技术领域
[0001] 本
发明涉及用于铁道除草车的除草系统、铁道除草车、使用铁道除草车对列车轨道除草的方法、以及校准这种除草系统的方法。
背景技术
[0002] 特别地，本发明涉及铁道除草车。铁道除草车可采用
杂草喷雾器列车或公路铁路两用车的形式，其上安装有具有喷雾器，以及填充有适于消灭沿铁轨杂草的
除草剂的化学罐的定制喷雾系统。
[0003] 为了减少除草操作的环境影响以及成本，铁道除草车可配置有对
植物绿色敏感的光学
传感器。然后，当地面上检测到预先确定的绿色
阈值时，可以指示喷雾系统仅打开
喷嘴。文献DE-4132637描述了这种改进的铁道除草车。
[0004] 这种系统的一个缺点是其对杂草种类不敏感，因此，不能用不同除草剂处理不同种类的杂草。
[0005] 文献WO-99/17606、EP-1521885-B1和EP-1875005-B1描述了这种系统的改进，其中杂草种类的识别通过杂草发射光的
光谱分析与形状识别
算法实施，其中形状识别算法将所观察到的杂草形状与存储在杂草
数据库中的形状进行对比。
[0006] 这种系统存在多个阻碍其实际使用的缺点。
[0007] 首先，虽然可以在实验室条件下表征杂草发射光光谱，但植物的光谱反射在自然条件下变化很大，这取决于杂草种类和
土壤变异。天然存在的杂草具有各种种类，其与工业生长的杂草有很大不同。土壤组成也对杂草的
颜色及其光谱反射有很大的影响。因此，杂草的发射光光谱通常不能用作区分杂草种类的可靠标准。
[0008] 其次，鉴于杂草种类的多样性，杂草形状数据库必须非常大，以存储所有不同的形状变化(幼小杂草形状、高龄杂草形状、每个亚种类形状......)。因此，将所观察到的杂草形状与存储在杂草形状数据库中的形状进行比较的形状识别算法非常慢，因为必须通过大型数据库进行扫描。
[0009] 第三，杂草发射光的光谱分析需要
亮度级，而当亮度低时，这种系统的使用变得困难，特别是在停止日间日常交通进行铁道除草的夜间。较低亮度和铁道车速度，会引起绿色检测噪声问题，这对所获取图像的清晰度以及可根据所获取图像应用的过程具有负面影响。
[0010] 因此，铁道除草车只能以极低速度行进，以为杂草识别算法提供足够时间来处理由摄像头获取的图像和识别杂草种类。
[0011] 因此，需要一种能够以较高速度和较高
精度识别杂草种类的除草系统。
[0012] 本发明尤其旨在改善这种情况。
发明内容
[0013] 为此，根据本发明，这种用于铁道除草车的除草系统包括：
[0014] *至少一个摄像头，适于安装在铁道车上，以在所述铁道车于铁轨上行进时采集一部分铁轨的图像，所述图像包括
像素值的矩阵，
[0015] *喷雾装置，适于安装在所述铁道车上，并包括
[0016] -至少两个供给模
块，每个供给模块包括化学
试剂槽和
电子输送
阀，
[0017] -至少一个喷嘴，从至少一个所述供给模块喷洒化学试剂，及
[0018] -
控制器模块，其能够接收杂草种类检测
信号，并根据所述杂草种类检测信号，通过所述至少一个喷嘴从所述供给模块中的至少一个模块进行化学试剂喷洒。
[0019] 除草系统的特征在于，其进一步包括：
[0020] *杂草种类识别装置，包括：
[0021] -通信模块，能够接收由摄像头获得的图像，并将杂草种类检测信号发送至除草系统的喷雾装置的控制器模块，
[0023] -处理模块，包括多个并行处理核，
[0024] 每个并行处理核能够在从图像的附近像素构建的子矩阵和处理装置的存储器中存储的预先确定的
内核之间进行至少一个卷积运算，以获得图像像素值的特征表示子矩阵。
