便無人機(jī)z字形掃描。

1.2）低速低飛試拍攝。因?yàn)閬喡榉N植密集，無人機(jī)需要以低高度以保證分辨率。飛行高度以不低于最高的亞麻植株為準(zhǔn)。確定高度后，以低速飛行、恒定幀率拍攝。例如以5m/s，10Hz的設(shè)定拍攝。試飛只需拍攝十秒左右。

1.3）確定畫面中心區(qū)域。因飛行高度限制，相機(jī)只能正面拍攝中心區(qū)域的生長(zhǎng)點(diǎn)，如圖1紅框所示。人工瀏覽任意選擇的多張圖像，框出中心區(qū)域，盡量保證劃出的中心區(qū)域?yàn)檎叫巍Ｈ∑骄底鳛樽罱K的中心區(qū)域。如果長(zhǎng)寬不一致，兩者取短作為正方形中心區(qū)域的邊長(zhǎng)。

1.4）任意選擇兩個(gè)拍攝時(shí)間相鄰的圖像，確認(rèn)它們的中心區(qū)域有四分之一面積的重疊面積。若當(dāng)前速度不滿足，降低飛行速度，直至滿足重疊要求。

2、完整掃描苗田以試飛時(shí)確定的飛行速度V和拍攝幀率h，對(duì)苗田進(jìn)行完整掃描。建議的掃描方式為逐行掃描，行間距為V/h。

3、圖像拼接試飛行得到的飛行參數(shù)已經(jīng)保證時(shí)間相鄰幀的中心區(qū)域有四分之一的重疊區(qū)域，同一列的中心區(qū)域也有四分之一的重疊區(qū)域。利用這些重疊區(qū)域，將所有圖像無縫拼接成苗田全景圖像?？捎玫钠唇臃椒ê芏?，例如開源的OpenCV圖像拼接。為提高拼接效率，可以使用拍攝時(shí)保存的定位信息，只對(duì)鄰域內(nèi)的圖片進(jìn)行拼接。

4、將全景圖像劃分為R行C列共R*C張小圖

每張小圖的長(zhǎng)寬都在0.8S到1S之間。調(diào)整圖大小至SxS送入生長(zhǎng)點(diǎn)檢測(cè)模型，得到每張小圖包含的亞麻生長(zhǎng)點(diǎn)數(shù)量。此步驟可以進(jìn)行多次，例如劃分為R±1行C列，R行C±1列等。最后結(jié)果取平均值以檢測(cè)檢查誤差。其中，S單位為像素，一個(gè)可行值為512。

5、亞麻生長(zhǎng)點(diǎn)檢測(cè)模型訓(xùn)練亞麻生長(zhǎng)點(diǎn)檢查模型使用CenterNet或其他目標(biāo)檢測(cè)模型。收集有差異的中心區(qū)域圖片，建議至少10000張，進(jìn)行人工標(biāo)注，使用矩形標(biāo)注出圖片內(nèi)所有的亞麻生長(zhǎng)點(diǎn)位置。將圖片按一定比例，例如9∶1劃分為訓(xùn)練集和驗(yàn)證集，基于深度學(xué)習(xí)訓(xùn)練得到生長(zhǎng)點(diǎn)檢測(cè)模型。生長(zhǎng)點(diǎn)檢測(cè)模型接收SxS大小的圖片，輸出圖片中生長(zhǎng)點(diǎn)的位置，位置以矩形框表示。具體訓(xùn)練方法在學(xué)界和業(yè)界已較為成熟，可參考相應(yīng)文獻(xiàn)，此處不贅敘。數(shù)據(jù)收集和訓(xùn)練步驟只需進(jìn)行一次，得到的模型可持續(xù)使用。

上述描述中的實(shí)施方案可以進(jìn)一步組合或者替換，且實(shí)施方案僅僅是對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行描述，并非對(duì)本發(fā)明的構(gòu)思和范圍進(jìn)行限定，在不脫離本發(fā)明設(shè)計(jì)思想的前提下，本領(lǐng)域普通技術(shù)人員對(duì)本發(fā)明的技術(shù)方案做出的各種變化和改進(jìn)，均屬于本發(fā)明的保護(hù)范圍。本發(fā)明的保護(hù)范圍由所附權(quán)利要求及其任何等同物給出。

 

文章摘自國(guó)家發(fā)明專利，基于深度學(xué)習(xí)目標(biāo)檢測(cè)的田間亞麻株數(shù)統(tǒng)計(jì)方法，發(fā)明人：柳婷婷，安霞，駱霞虹，陳常理，鄒麗娜，李紹翠，朱關(guān)林，申請(qǐng)?zhí)?/font>:202411399880.4，申請(qǐng)日:2024.10.09。