本發(fā)明實施例提供一種麥穗計數(shù)方法、裝置及自行走小車，該方法包括：獲取目標區(qū)域麥穗圖像；將所述目標區(qū)域麥穗圖像輸入到訓(xùn)練好的麥穗計數(shù)模型中，輸出得到所述目標區(qū)域麥穗圖像對應(yīng)的麥穗密度圖，以根據(jù)所述麥穗密度圖得到所述目標區(qū)域麥穗圖像中的麥穗數(shù)量；所述訓(xùn)練好的麥穗計數(shù)模型是由具有麥穗標記的樣本區(qū)域麥穗圖像和對應(yīng)的麥穗密度圖，通過改進和新設(shè)計的人群計數(shù)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的。本發(fā)明實施例通過將應(yīng)用于密集人群計數(shù)領(lǐng)域的計數(shù)算法，即多列卷積神經(jīng)網(wǎng)絡(luò)和空洞卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于麥穗計數(shù)研究，提高了麥穗計數(shù)模型的精確度和效率。

技術(shù)領(lǐng)域

本發(fā)明涉及農(nóng)作物圖像識別技術(shù)領(lǐng)域，尤其涉及一種麥穗計數(shù)方法、裝置及自行走小車。

背景技術(shù)

小麥在我國農(nóng)作物中占據(jù)著重要地位，是我國主要糧食作物。大田麥穗計數(shù)是小麥生產(chǎn)過程中的重要環(huán)節(jié)，對于準確的產(chǎn)量預(yù)測至關(guān)重要。目前麥穗人工調(diào)查方法費時費力，具有成本高、調(diào)查范圍小等缺點。如何準確、高效、無損地計數(shù)麥穗，對于小麥生產(chǎn)、育種等具有重要意義。

在現(xiàn)有結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的小麥計數(shù)研究中，張領(lǐng)先等人對圖片中的麥穗、葉片、陰影進行三分類，分類準確率能達到99％，之后使用非最大抑制(Non-MaximumSuppression，簡稱NMS)等方法實現(xiàn)麥穗的定位和計數(shù)。由于無法很好的解決麥穗與葉片相互遮掩的問題，導(dǎo)致麥穗計數(shù)結(jié)果與人工計數(shù)結(jié)果線性擬合的R2僅為0.62，標準均方根誤差(NRMSE)為11.73％。Zhou等人采用簡單線性迭代聚類(Simple Linear IterativeClustering，簡稱SLIC)這種超像素分割算法來對麥穗進行定位，準確率也僅僅在80％左右。Alkhudaydi等人利用全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Networks，簡稱FCN)對麥穗進行計數(shù)，也僅僅能達到平均絕對誤差(Mean Absolute Error，簡稱MAE)為53.0和均方誤差((Mean Squared Error，簡稱MSE)為71.2的結(jié)果。Madec等人則對比了多種網(wǎng)絡(luò)的計數(shù)效果，得到的最優(yōu)平均精確度(Average Precision，簡稱AP)為0.85。由于在小麥麥穗計數(shù)領(lǐng)域，存在小麥麥穗交叉遮掩，以及圖片中呈現(xiàn)出的小麥麥穗尺度不一致的問題，導(dǎo)致現(xiàn)有基于深度學(xué)習的麥穗計數(shù)方法的準確率較低。

因此，現(xiàn)在亟需一種麥穗計數(shù)方法、裝置及自行走小車來解決上述問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明實施例提供一種麥穗計數(shù)方法、裝置及自行走小車。

第一方面，本發(fā)明實施例提供了一種麥穗計數(shù)方法，包括：

獲取目標區(qū)域麥穗圖像；

將所述目標區(qū)域麥穗圖像輸入到訓(xùn)練好的麥穗計數(shù)模型中，輸出得到所述目標區(qū)域麥穗圖像對應(yīng)的麥穗密度圖，以根據(jù)所述麥穗密度圖得到所述目標區(qū)域麥穗圖像中的麥穗數(shù)量；所述訓(xùn)練好的麥穗計數(shù)模型是由具有麥穗標記的樣本區(qū)域麥穗圖像和對應(yīng)的麥穗密度圖，通過改進的人群計數(shù)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的。

進一步地，所述改進的人群計數(shù)卷積神經(jīng)網(wǎng)絡(luò)是基于多列卷積神經(jīng)網(wǎng)絡(luò)和空洞卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建得到的。

進一步地，所述訓(xùn)練好的麥穗計數(shù)模型通過以下步驟獲?。?/p>

獲取樣本區(qū)域麥穗圖像，并對所述樣本區(qū)域麥穗圖像中的麥穗進行標記，得到訓(xùn)練樣本集；

通過高斯核函數(shù)，對所述訓(xùn)練樣本集進行轉(zhuǎn)換，得到對應(yīng)的麥穗密度圖集合；

將所述訓(xùn)練樣本集和所述麥穗密度圖集合輸入到改進的人群計數(shù)卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到訓(xùn)練好的麥穗計數(shù)模型。

進一步地，在獲取樣本區(qū)域麥穗圖像之后，所述方法還包括：

對樣本區(qū)域麥穗圖像進行麥穗標記，得到第一樣本麥穗圖像；

對所述第一樣本麥穗圖像進行預(yù)處理，得到第二樣本麥穗圖像；