本發(fā)明涉及煙草種植
技術(shù)領(lǐng)域:
,特別是涉及一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法。
背景技術(shù):
:煙草是我國重要的經(jīng)濟(jì)作物,我國的煙草總產(chǎn)量占全世界的41.5%。為了對煙草的種植進(jìn)行宏觀調(diào)控和管理,需要對種植的煙草產(chǎn)量進(jìn)行準(zhǔn)確的估算。傳統(tǒng)的估算方法是通過專業(yè)的煙草技術(shù)人員到煙草種植現(xiàn)場測量煙草種植面積或者清點(diǎn)煙草的株數(shù)來估計(jì),這些方法效率低,準(zhǔn)確率低,數(shù)據(jù)可靠性差。為了提高對煙草植株的數(shù)量的測量準(zhǔn)確率,煙草技術(shù)人員使用無人機(jī)航拍技術(shù)對煙草植株的數(shù)量進(jìn)行測量,即通過無人機(jī)中搭載的傳感器采集煙草種植環(huán)境中的圖像,對圖像進(jìn)行分析,從而識(shí)別煙草植株并且計(jì)數(shù)。上述通過無人機(jī)航拍技術(shù)得到的圖像中,由于煙草種植環(huán)境比較復(fù)雜,導(dǎo)致圖像中會(huì)有各種各樣的植物,同時(shí)煙草植株與植株之間有相互交叉在一起,使得在進(jìn)行圖像識(shí)別時(shí),會(huì)丟失原始圖像中煙草植株的信息,從而影響煙草植株的識(shí)別效果,導(dǎo)致準(zhǔn)確率低。技術(shù)實(shí)現(xiàn)要素:基于此,本發(fā)明的目的是提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法,以提高煙草植株的識(shí)別準(zhǔn)確率。一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法,所述方法包括:整理無人機(jī)拍攝煙草植株的原始圖像,并建立所述原始圖像的圖像庫;對所述圖像庫中的所述原始圖像進(jìn)行預(yù)處理,并將預(yù)處理后的所述原始圖像分為訓(xùn)練樣本和測試樣本;將所述訓(xùn)練樣本用于深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,并確定所述深度卷積神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)參數(shù);將所述測試樣本輸送到訓(xùn)練好的所述深度卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別測試,并將識(shí)別結(jié)果標(biāo)記在所述測試樣本中的所述原始圖像中。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,所述將所述訓(xùn)練樣本用于深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,并確定所述深度卷積神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)參數(shù)的步驟,具體包括:建立所述深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并在建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練所述訓(xùn)練樣本;確定建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,所述建立所述深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并在建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練所述訓(xùn)練樣本的步驟中,所述建立所述深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)具體包括:確定所述深度卷積神經(jīng)網(wǎng)絡(luò)的卷積層的層數(shù)、每卷積層的特征圖數(shù),全連接層的層數(shù)、每全連接層的特征圖數(shù),池化層的層數(shù),卷積層所用的卷積核的大小,池化層所用的采樣核的大小,以及訓(xùn)練步長。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,所述確定建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)的步驟,具體為:通過不斷降低價(jià)值函數(shù)的函數(shù)值來學(xué)習(xí)建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù),所述價(jià)值函數(shù)表示為其中,ω是所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù),n是所述訓(xùn)練樣本的數(shù)量,xi是第i個(gè)所述訓(xùn)練樣本的特征向量,yi是第i個(gè)所述訓(xùn)練樣本的標(biāo)簽,f(·)為激勵(lì)函數(shù),l(·)為損失函數(shù)。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,所述通過不斷降低價(jià)值函數(shù)的函數(shù)值來學(xué)習(xí)建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的步驟,具體包括:采用隨機(jī)梯度下降法降低所述價(jià)值函數(shù)的函數(shù)值;學(xué)習(xí)建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,所述隨機(jī)梯度下降法是指在每一次迭代中只使用一部分所述訓(xùn)練樣本(xi,yi)進(jìn)行學(xué)習(xí)參數(shù)和更新,每一代的學(xué)習(xí)參數(shù)和更新可表示為其中,t表示迭代的次數(shù),α表示學(xué)習(xí)速率;表示價(jià)值函數(shù)的偏微分。