一种基于深度卷积神经网络的烟草植株识别方法与流程

本发明涉及烟草种植
技术领域：
，特别是涉及一种基于深度卷积神经网络的烟草植株识别方法。
背景技术：
：烟草是我国重要的经济作物，我国的烟草总产量占全世界的41.5％。为了对烟草的种植进行宏观调控和管理，需要对种植的烟草产量进行准确的估算。传统的估算方法是通过专业的烟草技术人员到烟草种植现场测量烟草种植面积或者清点烟草的株数来估计，这些方法效率低，准确率低，数据可靠性差。为了提高对烟草植株的数量的测量准确率，烟草技术人员使用无人机航拍技术对烟草植株的数量进行测量，即通过无人机中搭载的传感器采集烟草种植环境中的图像，对图像进行分析，从而识别烟草植株并且计数。上述通过无人机航拍技术得到的图像中，由于烟草种植环境比较复杂，导致图像中会有各种各样的植物，同时烟草植株与植株之间有相互交叉在一起，使得在进行图像识别时，会丢失原始图像中烟草植株的信息，从而影响烟草植株的识别效果，导致准确率低。技术实现要素：基于此，本发明的目的是提供一种基于深度卷积神经网络的烟草植株识别方法，以提高烟草植株的识别准确率。一种基于深度卷积神经网络的烟草植株识别方法，所述方法包括：整理无人机拍摄烟草植株的原始图像，并建立所述原始图像的图像库；对所述图像库中的所述原始图像进行预处理，并将预处理后的所述原始图像分为训练样本和测试样本；将所述训练样本用于深度卷积神经网络的训练，并确定所述深度卷积神经网络中的学习参数；将所述测试样本输送到训练好的所述深度卷积神经网络中进行识别测试，并将识别结果标记在所述测试样本中的所述原始图像中。上述基于深度卷积神经网络的烟草植株识别方法中，所述将所述训练样本用于深度卷积神经网络的训练，并确定所述深度卷积神经网络中的学习参数的步骤，具体包括：建立所述深度卷积神经网络的结构，并在建立后的所述深度卷积神经网络中训练所述训练样本；确定建立后的所述深度卷积神经网络的学习参数。上述基于深度卷积神经网络的烟草植株识别方法中，所述建立所述深度卷积神经网络的结构，并在建立后的所述深度卷积神经网络中训练所述训练样本的步骤中，所述建立所述深度卷积神经网络的结构具体包括：确定所述深度卷积神经网络的卷积层的层数、每卷积层的特征图数，全连接层的层数、每全连接层的特征图数，池化层的层数，卷积层所用的卷积核的大小，池化层所用的采样核的大小，以及训练步长。上述基于深度卷积神经网络的烟草植株识别方法中，所述确定建立后的所述深度卷积神经网络的学习参数的步骤，具体为：通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数，所述价值函数表示为其中，ω是所述深度卷积神经网络的参数，n是所述训练样本的数量，xi是第i个所述训练样本的特征向量，yi是第i个所述训练样本的标签，f(·)为激励函数，l(·)为损失函数。上述基于深度卷积神经网络的烟草植株识别方法中，所述通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数的步骤，具体包括：采用随机梯度下降法降低所述价值函数的函数值；学习建立后的所述深度卷积神经网络的参数。上述基于深度卷积神经网络的烟草植株识别方法中，所述随机梯度下降法是指在每一次迭代中只使用一部分所述训练样本(xi，yi)进行学习参数和更新，每一代的学习参数和更新可表示为其中，t表示迭代的次数，α表示学习速率；表示价值函数的偏微分。上述基于深度卷积神经网络的烟草植株识别方法中，所述迭代的次数t的取值范围为：[5000,+∞]；所述学习速率α的取值范围为：[0.0005,0.01]。上述基于深度卷积神经网络的烟草植株识别方法中，当采用所述随机梯度下降法进行每一次迭代时，所述深度卷积神经网络的参数不断地向局部最优收敛。上述基于深度卷积神经网络的烟草植株识别方法中，所述对所述图像库中的所述原始图像进行预处理，并将预处理后的所述原始图像分为训练样本和测试样本的步骤，具体包括：将所述图像库中的所述原始图像从rgb空间转换到lab空间，并提取所述lab空间中的b通道图像；对所述b通道图像进行形态学重建，并通过分水岭分割算法分割出每棵烟草植株的候选区域；将预处理后的所述原始图像分为训练样本和测试样本。上述基于深度卷积神经网络的烟草植株识别方法中，每个所述候选区域中包含一棵烟草植株或者不包含烟草植株。相较现有技术，本发明充分利用深度卷积神经网络的较强的特征学习能力，从而高效准确地识别烟草植株，并准确快速地对烟草植株的产量进行估算。附图说明图1为本发明一实施例中提供的基于深度卷积神经网络的烟草植株识别方法的流程图；图2为本发明的实施例的烟草植株的样本图像；图3为图1中步骤s12的具体流程图；图4为图1中步骤s13的具体流程图；图5为本发明中深度卷积神经网络结构示意图；图6为图4中步骤s132的具体流程图；图7为本发明中识别后的烟草植株的样本图像。如下具体实施方式将结合上述附图进一步说明本发明。具体实施方式为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的
技术领域：
