摘 要: 本发明公开了一种基于深度学习目标检测的田间亚麻株数统计方法，步骤包括：1）试拍摄确定飞行速度；2）完整扫描苗田；3）图像拼接；4）将全景图像划分为R行C列共R*C张小图；5）亚麻生长点检测模型训练方法。本方法使用了超低高度、低速扫描，大大提高了拍摄的分辨率，通过截取和拼接中心区域的图像，得到高密植作物的高分辨率正面成像，在此基础上进行目标检测，妥善的处理了密植作物的株数测量问题。
权利要求书
1.一种基于深度学习目标检测的田间亚麻株数统计方法，其特征是，步骤包括：
1）试拍摄确定飞行速度；
2）完整扫描苗田；
3）图像拼接；
4）将全景图像划分为R行C列共R*C张小图；
5）亚麻生长点检测模型训练方法。
2.根据权利要求1所述的基于深度学习目标检测的田间亚麻株数统计方法，其特征是，所述的
1）试拍摄确定飞行速度：
1.1）划定扫描区域，规划一个矩形区域，无人机z字形扫描；
1.2）飞行高度以不低于最高的亚麻植株为准，以低速飞行、恒定帧率拍摄；
1.3）确定画面中心区域，人工浏览任意选择的多张图像，框出正方形的中心区域；
1.4）任意选择两个拍摄时间相邻的图像，确认中心区域有四分之一面积的重叠面积。
3.根据权利要求1所述的基于深度学习目标检测的田间亚麻株数统计方法，其特征是，2）完整扫描苗田：
以试飞时确定的飞行速度V和拍摄帧率h，对苗田进行逐行扫描，行间距为V/h。
4.根据权利要求1所述的基于深度学习目标检测的田间亚麻株数统计方法，其特征是，3）图像拼接：利用时间相邻帧的重叠区域，将所有图像无缝拼接成苗田全景图像。
5.根据权利要求1所述的基于深度学习目标检测的田间亚麻株数统计方法，其特征是，4）将全景图像划分为R行C列共R*C张小图。
6.根据权利要求1所述的基于深度学习目标检测的田间亚麻株数统计方法，其特征是，5）亚麻生长点检测模型训练方法：
每张小图的长宽都在0.8S到1S之间，S单位为像素，调整图大小至SxS送入生长点检测模型，得到每张小图包含的亚麻生长点数量。
7.根据权利要求1所述的基于深度学习目标检测的田间亚麻株数统计方法，其特征是，5）亚麻生长点检测模型训练方法：
收集有差异的中心区域图片，进行人工标注，使用矩形标注出图片内所有的亚麻生长点位置，9∶1划分为训练集和验证集，基于深度学习训练得到生长点检测模型。
技术领域
本发明公开了一种基于深度学习目标检测的田间亚麻株数统计方法。
背景技术
亚麻是（Linum usitatissimum L.）是亚麻科（Linaceae）亚麻属（Linum）一年生草本植物，是重要的纤维和油料作物。与棉和羊毛等天然纤维相比，亚麻纤维具有吸湿性强、机械强度高、低静电等优点，因此常被用作高档服装面料。亚麻籽可用于榨油，亚麻籽油中富含α 亚麻酸，其含量远高于其他油料作物，具有很高的营养价值。因此种植亚麻具有很高的经济效益。
作物株数能够反映作物在田间的种植情况，是影响作物产量的重要因素，可为提前预计作物产量、计算经济效益提供数据支持。采用传统的人工株数测量方式不仅费时费力、效率低，还可能存在误差大的问题。目前已有的基于机器学习的作物株数测量方法多适用于种植密度小、植株高大的作物，例如玉米等。亚麻茎秆纤细，是高密植作物，因此对亚麻植株株数统计方法提出了很高的要求。目前对于亚麻株数的测量尚未有很好的方式。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种基于深度学习目标检测的田间亚麻株数统计方法。
本发明实现目的的技术方案如下：
一种基于深度学习目标检测的田间亚麻株数统计方法，步骤包括：
1）试拍摄确定飞行速度；
2）完整扫描苗田；
3）图像拼接；
4）将全景图像划分为R行C列共R*C张小图；
5）亚麻生长点检测模型训练方法。
所述的
1）试拍摄确定飞行速度：
1.1）划定扫描区域，规划一个矩形区域，无人机z字形扫描；
1.2）飞行高度以不低于最高的亚麻植株为准，以低速飞行、恒定帧率拍摄；
1.3）确定画面中心区域，人工浏览任意选择的多张图像，框出正方形的中心区域；
1.4）任意选择两个拍摄时间相邻的图像，确认中心区域有四分之一面积的重叠面积。
