基于改进Faster_rcnn模型的农业巡检机器人巡检方法、装置和介质

技术领域

本发明涉及基于改进Faster_rcnn模型的农业巡检机器人巡检方法、装置和介质，属于农业巡检机器人技术领域。

背景技术

传统的农业生产过程中，农民在农田管理中面临着许多技术性挑战。其中之一是对农作物生长环境的精确监测和调控的困难。传统的农业管理方法依赖于人工经验和示意性观察，无法提供准确的数据和实时的监控，这导致了农作物的产量不稳定和农业资源的浪费

发明内容

本发明目的是提供了基于改进Faster_rcnn模型的农业巡检机器人巡检方法、装置和介质，有效提高对农作物识别的精确度，减少了资源浪费。

本发明为实现上述目的，通过以下技术方案实现：

通过巡检机器人采集农作物图像，对图像数据进行预处理分为训练集和测试集；

构建农作物目标检测模型，所述农作物目标检测模型模型为改进的Faster_rcnn模型；

使用训练集数据训练农作物目标检测模型，并通过训练完成的农作物目标检测模型对农作物识别，并判断其所处生长周期；

对识别出的农作物进行指标评价并获取评价值，根据农作物生长周期的数据计算各指标正态分布值，将当前农作物生长周期的的正态分布值提取作为指标值；

将当前的评价值与指标值比较，如果低于指标值则农作物生长异常，如果高于指标值则农作物生长正常。

优选的，所述改进的Faster_rcnn模型将Faster_rcnn模型更换了池化操作残差单元，将池化操作从第一个 1×1 卷积层的位置放到第二个的 3×3 卷积层中。

优选的，所述农作物生长周期包括：返青期、拔节期、抽穗期、灌浆期。

优选的，所述判断农作物生长周期的具体方式如下：

判断农作物目标检测模型检测出的农作物是否抽穗，如果抽穗，则继续判断其抽穗大小，如果是抽穗大小超过指定阈值，则为灌浆期，如果抽穗大小小于指定阈值，则为抽穗期；

如果农作物未抽穗，则继续判断其高度是否超过指定高度阈值，如果超过则为拔节期，如果不超过指定高度阈值，则继续监测其农作物颜色是否为绿色，如果未绿色，则为返青期，如果非绿色则排除当前农作物。

优选的，所述指标值取当前农作物生长周期的的正态分布的

本发明的优点在于：本发明基于改进的Faster_rcnn模型，增强网络对于植物图像的识别能力，有效提高原始模型识别农作物图像的精确度。针对农作物的不同生长周期的的正态分布值作为评价指标，判断该时期植物生长是否良好，有效识别出农作物异常，及时进行干预。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明流程结构示意图。

图2为本发明模型结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示基于改进Faster_rcnn模型的农业巡检机器人巡检方法，通过以下技术方案实现：

S1:通过巡检机器人采集农作物图像，对图像数据进行预处理分为训练集和测试集；

S2:构建农作物目标检测模型，所述农作物目标检测模型模型为改进的Faster_rcnn模型；所述改进的Faster_rcnn模型将Faster_rcnn模型更换了池化操作残差单元，将池化操作从第一个 1×1 卷积层的位置放到第二个的 3×3 卷积层中。

大部分图像的目标区域相对于全图像来说只是占据了较小的一部分，如果在第一个 1×1 的卷积层中进行池化处理，会损失掉较多的特征信息。故将池化操作从第一个 1×1 卷积层的位置放到第二个的 3×3 卷积层中，3×3 的卷积核要比 1×1 的卷积核更大，几乎可以覆盖特征图的全部位置，同时这样的更改也并不影响池化操作自身的作用。

S3:使用训练集数据训练农作物目标检测模型，并通过训练完成的农作物目标检测模型对农作物识别，并判断其所处生长周期；所述农作物生长周期包括：返青期、拔节期、抽穗期、灌浆期。

所述判断农作物生长周期的具体方式如下：

判断农作物目标检测模型检测出的农作物是否抽穗，如果抽穗，则继续判断其抽穗大小，如果是抽穗大小超过指定阈值根据不同农作物统计的平均水平确定，如玉米灌浆期抽穗直径为13-16毫米，所述指定阈值，则为灌浆期，如果抽穗大小小于指定阈值，则为抽穗期；

如果农作物未抽穗，则继续判断其高度是否超过指定高度阈值，所述高度阈值根据不同农作物统计的平均水平确定，如玉米高度阈值为55-60厘米，如果超过则为拔节期，如果不超过指定高度阈值，则继续监测其农作物颜色是否为绿色，如果未绿色，则为返青期，如果非绿色则排除当前农作物。

S4:对识别出的农作物进行指标评价并获取评价值，根据农作物生长周期的数据计算各指标正态分布值，将当前农作物生长周期的的正态分布值提取作为指标值；所述指标值取当前农作物生长周期的的正态分布的

S5:将当前的评价值与指标值比较，如果低于指标值则农作物生长异常，如果高于指标值则农作物生长正常。

本公开实施例还提供一种基于改进Faster_rcnn模型的农业巡检机器人巡检装置，包括处理器（processor）和存储器（memory）。可选地，该装置还可以包括通信接口（Communication Interface）和总线。其中，处理器、通信接口、存储器可以通过总线完成相互间的通信。通信接口可以用于信息传输。处理器可以调用存储器中的逻辑指令，以执行上述实施例的基于改进Faster_rcnn模型的农业巡检机器人巡检方法。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中基于改进Faster_rcnn模型的农业巡检机器人巡检方法。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器。

本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述基于改进Faster_rcnn模型的农业巡检机器人巡检方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。