[0025] 处理模块能够从并行处理核构建的特征表示子矩阵构建的图像特征表示矩阵，计算杂草种类数据库中杂草种类存在的至少一个可能性，并根据存在的所述至少一个可能性生成杂草种类检测信号。
[0026] 因此，在对杂草种类进行识别时及时考虑多个特征，例如：图像中杂草种类的形状、纹理、颜色和/或
位置，这要归功于使用多个操作的上述“
人工智能”实现，包括涉及内核的至少一个卷积运算。
[0027] 相反，仅基于颜色的简单检测存在缺点。实际上，白天和夜晚之间亮度的差异，使得只用颜色检测区分杂草种类几乎不可行，因此需要使用其他特征。
[0028] 利用这些特征，可高速实现杂草种类的识别，并具有良好的准确度。并行处理和卷积运算允许对杂草种类的分布式和准确识别。
[0029] 为此，本发明的第一个目标是用于铁道除草车的除草系统，包括：
[0030] 至少一个摄像头，适于安装在铁道车上，以在所述铁道车于铁轨上行进时采集一部分铁轨的图像，所述图像包括像素值的矩阵，
[0031] 喷雾装置，适于安装在所述铁道车上，并包括：
[0032] 至少两个供给模块，每个供给模块包括化学试剂槽和电子输送阀，
[0033] 至少一个喷嘴，从至少一个所述供给模块喷洒化学试剂，及
[0034] 控制器模块，其能够接收杂草种类检测信号，并根据所述杂草种类检测信号，通过所述至少一个喷嘴从所述供给模块中的至少一个模块进行化学试剂喷洒。
[0035] 除草系统进一步包括杂草种类识别装置，其包括：
[0036] 通信模块，能够接收由摄像头获得的图像，并将杂草种类检测信号发送至除草系统的喷雾装置的控制器模块，
[0037] 存储器模块，能够存储所述图像，及
[0038] 处理模块，包括多个并行处理核，
[0039] 每个并行处理核能够在从图像的附近像素构建的子矩阵和处理装置存储器中存储的预先确定的内核之间进行至少一个卷积运算，以获得图像的像素值的特征表示子矩阵，
[0040] 处理模块能够从通过并行处理核构建的特征表示子矩阵构建的图像的特征表示矩阵，能够计算杂草种类数据库中杂草种类存在的至少一个可能性，并根据存在的所述至少一个可能性生成杂草种类检测信号。
[0041] 在某些
实施例中，也可能使用以下一个或多个特征：
[0042] -喷雾装置和摄像头与在铁道车上的另一个喷雾装置和摄像头相互间隔开，间隔距离为沿铁道车纵向轴线的分隔距离ds，
[0043] 杂草种类识别装置能够根据具有延迟时间tl的摄像头采集的图像，生成杂草种类检测信号。
[0044] 所述分隔距离ds和所述延迟时间tl满足ds/(tl+tp)>v，其中v是在铁轨上行进的铁道除草车的速度，以及tp是喷雾装置的处理时间，
[0045] 其中，所述速度v大于10km/h，所述分隔距离ds小于10m；
[0046] -摄像头沿着铁道车纵向轴线具有
视野FOVX的纵向伸缩，
[0047] 杂草种类识别装置能够从具有延迟时间tl的摄像头采集的图像产生杂草种类检测信号，
[0048] 视野ds的所述纵向伸缩和所述延迟时间tl满足FOVX/tl>v，其中v是在铁轨在行进的铁道除草车的速度，
[0049] 所述速度v大于40km/h，视野FOVX的所述纵向伸缩小于5m；
[0050] -摄像头安装在铁道车上，以获得包含至少一百万像素值矩阵的图像，所述至少一百万像素值的每个像素独立
覆盖小于五平方毫米地面区域的基本区域；
[0051] -每个并行处理核，通过计算子矩阵和预先确定核心矩阵之间的矩阵至矩阵倍增，或通过计算子矩阵的快速傅里叶变换，执行所述至少一个卷积运算；
[0052] -处理模块的并行处理核，能够执行图像特征表示矩阵的
池化操作，包括确定所述特征表示矩阵附近数值子矩阵的统计，特别是附近数值的最大所述子矩阵；
