一種基于無(wú)人機(jī)監(jiān)測(cè)智能識(shí)別水稻生長(zhǎng)勢(shì)的方法和系統(tǒng) 技術(shù)領(lǐng)域 [0001] 本發(fā)明屬于農(nóng)業(yè)技術(shù)領(lǐng)域，涉及計(jì)算機(jī)視覺(jué)領(lǐng)域技術(shù)，尤其涉及一種基于無(wú)人機(jī)監(jiān)測(cè)智能識(shí)別水稻生長(zhǎng)勢(shì)的方法和系統(tǒng)。 背景技術(shù) [0002] 水稻生長(zhǎng)勢(shì)是評(píng)價(jià)其生長(zhǎng)的重要農(nóng)學(xué)參數(shù)，主要指同一時(shí)期不同品種水稻生長(zhǎng)的繁茂程度或不同時(shí)期同一品種水稻生長(zhǎng)的繁茂程度。早生快發(fā)，對(duì)于生長(zhǎng)盛期抗逆境脅迫、生長(zhǎng)后期為高產(chǎn)提供更多的物質(zhì)轉(zhuǎn)化有重要意義。 [0003] 不同品種的水稻在同一時(shí)期之間的性狀有可比性，同一品種的水稻在不同時(shí)期的性狀具有可比性，不同品種的水稻在不同時(shí)期的性狀不具有可比性。如果就一個(gè)時(shí)期的圖像來(lái)說(shuō)，9級(jí)的肯定是強(qiáng)于1級(jí)的生長(zhǎng)勢(shì)，這是相對(duì)于同一個(gè)起點(diǎn)（從播種開(kāi)始）比較出來(lái)的生長(zhǎng)勢(shì)差異。如果有兩個(gè)時(shí)期的圖像，第二次還是會(huì)按照1?9的標(biāo)準(zhǔn)來(lái)分級(jí)。一種做法是跟第一次圖像一樣，跟播種時(shí)候比，即絕對(duì)生長(zhǎng)勢(shì)。第二種做法是跟第一次比，可以定義為一個(gè)相對(duì)生長(zhǎng)勢(shì)，某個(gè)品種第一次是1級(jí)，第二次也是1級(jí)，那么相對(duì)生長(zhǎng)勢(shì)可以作為1級(jí)（除法）或者0級(jí)（減法），如果第二次是9級(jí)，相對(duì)生長(zhǎng)勢(shì)就是9級(jí)（除法）或者8級(jí)（減法）。目前評(píng)價(jià)生長(zhǎng)勢(shì)主要通過(guò)一個(gè)時(shí)期（大概插秧后2周）來(lái)評(píng)價(jià)的。 [0004] 近幾年，無(wú)人機(jī)在智慧農(nóng)業(yè)中被廣泛應(yīng)用，無(wú)人機(jī)具有機(jī)動(dòng)、靈活的特點(diǎn)，將其搭載攝像頭、傳感器用于農(nóng)田監(jiān)測(cè)不易受天氣影響，對(duì)農(nóng)作物生長(zhǎng)的擾動(dòng)少，且可獲得高分辨率影像，對(duì)輔助農(nóng)田精準(zhǔn)管理具有重要意義。傳統(tǒng)的評(píng)價(jià)生長(zhǎng)勢(shì)的方法需要專(zhuān)業(yè)人員到田間進(jìn)行肉眼識(shí)別，該方法在獲取大范圍、多品種的水稻生長(zhǎng)勢(shì)時(shí)效率低、成本高、誤差大。 [0005] 公開(kāi)號(hào)為CN?110532936?A的發(fā)明專(zhuān)利申請(qǐng)公開(kāi)了一種識(shí)別大田作物長(zhǎng)勢(shì)監(jiān)控圖像中綠色植物的方法及系統(tǒng)，利用影像監(jiān)控器監(jiān)控大田作物生長(zhǎng)過(guò)程，通過(guò)監(jiān)控圖像分割模塊，利用圖像分割程序?qū)Σ杉拇筇镒魑锉O(jiān)控圖像進(jìn)行分割處理，利用識(shí)別程序?qū)Υ筇镒魑飯D像長(zhǎng)勢(shì)進(jìn)行識(shí)別，利用分類(lèi)程序?qū)Υ筇镒魑镱?lèi)型特征進(jìn)行分類(lèi)操作，利用構(gòu)建程序構(gòu)建大田作物生長(zhǎng)模型，利用分析程序?qū)Υ筇镒魑镩L(zhǎng)勢(shì)進(jìn)行分析。