前下视图像中农作物穗的检测算法研究

摘要

农作物稳定有序的生产，不仅是人类生存的最基本保障，还是支撑国家经济建设发展的基础。研究如何提高农作物的产量一直以来都是基础性的课题，而麦穗、玉米雄穗等典型农作物的生殖器官和产量直接相关，监测其生长状态是指导农业生产过程中最为关键的环节之一。进入信息时代以来，得益于各种传感器的发展和计算能力的提升，精准农业已经成为现代农业发展的重要方向，借助图像传感器监测农作物生长状态逐渐受到重视。本文重点关注前下视图像中农作物穗的检测算法研究，根据引入人工监督信息由少至多分为无监督穗检测算法、弱监督穗检测算法和强监督穗检测算法，在实际应用中三种算法的人工标注成本也是由少至多。
　　针对没有人工标注信息情况，本文提出了基于超像素和密度聚类的无监督穗检测算法。对一张待检测的农作物图像首先进行超像素分割，将同一个超像素单元内的所有像素当作一个无差别的整体，利用密度聚类把相似的超像素单元聚合在一起，提取属于穗的区域并去除噪声干扰，以分割结果作为检测判据。无监督检测算法虽然不存在人工标注问题，但检测准确率不高，本文进而考虑引入精确的人工标注信息，提出了一种由粗到精的强监督穗检测算法。首先对图像进行初步检测，利用颜色特征从全局视野找到穗潜在区域，为“粗检测”；然后对得到的潜在区域提取低层稠密SIFT特征，并进行FV编码得等到中层特征描述，进一步识别是否含有穗，为“精检测”。强监督检测算法虽然准确率高，但是人工标注样本的代价巨大，所以本文考虑利用弱标签以降低人工标注成本，提出基于多折多示例学习的弱监督穗检测算法。首先从图像中获取穗的候选区域，然后提取CNN特征，送入多示例分类器中，分类得到穗的位置框和标签。
　　无监督穗检测算法不需要人工标注，但是检测结果的准确率低，虚警率高，可以应用在场景不复杂、对精度要求不高且难以进行人工标注的情境下。强监督穗检测算法，比无监督检测算法的准确率高，虚警率低，但是人工标注训练样本的成本非常高，适合于对检测精度要求比较高，背景较为复杂，同时允许花费大量人工标注成本的应用。弱监督穗检测算法是一种折中方案，既引入了监督信息，又大大降低人工标注成本，其检测效果也介于强监督穗检测算法和无监督检测算法之间，适合于对检测结果准确率有一定的要求，有进行人工标注的条件，但又无法承担过大人工标注成本的应用。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 国内外研究概况

1.3 论文的主要研究内容

1.4 论文的结构安排

2 基于超像素和密度聚类的无监督穗检测算法

2.1 无监督穗检测算法流程

2.2 超像素分割划分图像区域

2.3 密度聚类聚合潜在类别

2.4 提取穗所在区域

2.5 实验结果与分析

2.5 本章小结

3 由粗到精的强监督穗检测算法

3.1 强监督穗检测算法流程

3.2 粗检测：获取穗的潜在区域

3.3 精检测：在潜在区域中识别穗

3.4 实验结果与分析

3.5 本章小结

4 基于多折多示例学习的弱监督穗检测算法

4.1 弱监督穗检测算法流程

4.2 图像示例获取算法

4.3 卷积神经网络特征

4.4 多折多示例学习分类图像示例

4.5 实验结果与分析

4.6 本章小结

5 总结与展望

5.1 全文工作总结

5.2 本文主要创新点

5.3 课题展望

致谢

参考文献

附录：攻读硕士学位期间的科研成果