CN114926752B 用于对无人机遥感图像的玉米苗、杂草检测和计数的方法 （中国科学院合肥物质科学研究院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114926752B(45)授权公告日2025.07.11

(21)申请号202210535029.4

(22)申请日2022.05.17

(65)同一申请的已公布的文献号申请公布号CN114926752A

(43)申请公布日2022.08.19

(73)专利权人中国科学院合肥物质科学研究院地址230031安徽省合肥市蜀山区蜀山湖

路350号

(72)发明人黄河裴昊天孙友强张玮盛佳佳周佳乐

(74)专利代理机构合肥国和专利代理事务所(普通合伙)34131

专利代理师张祥骞

(51)Int.CI.

GO6M11/00(2006.01)

GO6V10/40(2022.01)

GO6V10/774(2022.01)

GO6V20/10(2022.01)

(56)对比文件

裴昊天.基于深度学习的无人机图像玉米杂草检测研究.中国优秀硕士学位论文全文数据

库.2023,全文.

审查员孟阳

GO6V

20/17(2022.01)

权利要求书3页

说明书7页

附图3页

(54)发明名称

用于对无人机遥感图像的玉米苗、杂草检测和计数的方法

(57)摘要

CN114926752B本发明涉及一种用于对无人机遥感图像的玉米苗、杂草检测和计数的方法，包括：采集农田图像，并进行预处理，得到切割后的图像；构建作物行检测模型，并进行掩膜处理，得到只有行间杂草的经掩膜处理后的图像；建立玉米苗、杂草训练样本集；构建玉米苗、杂草检测模型，得到最佳的玉米苗、杂草检测模型；玉米苗、杂草检测和数据分析。本发明充分考虑了田间玉米苗和杂草分布的特征，得到了玉米苗数量远大于杂草数量和玉米苗基本生长在玉米苗行内这两个特征；依据这些特征提出了玉米苗行掩膜处理的方法，此方法解决了对原始图像进行大量玉米苗标注耗

CN114926752B

图像采集

图像切割

作物行数据标

训练作物行检

测模型

YOLOv4-Tiny

测模型

输出掩膜作物行图像

作物行检测和掩膜

玉米苗、杂草检测

玉米苗、杂草

数据标注

训练玉米苗、杂草检测模型

得到玉米苗、杂草检测模型

输出玉米苗、杂草检测图像

CN114926752B权利要求书1/3页

2

1.一种用于对无人机遥感图像的玉米苗、杂草检测和计数的方法，其特征在于：该方法包括下列顺序的步骤：

(1)采集农田图像，并进行预处理：通过无人机拍摄获取高分辨率农田遥感图像，将高分辨率农田遥感图像进行切割，得到切割后的图像；

(2)构建作物行检测模型，并进行掩膜处理：对切割后的图像进行作物行训练样本的制作，得到作物行训练样本集，构建作物行检测模型YOLOv4-Tiny,添加ECA通道注意力模块改进作物行检测模型YOLOv4-Tiny,得到改进的作物行检测模型；将作物行训练样本集输入改进的作物行检测模型进行训练，将切割后的图像输入改进的作物行检测模型，对改进的作物行检测模型输出的图像中的作物行区域进行掩膜处理，得到只有行间杂草的经掩膜处理后的图像；

(3)建立玉米苗、杂草训练样本集：在切割后的图像中选取部分图像，对其中的玉米苗和杂草进行标注；在经掩膜处理后的图像中选取部分图像，对其中的杂草进行标注；选取的切割后的图像和经掩膜处理后的图像的数量比例为3:7,将标注后的切割后的图像和经掩膜处理后的图像组成玉米苗、杂草训练样本集；

(4)构建玉米苗、杂草检测模型：构建玉米苗、杂草检测模型YOLOv4,采用Meta-ACON激活函数、添加CBAM注意力模块、soft-NMS非极大值抑制处理改进玉米苗、杂草检测模型YOLOv4,得到改进后的玉米苗、杂草检测模型，将玉米苗、杂草训练样本集输入改进后的玉米苗、杂草检测模型进行训练，得到最佳的玉米苗、杂草检测模型；

(5)玉米苗、杂草检测和数据分析：将待检测样本输入最佳的玉米苗、杂草检测模型，对待检测样本中的玉米苗和杂草进行识别，得到玉米苗和杂草的分布位置情况，并对玉米苗和杂草进行计数；

所述步骤(4)包括以下步骤：

(4a)构建玉米苗、杂草检测模型YOLOv4;

(4b)在构建的玉米苗、杂草检测模型YOLOv4中引入Meta-ACON激活函数，将玉米苗、杂草检测模型YOLOv4的NECK部分的CBL模块的LeakeyReLU激活函数替换为Meta-ACON激活函数，Meta-AC