該發(fā)明建立了農(nóng)作物的生長(zhǎng)模型，分析了農(nóng)作物生長(zhǎng)過(guò)程中的自然環(huán)境變量、人工變量和生長(zhǎng)狀態(tài)之間的關(guān)聯(lián)性。 [0006] 公開(kāi)號(hào)為CN?115393723?A的發(fā)明專(zhuān)利申請(qǐng)公開(kāi)了一種農(nóng)作物生長(zhǎng)態(tài)勢(shì)監(jiān)測(cè)及病蟲(chóng)害監(jiān)測(cè)系統(tǒng)及方法，包括：獲取農(nóng)作物監(jiān)控高清圖像以及農(nóng)作物種植地的氣象條件數(shù)據(jù)； 進(jìn)行圖像截取，得到完整農(nóng)作物截圖，通過(guò)進(jìn)行模型比對(duì)，識(shí)別單株農(nóng)作物；利用神經(jīng)網(wǎng)絡(luò)模型識(shí)別農(nóng)作物生長(zhǎng)態(tài)勢(shì)；進(jìn)行局部放大處理，進(jìn)行病蟲(chóng)害識(shí)別，將識(shí)別結(jié)果和農(nóng)作物生長(zhǎng)態(tài)勢(shì)發(fā)送至種植人員。該發(fā)明通過(guò)對(duì)圖像進(jìn)行識(shí)別，將實(shí)時(shí)監(jiān)控圖像與預(yù)設(shè)圖像進(jìn)行比對(duì)，確定了農(nóng)作物的生長(zhǎng)態(tài)勢(shì)。 [0007] 盡管現(xiàn)有技術(shù)對(duì)農(nóng)作物生長(zhǎng)勢(shì)監(jiān)測(cè)方法的研究已經(jīng)有了一定的基礎(chǔ)，但現(xiàn)有的農(nóng)作物生長(zhǎng)勢(shì)的預(yù)測(cè)方法通常需要考慮自然環(huán)境變量、氣象條件數(shù)據(jù)以及人工變量等的影響，監(jiān)測(cè)方法較為復(fù)雜，效率低。此外，目前對(duì)水稻生長(zhǎng)勢(shì)監(jiān)測(cè)方法的研究還比較少。 [0008] YOLO神經(jīng)網(wǎng)絡(luò)架構(gòu)，采用了YOLO算法，其全稱(chēng)是You?Only?Look?Once:?Unified,?Real?Time?Object?Detection,You?Only?Look?Once表示只需要一次CNN運(yùn)算，Unified表明這是一個(gè)統(tǒng)一的框架，提供end?to?end的預(yù)測(cè)，而Real?Time體現(xiàn)是Yolo算法速度快，Object?Detection表示目標(biāo)檢測(cè)。YOLOv5是YOLO神經(jīng)網(wǎng)絡(luò)系列的較新版本，其檢測(cè)精度高，速度快，具有極大的實(shí)際應(yīng)用價(jià)值。YOLOv5s又是YOLOv5系列中深度最小，特征圖的寬度最小的網(wǎng)絡(luò)，非常適合用于水稻小區(qū)的檢測(cè)。 [0009] 因此，通過(guò)YOLOv5s神經(jīng)網(wǎng)絡(luò)模型對(duì)水稻的生長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，以解決現(xiàn)有的水稻生長(zhǎng)勢(shì)評(píng)價(jià)方法效率低、成本高、誤差大且較為復(fù)雜的問(wèn)題，對(duì)于水稻的生長(zhǎng)以及后期產(chǎn)量的提高具有重要的科學(xué)指導(dǎo)意義。 發(fā)明內(nèi)容 [0010] 為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于無(wú)人機(jī)監(jiān)測(cè)智能識(shí)別水稻生長(zhǎng)勢(shì)的方法。該方法操作簡(jiǎn)單，可移植性強(qiáng)，能夠?qū)崿F(xiàn)對(duì)田間種植的各品種水稻生長(zhǎng)勢(shì)的精準(zhǔn)識(shí)別。 [0011] 一種基于無(wú)人機(jī)監(jiān)測(cè)智能識(shí)別水稻生長(zhǎng)勢(shì)的方法，包括以下步驟： [0012] S1、獲取水稻小區(qū)圖像，對(duì)水稻小區(qū)圖像進(jìn)行標(biāo)注，得到標(biāo)注的水稻小區(qū)圖像，建立深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)模型，使用標(biāo)注的水稻小區(qū)圖像對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)模型進(jìn)行優(yōu)化訓(xùn)練，將待檢水稻小區(qū)圖像輸入到訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)模型中，檢測(cè)每張水稻小區(qū)圖像中的水稻小區(qū)目標(biāo)框的位置； [0013] S2、選取每張水稻小區(qū)圖像中最大面積的目標(biāo)框，對(duì)目標(biāo)框中的水稻小區(qū)圖像進(jìn)行預(yù)處理；

1.一種基于無(wú)人機(jī)監(jiān)測(cè)智能識(shí)別水稻生長(zhǎng)勢(shì)的方法，其特征在于，包括以下步驟： S1、獲取水稻小區(qū)圖像，對(duì)水稻小區(qū)圖像進(jìn)行標(biāo)注，得到標(biāo)注的水稻小區(qū)圖像，建立深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)模型，使用標(biāo)注的水稻小區(qū)圖像對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)模型進(jìn)行優(yōu)化訓(xùn)練，將待檢水稻小區(qū)圖像輸入到訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)模型中，檢測(cè)每張水稻小區(qū)圖像中的水稻小區(qū)目標(biāo)框的位置； S2、選取每張水稻小區(qū)圖像中最大面積的目標(biāo)框，對(duì)目標(biāo)框中的水稻小區(qū)圖像進(jìn)行預(yù)處理； S3、計(jì)算預(yù)處理后的水稻小區(qū)圖像的植被覆蓋率，按照植被覆蓋率高低判定水稻生長(zhǎng)勢(shì)的級(jí)別； 其中，所述計(jì)算預(yù)處理后的水稻小區(qū)圖像的植被覆蓋率，按照植被覆蓋率高低判定水稻生長(zhǎng)勢(shì)的級(jí)別的具體步驟為： S301、運(yùn)用超綠指數(shù)ExG增強(qiáng)水稻與周?chē)匚锏牟町悾? S302、選取自適應(yīng)閾值方法Otsu對(duì)S301處理后的圖像進(jìn)行二值化處理，得到二值化圖像，二值化圖像中白色像素代表水稻區(qū)域，黑色像素代表背景區(qū)域； S303、根據(jù)二值化圖像中白色區(qū)域的像素值計(jì)算植被覆蓋率； S304、根據(jù)各品種水稻植被覆蓋率的高低，判定水稻生長(zhǎng)勢(shì)的級(jí)別； 所述水稻生長(zhǎng)勢(shì)的級(jí)別分為5個(gè)等級(jí)，所述水稻生長(zhǎng)勢(shì)的級(jí)別的判定步驟為： S3041、計(jì)算所有待測(cè)水稻小區(qū)圖像中植被覆蓋率的最大值max_p； S3042、計(jì)算所有待測(cè)水稻小區(qū)圖像中植被覆蓋率的最小值min_p； S3043、計(jì)算步幅step?=?（max_p???min_p）/5； S3044、判別水稻生長(zhǎng)勢(shì)的級(jí)別； 當(dāng)水稻植被覆蓋率p??n1，水~ 稻生長(zhǎng)勢(shì)級(jí)別為3級(jí)； 當(dāng)min_p?+?n2×step?≤?p??n2，水稻~ 生長(zhǎng)勢(shì)級(jí)別為5級(jí)； 當(dāng)min_p?+?n3×step?≤?p??n3，水稻~ 生長(zhǎng)勢(shì)級(jí)別為7級(jí)； 當(dāng)p?≥?min_p?+?n4×step時(shí)，水稻生長(zhǎng)勢(shì)級(jí)別為9級(jí)。