[0053] -处理模块的并行处理核，能够通过将非线性操作应用到所述特征表示矩阵的每个值执行图像特征表示矩阵的非线性并行处理，诸如修正线性激活函数；
[0054] -处理模块执行n个处理操作的序列，从由图像像素值生成的输入矩阵开始，到包含杂草种类数据库中至少一个杂草种类存在可能性的输出矩阵结束，特别地连续处理操作的所述序列的各个处理操作i，以由前处理操作i-1输出的特征表示矩阵Fi-1或由图像像素值生成的输入矩阵作为输入，并生成特征表示矩阵Fi；
[0055] -输出矩阵进一步包括由摄像头采集的图像内部的杂草种类数据库中杂草种类位置的至少一个数值指示，杂草种类检测信号包括杂草种类位置指示；
[0056] -喷雾装置包含沿铁道车横向布置的多个喷嘴；及
[0057] 喷雾装置的控制器模块根据杂草种类位置指示器，接收杂草种类检测信号，并进一步指示通过多个喷嘴实施化学试剂的喷洒；
[0058] -喷雾装置包含至少一个可沿铁道车的横向方向选择性喷洒多个目标区的可移动喷嘴；及
[0059] 喷雾装置的控制器模块根据杂草种类位置指示器，接收杂草种类检测信号，并进一步指示可移动喷嘴的位置和/或方向。
[0060] 本发明的另一个目的是铁道除草车，包括如上所述安装在所述车辆上的除草系统。
[0061] 本发明的另一个目的是一种使用如上所述的铁道除草车进行铁轨除草的方法，其包括：
[0062] 在所述铁道车在铁道除草车用的铁轨上行进时，使用安装在铁道车上的至少一个摄像头，获取一部分铁轨的图像，所述图像包括像素值的矩阵，
[0063] 铁道车的杂草种类识别装置的通信模块接收摄像头获取的图像，并在所述杂草种类识别单元的存储器模块中存储所述图像，
[0064] 在处理模块的多个相应并行处理核中，并行实施多个相应卷积运算，每个卷积运算在从根据图像附近像素构建的子矩阵和存储在处理装置存储器中预先确定的内核之间实施，以获得图像的像素值特征表示子矩阵，
[0065] 在通过并行处理核构建的特征表示子矩阵构建的图像的特征表示矩阵的杂草种类数据库中，计算杂草种类存在的至少一个可能性
[0066] 根据所述至少一个杂草种类存在可能性生成杂草种类检测信号，并将所述杂草种类检测信号发送至除草系统的喷雾装置的控制器模块
[0067] 在铁道车上安装的喷雾装置的控制器模块中接收杂草种类检测信号，及[0068] 根据杂草种类检测信号，选择性地指示通过至少一个喷嘴，从喷雾装置的至少一个供给模块中进行化学试剂的喷洒。
[0069] 本发明的另一个目的是校准上述除草系统的方法，除草系统适于喷洒杂草种类数据库中列出的多个杂草种类，其中
[0070] 铁道车设置有能够在所述铁道车在铁轨上移动过程中获取一部分铁轨图像的至少一个摄像头，所述图像包括像素值的矩阵，
[0071] 所述铁道车在铁轨上行进，存在目标杂草种类数据库中至少一个预先确定的各个杂草种类的数目，并且获得目标杂草种类所述数据库至少一个预先确定的各个杂草种类图像的数目，
[0072] 采用标记所述图像上所述杂草种类的方式，通过预先确定的杂草种类图像的数目构建
训练数据集，
[0073] 通过训练数据集确定杂草识别模块权重集，该杂草识别模块权重集包括至少一个由上述除草系统的并行处理核实施卷积运算用的预先确定的内核
[0074] 如上所述，将杂草识别模块权重集存储在除草系统的存储器模块中。
附图说明
[0075] 通过如下作为非限制性实例的多个实施例以及附图的描述，可以很明显了解本发明的其他特征和优点
[0076] 在附图中：
[0077] -图1是根据本发明实施例，包含除草系统的铁道除草车的示意性透视图，[0078] -图2是示出了图1除草系统的模块和装置的构造图，
