一種基于深度卷積神經網絡的煙草植株識別方法與流程

本發明涉及煙草種植
技術領域：
，特別是涉及一種基于深度卷積神經網絡的煙草植株識別方法。
背景技術：
：煙草是我國重要的經濟作物，我國的煙草總產量占全世界的41.5％。為了對煙草的種植進行宏觀調控和管理，需要對種植的煙草產量進行準確的估算。傳統的估算方法是通過專業的煙草技術人員到煙草種植現場測量煙草種植面積或者清點煙草的株數來估計，這些方法效率低，準確率低，數據可靠性差。為了提高對煙草植株的數量的測量準確率，煙草技術人員使用無人機航拍技術對煙草植株的數量進行測量，即通過無人機中搭載的傳感器采集煙草種植環境中的圖像，對圖像進行分析，從而識別煙草植株并且計數。上述通過無人機航拍技術得到的圖像中，由于煙草種植環境比較復雜，導致圖像中會有各種各樣的植物，同時煙草植株與植株之間有相互交叉在一起，使得在進行圖像識別時，會丟失原始圖像中煙草植株的信息，從而影響煙草植株的識別效果，導致準確率低。技術實現要素：基于此，本發明的目的是提供一種基于深度卷積神經網絡的煙草植株識別方法，以提高煙草植株的識別準確率。一種基于深度卷積神經網絡的煙草植株識別方法，所述方法包括：整理無人機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行預處理，并將預處理后的所述原始圖像分為訓練樣本和測試樣本；將所述訓練樣本用于深度卷積神經網絡的訓練，并確定所述深度卷積神經網絡中的學習參數；將所述測試樣本輸送到訓練好的所述深度卷積神經網絡中進行識別測試，并將識別結果標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網絡的煙草植株識別方法中，所述將所述訓練樣本用于深度卷積神經網絡的訓練，并確定所述深度卷積神經網絡中的學習參數的步驟，具體包括：建立所述深度卷積神經網絡的結構，并在建立后的所述深度卷積神經網絡中訓練所述訓練樣本；確定建立后的所述深度卷積神經網絡的學習參數。上述基于深度卷積神經網絡的煙草植株識別方法中，所述建立所述深度卷積神經網絡的結構，并在建立后的所述深度卷積神經網絡中訓練所述訓練樣本的步驟中，所述建立所述深度卷積神經網絡的結構具體包括：確定所述深度卷積神經網絡的卷積層的層數、每卷積層的特征圖數，全連接層的層數、每全連接層的特征圖數，池化層的層數，卷積層所用的卷積核的大小，池化層所用的采樣核的大小，以及訓練步長。上述基于深度卷積神經網絡的煙草植株識別方法中，所述確定建立后的所述深度卷積神經網絡的學習參數的步驟，具體為：通過不斷降低價值函數的函數值來學習建立后的所述深度卷積神經網絡的參數，所述價值函數表示為其中，ω是所述深度卷積神經網絡的參數，n是所述訓練樣本的數量，xi是第i個所述訓練樣本的特征向量，yi是第i個所述訓練樣本的標簽，f(·)為激勵函數，l(·)為損失函數。上述基于深度卷積神經網絡的煙草植株識別方法中，所述通過不斷降低價值函數的函數值來學習建立后的所述深度卷積神經網絡的參數的步驟，具體包括：采用隨機梯度下降法降低所述價值函數的函數值；學習建立后的所述深度卷積神經網絡的參數。上述基于深度卷積神經網絡的煙草植株識別方法中，所述隨機梯度下降法是指在每一次迭代中只使用一部分所述訓練樣本(xi，yi)進行學習參數和更新，每一代的學習參數和更新可表示為其中，t表示迭代的次數，α表示學習速率；表示價值函數的偏微分。上述基于深度卷積神經網絡的煙草植株識別方法中，所述迭代的次數t的取值范圍為：[5000,+∞]；所述學習速率α的取值范圍為：[0.0005,0.01]。上述基于深度卷積神經網絡的煙草植株識別方法中，當采用所述隨機梯度下降法進行每一次迭代時，所述深度卷積神經網絡的參數不斷地向局部最優收斂。上述基于深度卷積神經網絡的煙草植株識別方法中，所述對所述圖像庫中的所述原始圖像進行預處理，并將預處理后的所述原始圖像分為訓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通道圖像進行形態學重建，并通過分水嶺分割算法分割出每棵煙草植株的候選區域；將預處理后的所述原始圖像分為訓練樣本和測試樣本。上述基于深度卷積神經網絡的煙草植株識別方法中，每個所述候選區域中包含一棵煙草植株或者不包含煙草植株。相較現有技術，本發明充分利用深度卷積神經網絡的較強的特征學習能力，從而高效準確地識別煙草植株，并準確快速地對煙草植株的產量進行估算。附圖說明圖1為本發明一實施例中提供的基于深度卷積神經網絡的煙草植株識別方法的流程圖；圖2為本發明的實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為本發明中深度卷積神經網絡結構示意圖；圖6為圖4中步驟s132的具體流程圖；圖7為本發明中識別后的煙草植株的樣本圖像。如下具體實施方式將結合上述附圖進一步說明本發明。具體實施方式為了便于理解本發明，下面將參照相關附圖對本發明進行更全面的描述。附圖中給出了本發明的若干實施例。但是，本發明可以以許多不同的形式來實現，并不限于本文所描述的實施例。相反地，提供這些實施例的目的是使對本發明的公開內容更加透徹全面。需要說明的是，當元件被稱為“固設于”另一個元件，它可以直接在另一個元件上或者也可以存在居中的元件。當一個元件被認為是“連接”另一個元件，它可以是直接連接到另一個元件或者可能同時存在居中元件。本文所使用的術語“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和科學術語與屬于本發明的