的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。请参阅图1，为本发明第一实施例中提供的一种基于深度卷积神经网络的烟草植株识别方法，包括：步骤s11，整理无人机拍摄烟草植株的原始图像，并建立所述原始图像的图像库；步骤s12，对所述图像库中的所述原始图像进行预处理，并将预处理后的所述原始图像分为训练样本和测试样本；步骤s13，将所述训练样本用于深度卷积神经网络的训练，并确定所述深度卷积神经网络中的学习参数；步骤s14，将所述测试样本输送到训练好的所述深度卷积神经网络中进行识别测试，并将识别结果标记在所述测试样本中的所述原始图像中。具体的，本实施例的步骤s11中，采用无人机在烟草种植园的上空进行航拍，以获取烟草植株的原始图像建立图像库。所述图像库中包含14张所述原始图像，每张所述原始图像的大小为4000×3000，所述原始图像请参阅图2。请参阅图3，本实施例的步骤s12，具体包括：步骤s121，将所述图像库中的所述原始图像从rgb空间转换到lab空间，并提取所述lab空间中的b通道图像。具体的，本步骤s121中，将所述原始图像从rgb空间转换到lab空间的目的是为了减小所述原始图像在复制过程的失真，以提高后期所述原始图像在处理过程中的准确性。步骤s122，对所述b通道图像进行形态学重建，并通过分水岭分割算法分割出每棵烟草植株的候选区域。具体的，本步骤s122中，对所述b通道图像进行形态学重建的目的是为了降低背景对识别效果的影响。另外，采用分水岭分割算法，是因为该算法对微弱边缘具有良好的响应，可以使得所述原始图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。需要说明的是，每个所述候选区域中包含一棵烟草植株或者不包含烟草植株。步骤s123，将预处理后的所述原始图像分为训练样本和测试样本。具体的，本步骤s123中，所述训练样本和所述测试样本中分别含有7幅所述原始图像。请参阅图4，本实施例的步骤s13，具体包括：步骤s131，建立所述深度卷积神经网络的结构，并在建立后的所述深度卷积神经网络中训练所述训练样本。需要说明的是，步骤s131中，所述建立所述深度卷积神经网络的结构具体包括确定所述深度卷积神经网络的卷积层的层数、每卷积层的特征图数，全连接层的层数、每全连接层的特征图数，池化层的层数，卷积层所用的卷积核的大小，池化层所用的采样核的大小，以及训练步长。其中，采用的采样核为最大化采样核。请参阅图5，本实施例所述深度卷积神经网络结构中，每个层后面的数字代表每层的特征图数，下面的括号里面的三个数字分别代表每个层所使用的核的高度、宽度和步长。图5中，输入的候选区域的大小为29×29，输出为该候选区域的类别(1和0)，其中，1代表该候选区域包含有一棵烟草植株，0代表该候选区域不包含烟草植株。从实验可知，候选区域的大小也可以选择35×35，31×31，25×25，21×21，17×17。步骤s132，确定建立后的所述深度卷积神经网络的学习参数。具体的，在步骤s132中，通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数，所述价值函数表示为其中，ω是所述深度卷积神经网络的参数，n是所述训练样本的数量，xi是第i个所述训练样本的特征向量，yi是第i个所述训练样本的标签，f(·)为激励函数，l(·)为损失函数。请参阅图6，所述通过不断降低价值函数的函数值来学习建立后的所述深度卷积神经网络的参数的步骤，具体包括：步骤s1321，采用随机梯度下降法降低所述价值函数的函数值。需要说明的是，在步骤s1321中，所述随机梯度下降法是指在每一次迭代中只使用一部分所述训练样本(xi，yi)进行学习参数和更新，每一代的学习参数和更新可表示为其中，t表示迭代的次数，α表示学习速率；表示价值函数的偏微分。通过实验可知，所述迭代的次数t的取值范围为：[5000,+∞]；所述学习速率α的取值范围为：[0.0005,0.01]。具体的，本实施例的所述随机梯度下降法中，所述迭代的次数t不超过11100，所述学习速率α为0.0005。其中，所述迭代次数t为11100可以使得深度卷积神经网络具有更大的可能性收敛到最优值，所述学习速率α为0.0005可以使得深度卷积神经网络避免错失最优值。需要说明的是，本实施例中，当采用所述随机梯度下降法进行每一次迭代时，所述深度卷积神经网络的参数不断地向局部最优收敛。步骤s1322，学习建立后的所述深度卷积神经网络的参数。综上所述，通过采用本发明的识别方法，本实施例中，7个所述测试样本的识别结果如表格1所示。其中，图2中的所述样本图像的标识结果如图7所示。表格1测试样本上烟草植株的识别结果图像编号真实数量(株)检测到的数量(株)准确度测试样本012506248699.2％测试样本022924270192.37％测试样本031660155193.43％测试样本043511351198.87％测试样本053026287094.84％测试样本062658275396.43％测试样本071163122494.75％平均值2442249895.7％从表格1中，可以得出，7个所述测试样本的准确度都达到了92％以上，由此可见，将本发明中的基于深度卷积神经网络的烟草植株识别方法，应用于烟草植株的识别中，识别的准确度较高。相较于现有技术，利用本发明中提供的识别方法能够有效地识别烟草植株，可以帮助烟草种植者准确地对烟草植株的产量进行估算，能够用于对烟草种植的精确管理。以上所述实施例仅表达了本发明的某种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。当前第1页12