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,所述迭代的次數(shù)t的取值范圍為:[5000,+∞];所述學(xué)習(xí)速率α的取值范圍為:[0.0005,0.01]。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,當(dāng)采用所述隨機(jī)梯度下降法進(jìn)行每一次迭代時(shí),所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)不斷地向局部最優(yōu)收斂。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,所述對所述圖像庫中的所述原始圖像進(jìn)行預(yù)處理,并將預(yù)處理后的所述原始圖像分為訓(xùn)練樣本和測試樣本的步驟,具體包括:將所述圖像庫中的所述原始圖像從rgb空間轉(zhuǎn)換到lab空間,并提取所述lab空間中的b通道圖像;對所述b通道圖像進(jìn)行形態(tài)學(xué)重建,并通過分水嶺分割算法分割出每棵煙草植株的候選區(qū)域;將預(yù)處理后的所述原始圖像分為訓(xùn)練樣本和測試樣本。上述基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法中,每個(gè)所述候選區(qū)域中包含一棵煙草植株或者不包含煙草植株。相較現(xiàn)有技術(shù),本發(fā)明充分利用深度卷積神經(jīng)網(wǎng)絡(luò)的較強(qiáng)的特征學(xué)習(xí)能力,從而高效準(zhǔn)確地識(shí)別煙草植株,并準(zhǔn)確快速地對煙草植株的產(chǎn)量進(jìn)行估算。附圖說明圖1為本發(fā)明一實(shí)施例中提供的基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法的流程圖;圖2為本發(fā)明的實(shí)施例的煙草植株的樣本圖像;圖3為圖1中步驟s12的具體流程圖;圖4為圖1中步驟s13的具體流程圖;圖5為本發(fā)明中深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖;圖6為圖4中步驟s132的具體流程圖;圖7為本發(fā)明中識(shí)別后的煙草植株的樣本圖像。如下具體實(shí)施方式將結(jié)合上述附圖進(jìn)一步說明本發(fā)明。具體實(shí)施方式為了便于理解本發(fā)明,下面將參照相關(guān)附圖對本發(fā)明進(jìn)行更全面的描述。附圖中給出了本發(fā)明的若干實(shí)施例。但是,本發(fā)明可以以許多不同的形式來實(shí)現(xiàn),并不限于本文所描述的實(shí)施例。相反地,提供這些實(shí)施例的目的是使對本發(fā)明的公開內(nèi)容更加透徹全面。需要說明的是,當(dāng)元件被稱為“固設(shè)于”另一個(gè)元件,它可以直接在另一個(gè)元件上或者也可以存在居中的元件。當(dāng)一個(gè)元件被認(rèn)為是“連接”另一個(gè)元件,它可以是直接連接到另一個(gè)元件或者可能同時(shí)存在居中元件。本文所使用的術(shù)語“垂直的”、“水平的”、“左”、“右”以及類似的表述只是為了說明的目的。除非另有定義,本文所使用的所有的技術(shù)和科學(xué)術(shù)語與屬于本發(fā)明的
技術(shù)領(lǐng)域:
的技術(shù)人員通常理解的含義相同。本文中在本發(fā)明的說明書中所使用的術(shù)語只是為了描述具體的實(shí)施例的目的,不是旨在于限制本發(fā)明。本文所使用的術(shù)語“及/或”包括一個(gè)或多個(gè)相關(guān)的所列項(xiàng)目的任意的和所有的組合。請參閱圖1,為本發(fā)明第一實(shí)施例中提供的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法,包括:步驟s11,整理無人機(jī)拍攝煙草植株的原始圖像,并建立所述原始圖像的圖像庫;步驟s12,對所述圖像庫中的所述原始圖像進(jìn)行預(yù)處理,并將預(yù)處理后的所述原始圖像分為訓(xùn)練樣本和測試樣本;步驟s13,將所述訓(xùn)練樣本用于深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,并確定所述深度卷積神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)參數(shù);步驟s14,將所述測試樣本輸送到訓(xùn)練好的所述深度卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別測試,并將識(shí)別結(jié)果標(biāo)記在所述測試樣本中的所述原始圖像中。具體的,本實(shí)施例的步驟s11中,采用無人機(jī)在煙草種植園的上空進(jìn)行航拍,以獲取煙草植株的原始圖像建立圖像庫。所述圖像庫中包含14張所述原始圖像,每張所述原始圖像的大小為4000×3000,所述原始圖像請參閱圖2。請參閱圖3,本實(shí)施例的步驟s12,具體包括:步驟s121,將所述圖像庫中的所述原始圖像從rgb空間轉(zhuǎn)換到lab空間,并提取所述lab空間中的b通道圖像。具體的,本步驟s121中,將所述原始圖像從rgb空間轉(zhuǎn)換到lab空間的目的是為了減小所述原始圖像在復(fù)制過程的失真,以提高后期所述原始圖像在處理過程中的準(zhǔn)確性。步驟s122,對所述b通道圖像進(jìn)行形態(tài)學(xué)重建,并通過分水嶺分割算法分割出每棵煙草植株的候選區(qū)域。具體的,本步驟s122中,對所述b通道圖像進(jìn)行形態(tài)學(xué)重建的目的是為了降低背景對識(shí)別效果的影響。另外,采用分水嶺分割算法,是因?yàn)樵撍惴▽ξ⑷踹吘壘哂辛己玫捻憫?yīng),可以使得所述原始圖像中的噪聲、物體表面細(xì)微的灰度變化,都會(huì)產(chǎn)生過度分割的現(xiàn)象。需要說明的是,每個(gè)所述候選區(qū)域中包含一棵煙草植株或者不包含煙草植株。步驟s123,將預(yù)處理后的所述原始圖像分為訓(xùn)練樣本和測試樣本。具體的,本步驟s123中,所述訓(xùn)練樣本和所述測試樣本中分別含有7幅所述原始圖像。