技術領域：
的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在于限制本發明。本文所使用的術語“及/或”包括一個或多個相關的所列項目的任意的和所有的組合。請參閱圖1，為本發明第一實施例中提供的一種基于深度卷積神經網絡的煙草植株識別方法，包括：步驟s11，整理無人機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行預處理，并將預處理后的所述原始圖像分為訓練樣本和測試樣本；步驟s13，將所述訓練樣本用于深度卷積神經網絡的訓練，并確定所述深度卷積神經網絡中的學習參數；步驟s14，將所述測試樣本輸送到訓練好的所述深度卷積神經網絡中進行識別測試，并將識別結果標記在所述測試樣本中的所述原始圖像中。具體的，本實施例的步驟s11中，采用無人機在煙草種植園的上空進行航拍，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空間轉換到lab空間的目的是為了減小所述原始圖像在復制過程的失真，以提高后期所述原始圖像在處理過程中的準確性。步驟s122，對所述b通道圖像進行形態學重建，并通過分水嶺分割算法分割出每棵煙草植株的候選區域。具體的，本步驟s122中，對所述b通道圖像進行形態學重建的目的是為了降低背景對識別效果的影響。另外，采用分水嶺分割算法，是因為該算法對微弱邊緣具有良好的響應，可以使得所述原始圖像中的噪聲、物體表面細微的灰度變化，都會產生過度分割的現象。需要說明的是，每個所述候選區域中包含一棵煙草植株或者不包含煙草植株。步驟s123，將預處理后的所述原始圖像分為訓練樣本和測試樣本。具體的，本步驟s123中，所述訓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，本實施例的步驟s13，具體包括：步驟s131，建立所述深度卷積神經網絡的結構，并在建立后的所述深度卷積神經網絡中訓練所述訓練樣本。需要說明的是，步驟s131中，所述建立所述深度卷積神經網絡的結構具體包括確定所述深度卷積神經網絡的卷積層的層數、每卷積層的特征圖數，全連接層的層數、每全連接層的特征圖數，池化層的層數，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，本實施例所述深度卷積神經網絡結構中，每個層后面的數字代表每層的特征圖數，下面的括號里面的三個數字分別代表每個層所使用的核的高度、寬度和步長。圖5中，輸入的候選區域的大小為29×29，輸出為該候選區域的類別(1和0)，其中，1代表該候選區域包含有一棵煙草植株，0代表該候選區域不包含煙草植株。從實驗可知，候選區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網絡的學習參數。具體的，在步驟s132中，通過不斷降低價值函數的函數值來學習建立后的所述深度卷積神經網絡的參數，所述價值函數表示為其中，ω是所述深度卷積神經網絡的參數，n是所述訓練樣本的數量，xi是第i個所述訓練樣本的特征向量，yi是第i個所述訓練樣本的標簽，f(·)為激勵函數，l(·)為損失函數。請參閱圖6，所述通過不斷降低價值函數的函數值來學習建立后的所述深度卷積神經網絡的參數的步驟，具體包括：步驟s1321，采用隨機梯度下降法降低所述價值函數的函數值。需要說明的是，在步驟s1321中，所述隨機梯度下降法是指在每一次迭代中只使用一部分所述訓練樣本(xi，yi)進行學習參數和更新，每一代的學習參數和更新可表示為其中，t表示迭代的次數，α表示學習速率；表示價值函數的偏微分。通過實驗可知，所述迭代的次數t的取值范圍為：[5000,+∞]；所述學習速率α的取值范圍為：[0.0005,0.01]。具體的，本實施例的所述隨機梯度下降法中，所述迭代的次數t不超過11100，所述學習速率α為0.0005。其中，所述迭代次數t為11100可以使得深度卷積神經網絡具有更大的可能性收斂到最優值，所述學習速率α為0.0005可以使得深度卷積神經網絡避免錯失最優值。需要說明的是，本實施例中，當采用所述隨機梯度下降法進行每一次迭代時，所述深度卷積神經網絡的參數不斷地向局部最優收斂。步驟s1322，學習建立后的所述深度卷積神經網絡的參數。綜上所述，通過采用本發明的識別方法，本實施例中，7個所述測試樣本的識別結果如表格1所示。其中，圖2中的所述樣本圖像的標識結果如圖7所示。表格1測試樣本上煙草植株的識別結果圖像編號真實數量(株)檢測到的數量(株)準確度測試樣本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個所述測試樣本的準確度都達到了92％以上，由此可見，將本發明中的基于深度卷積神經網絡的煙草植株識別方法，應用于煙草植株的識別中，識別的準確度較高。相較于現有技術，利用本發明中提供的識別方法能夠有效地識別煙草植株，可以幫助煙草種植者準確地對煙草植株的產量進行估算，能夠用于對煙草種植的精確管理。以上所述實施例僅表達了本發明的某種實施方式，其描述較為具體和詳細，但并不能因此而理解為對本發明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬于本發明的保護范圍。因此，本發明專利的保護范圍應以所附權利要求為準。當前第1頁12