本發明提供一種田間幼苗期草類識別方法及裝置，將采集的田間幼苗期草類圖像輸入至田間幼苗期草類識別模型，輸出田間幼苗期草類圖像對應的田間幼苗期草類種類，其中，田間幼苗期草類識別模型是將經過初始訓練的InceptionV3模型遷移至田間幼苗期草類樣本圖像集上進行訓練后獲得的。本發明使InceptionV3模型經過初始訓練后直接遷移至田間幼苗期草類樣本圖像集上進行訓練，由于InceptionV3模型經過初始訓練后已經具備了一定的圖像識別能力，因此再遷移到田間幼苗期草類樣本圖像集上進行訓練能提高訓練效率，由此可提高田間幼苗期草類識別模型的訓練效率和識別準確率。

技術領域

本發明涉及深度學習和圖像處理技術領域，尤其涉及一種田間幼苗期草類識別方法及裝置。

背景技術

田間雜草由于會與農作物爭奪陽光和養分，因此對農作物幼苗的危害很大。一般，采用對田間雜草施用農藥來控制田間雜草生長，但是，田間雜草品種多樣，田間雜草在幼苗期與農作物幼苗十分類似，僅靠人眼難以對田間雜草進行區分，并且粗放式的農藥噴灑會造成資源浪費和環境污染，過量的農藥還會危及人類的身體健康，因此對田間草類的快速、精確識別對于去除田間雜草具有十分重要的意義。

傳統的識別雜草的方法有人工識別和遙感識別。其中，人工識別主要依賴主觀經驗，且需耗費大量勞動力，在發生嚴重雜草疫情時無能為力。遙感識別通過采集雜草的光譜信息來鑒別雜草，但是對生長密度小的雜草鑒別效果不理想。

過去幾年，隨著計算機技術在發展機器視覺和圖像處理技術方面取得的重大進展，機器視覺和圖像處理越來越多地應用于生物學、材料科學、攝影和其他領域。許多研究者開始將機器視覺方法用來識別雜草和幼苗，一般是通過提取目標特定圖像特征(Hog，SIFT等)結合傳統分類方法(SVM，ELM等)對雜草進行分類識別，但是這類方法選取的特征易受光照等因素的影響，從而影響最終的識別效果。另外，還可以建立網絡模型來識別雜草和幼苗，例如采用ImageNet圖像數據集驗證數據集上性能很高的InceptionResNetV2深層網絡結構，但是其網絡模型結構復雜、訓練需要大量數據，訓練很耗時，因此也不利于推廣應用。

因此，目前采用的機器視覺識別方法存在識別效果差，或者網絡模型結構復雜，且訓練需要大量的數據，由此導致效率低的問題，不利于推廣應用。

發明內容

針對目前采用的機器視覺識別方法存在識別效果差，或者網絡模型結構復雜，且訓練需要大量的數據，由此導致效率低的問題，本發明實施例提供一種田間幼苗期草類識別方法及裝置。

第一方面，本發明實施例提供一種田間幼苗期草類識別方法，該方法包括：S1、采集田間幼苗期草類圖像；S2、將田間幼苗期草類圖像輸入至田間幼苗期草類識別模型，輸出田間幼苗期草類圖像對應的田間幼苗期草類種類；其中，田間幼苗期草類識別模型是將經過初始訓練的InceptionV3模型遷移至田間幼苗期草類樣本圖像集上進行訓練后獲得的。

優選地，InceptionV3模型的初始訓練是在ImageNet圖像數據集上進行的。

優選地，田間幼苗期草類樣本圖像集為Aarhus標準數據集，Aarhus標準數據集包括12種植物和這12種植物對應的960棵植株，植株處于不同的生長階段。

優選地，將經過初始訓練的InceptionV3模型遷移至田間幼苗期草類樣本圖像集上進行訓練后獲得田間幼苗期草類識別模型，具體包括：田間幼苗期草類樣本圖像集進行預處理后，按照預設比例劃分為訓練集、驗證集和測試集；將經過初始訓練的InceptionV3模型遷移至經過預處理后的田間幼苗期草類樣本圖像集上，利用訓練集訓練InceptionV3模型后，利用驗證集調整InceptionV3模型的網絡參數，使得InceptionV3模型在測試集上的平均分類準確率達到預設準確率，以獲取田間幼苗期草類識別模型。

優選地，預處理依次包括平衡、擴大、平移、旋轉、翻轉、添加噪聲和透視變換操作。