請參閱圖4,本實(shí)施例的步驟s13,具體包括:步驟s131,建立所述深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),并在建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練所述訓(xùn)練樣本。需要說明的是,步驟s131中,所述建立所述深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)具體包括確定所述深度卷積神經(jīng)網(wǎng)絡(luò)的卷積層的層數(shù)、每卷積層的特征圖數(shù),全連接層的層數(shù)、每全連接層的特征圖數(shù),池化層的層數(shù),卷積層所用的卷積核的大小,池化層所用的采樣核的大小,以及訓(xùn)練步長。其中,采用的采樣核為最大化采樣核。請參閱圖5,本實(shí)施例所述深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,每個(gè)層后面的數(shù)字代表每層的特征圖數(shù),下面的括號(hào)里面的三個(gè)數(shù)字分別代表每個(gè)層所使用的核的高度、寬度和步長。圖5中,輸入的候選區(qū)域的大小為29×29,輸出為該候選區(qū)域的類別(1和0),其中,1代表該候選區(qū)域包含有一棵煙草植株,0代表該候選區(qū)域不包含煙草植株。從實(shí)驗(yàn)可知,候選區(qū)域的大小也可以選擇35×35,31×31,25×25,21×21,17×17。步驟s132,確定建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)。具體的,在步驟s132中,通過不斷降低價(jià)值函數(shù)的函數(shù)值來學(xué)習(xí)建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù),所述價(jià)值函數(shù)表示為其中,ω是所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù),n是所述訓(xùn)練樣本的數(shù)量,xi是第i個(gè)所述訓(xùn)練樣本的特征向量,yi是第i個(gè)所述訓(xùn)練樣本的標(biāo)簽,f(·)為激勵(lì)函數(shù),l(·)為損失函數(shù)。請參閱圖6,所述通過不斷降低價(jià)值函數(shù)的函數(shù)值來學(xué)習(xí)建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)的步驟,具體包括:步驟s1321,采用隨機(jī)梯度下降法降低所述價(jià)值函數(shù)的函數(shù)值。需要說明的是,在步驟s1321中,所述隨機(jī)梯度下降法是指在每一次迭代中只使用一部分所述訓(xùn)練樣本(xi,yi)進(jìn)行學(xué)習(xí)參數(shù)和更新,每一代的學(xué)習(xí)參數(shù)和更新可表示為其中,t表示迭代的次數(shù),α表示學(xué)習(xí)速率;表示價(jià)值函數(shù)的偏微分。通過實(shí)驗(yàn)可知,所述迭代的次數(shù)t的取值范圍為:[5000,+∞];所述學(xué)習(xí)速率α的取值范圍為:[0.0005,0.01]。具體的,本實(shí)施例的所述隨機(jī)梯度下降法中,所述迭代的次數(shù)t不超過11100,所述學(xué)習(xí)速率α為0.0005。其中,所述迭代次數(shù)t為11100可以使得深度卷積神經(jīng)網(wǎng)絡(luò)具有更大的可能性收斂到最優(yōu)值,所述學(xué)習(xí)速率α為0.0005可以使得深度卷積神經(jīng)網(wǎng)絡(luò)避免錯(cuò)失最優(yōu)值。需要說明的是,本實(shí)施例中,當(dāng)采用所述隨機(jī)梯度下降法進(jìn)行每一次迭代時(shí),所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)不斷地向局部最優(yōu)收斂。步驟s1322,學(xué)習(xí)建立后的所述深度卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)。綜上所述,通過采用本發(fā)明的識(shí)別方法,本實(shí)施例中,7個(gè)所述測試樣本的識(shí)別結(jié)果如表格1所示。其中,圖2中的所述樣本圖像的標(biāo)識(shí)結(jié)果如圖7所示。表格1測試樣本上煙草植株的識(shí)別結(jié)果圖像編號(hào)真實(shí)數(shù)量(株)檢測到的數(shù)量(株)準(zhǔn)確度測試樣本012506248699.2%測試樣本022924270192.37%測試樣本031660155193.43%測試樣本043511351198.87%測試樣本053026287094.84%測試樣本062658275396.43%測試樣本071163122494.75%平均值2442249895.7%從表格1中,可以得出,7個(gè)所述測試樣本的準(zhǔn)確度都達(dá)到了92%以上,由此可見,將本發(fā)明中的基于深度卷積神經(jīng)網(wǎng)絡(luò)的煙草植株識(shí)別方法,應(yīng)用于煙草植株的識(shí)別中,識(shí)別的準(zhǔn)確度較高。相較于現(xiàn)有技術(shù),利用本發(fā)明中提供的識(shí)別方法能夠有效地識(shí)別煙草植株,可以幫助煙草種植者準(zhǔn)確地對煙草植株的產(chǎn)量進(jìn)行估算,能夠用于對煙草種植的精確管理。以上所述實(shí)施例僅表達(dá)了本發(fā)明的某種實(shí)施方式,其描述較為具體和詳細(xì),但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是,對于本領(lǐng)域的普通技術(shù)人員來說,在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干變形和改進(jìn),這些都屬于本發(fā)明的保護(hù)范圍。因此,本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。當(dāng)前第1頁12