所述的2）完整扫描苗田：
以试飞时确定的飞行速度V和拍摄帧率h，对苗田进行逐行扫描，行间距为V/h。
所述的3）图像拼接：利用时间相邻帧的重叠区域，将所有图像无缝拼接成苗田全景图像。
所述的4）将全景图像划分为R行C列共R*C张小图。
所述的5）亚麻生长点检测模型训练方法：每张小图的长宽都在0.8S到1S之间，S单位为像素，调整图大小至SxS送入生长点检测模型，得到每张小图包含的亚麻生长点数量。
所述的5）亚麻生长点检测模型训练方法：收集有差异的中心区域图片，进行人工标注，使用矩形标注出图片内所有的亚麻生长点位置，9∶1划分为训练集和验证集，基于深度学习训练得到生长点检测模型。
本发明的有益效果是：已有的基于机器学习的作物株数测量方法多适用于种植密度小的作物。本方法使用了超低高度、低速扫描，大大提高了拍摄的分辨率，通过截取和拼接中心区域的图像，得到高密植作物的高分辨率正面成像，在此基础上进行目标检测，妥善的处理了密植作物的株数测量问题。
附图说明
图1是中心区域亚麻检测人工标注示意图。
图1
具体实施方式
下面结合附图和实施例对本发明进一步说明。
一种基于深度学习目标检测的田间亚麻株数统计方法，如下所述：
1.试拍摄确定飞行速度
1.1）划定扫描区域，亚麻苗田一般为矩形，若出现非矩形情况，可以人工规划一个矩形区域把苗田包含进去，方便无人机z字形扫描。
1.2）低速低飞试拍摄。因为亚麻种植密集，无人机需要以低高度以保证分辨率。飞行高度以不低于最高的亚麻植株为准。确定高度后，以低速飞行、恒定帧率拍摄。例如以5m/s，10Hz的设定拍摄。试飞只需拍摄十秒左右。
1.3）确定画面中心区域。因飞行高度限制，相机只能正面拍摄中心区域的生长点，如图1红框所示。人工浏览任意选择的多张图像，框出中心区域，尽量保证划出的中心区域为正方形。取平均值作为最终的中心区域。如果长宽不一致，两者取短作为正方形中心区域的边长。
1.4）任意选择两个拍摄时间相邻的图像，确认它们的中心区域有四分之一面积的重叠面积。若当前速度不满足，降低飞行速度，直至满足重叠要求。
2、完整扫描苗田以试飞时确定的飞行速度V和拍摄帧率h，对苗田进行完整扫描。建议的扫描方式为逐行扫描，行间距为V/h。
3、图像拼接试飞行得到的飞行参数已经保证时间相邻帧的中心区域有四分之一的重叠区域，同一列的中心区域也有四分之一的重叠区域。利用这些重叠区域，将所有图像无缝拼接成苗田全景图像。可用的拼接方法很多，例如开源的OpenCV图像拼接。为提高拼接效率，可以使用拍摄时保存的定位信息，只对邻域内的图片进行拼接。
4、将全景图像划分为R行C列共R*C张小图
每张小图的长宽都在0.8S到1S之间。调整图大小至SxS送入生长点检测模型，得到每张小图包含的亚麻生长点数量。此步骤可以进行多次，例如划分为R±1行C列，R行C±1列等。最后结果取平均值以检测检查误差。其中，S单位为像素，一个可行值为512。
5、亚麻生长点检测模型训练亚麻生长点检查模型使用CenterNet或其他目标检测模型。收集有差异的中心区域图片，建议至少10000张，进行人工标注，使用矩形标注出图片内所有的亚麻生长点位置。将图片按一定比例，例如9∶1划分为训练集和验证集，基于深度学习训练得到生长点检测模型。生长点检测模型接收SxS大小的图片，输出图片中生长点的位置，位置以矩形框表示。具体训练方法在学界和业界已较为成熟，可参考相应文献，此处不赘叙。数据收集和训练步骤只需进行一次，得到的模型可持续使用。
上述描述中的实施方案可以进一步组合或者替换，且实施方案仅仅是对本发明的优选实施例进行描述，并非对本发明的构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域普通技术人员对本发明的技术方案做出的各种变化和改进，均属于本发明的保护范围。本发明的保护范围由所附权利要求及其任何等同物给出。
文章摘自国家发明专利，基于深度学习目标检测的田间亚麻株数统计方法，发明人：柳婷婷，安霞，骆霞虹，陈常理，邹丽娜，李绍翠，朱关林，申请号:202411399880.4，申请日:2024.10.09。