[0079] -图3和图4是详细说明由图1和图2除草系统的杂草种类识别装置的处理模块执行的处理操作的两个
流程图，及
[0080] -图5是详细说明根据本发明实施例的用于校准图1和图2的除草系统方法的步骤流程图。
[0081] 在不同示图上，相同的参考标记表示相同或相似的元素。
具体实施方式
[0082] 图1示出了根据本发明的铁道除草车1的示例。
[0083] 铁道除草车1被设计用于在铁轨上行进。特别地，铁道除草车1可以是火车或可以在铁轨和传统道路上操作的公路铁路两用车辆。铁道除草车1可包含单个货车或由多个轨道车和/或
机车组成。
[0084] 铁道除草车1沿纵向方向X在铁轨上延伸，并被设计成沿此纵向方向X行进，其中铁轨通常包括在与纵向方向X垂直的横向方向Y中并置的两个轨道。
[0085] 铁道除草车1具有根据本发明的除草系统2，其在图2中示意性地示出。
[0086] 更确切地说，除草系统2包括一个或多个摄像头3、喷雾装置4和杂草种类识别装置5。
[0087] 摄像头3安装在铁道车1上，以便在铁道车1在铁轨上行进时获取一部分铁轨的图像。例如，一些摄像头3可以安装在车辆前部或下方，以获取分离铁轨的
道砟以及枕木的图像。附加摄像头3可安装在车辆的每一侧，以获取道砟两侧的图像。在一个变型中，可以使用单个摄像头3，并将其安装在车辆上，以获取铁轨整个感兴趣区域的图像。摄像头3可以安装在减震器上，以减少车辆1移动过程中的振动，并增加所获取图像的清晰度。正如下文所述，在杂草种类识别中可以考虑多个特征，例如，图像中的杂草种类的形状、纹理、颜色和/或位置。所获取图像的清晰度对于获取此类信息也很重要。实际上，有利地，在交通量较低并且铁道车1以高速行进的夜间实施图像的获取。因此，需要多个标准来识别各种杂草种类。
[0088] 每个摄像头3包括传感器6，诸如CCD或CMOS传感器，以及包含多个透镜和/或反光镜的光学系统7。
[0089] 摄像头3获取包括像素值矩阵的图像。每个图像包含W*H像素，其中W是沿图像宽度侧的像素数目，H是沿图像高度侧的像素数目。摄像头的宽度W和高度H定义了摄像头传感器的
分辨率。传感器可以特别地获取包含至少一百万像素值的矩阵，更优选地超过五百万像素值。
[0090] 可选择地，可以使用线性摄像头，并可通过线性摄像头输出重建像素值的矩阵。
[0091] 有利地，选择摄像头的位置、传感器的分辨率和光学系统的设计，使得由摄像头获取的图像包括至少一百万像素值的矩阵，其中所述矩阵的每个像素独立地覆盖小于5平方毫米的地面面积，优选小于2平方毫米。这种摄像头空间分辨率对于能够可靠识别杂草种类是重要的，如下所述。
[0092] 摄像头3可以是彩色摄像头。在这种情况下，每个像素值包括例如三个通道，例如RGB(红-绿-蓝)数值，并且像素值的矩阵是例如尺寸W*H*3的3D矩阵。
[0093] 与先前已知的除草系统相反，摄像头3可以没有滤色器和偏振镜。特别地，摄像头3的光学系统7可以仅由透镜和/或反光镜构成。由于识别杂草仅需要整体颜色且不需要绝对光谱信息，因此可以使用裸摄影头，并且仅配置所选择的透镜和反光镜，以获得杂草种类识别所需的空间分辨率。
[0094] 喷雾装置4也安装在铁道车1，包括下文将详细描述的多个部件。
[0095] 如图2所示，喷雾装置4包括至少两个供给模块8，至少一个喷嘴9和控制器模块10。
[0096] 每个供给模块8包括化学试剂槽11和电子输送阀12。
[0097] 化学试剂槽11含有液体，该液体可以是除草剂或
水。
[0098] 化学试剂槽可以包含水和除草剂的预混物，或者单独的水槽可以包含运送期间或之前即时地与除草剂混合的水。每个供给模块8可以配置有包含不同液体的液体槽11。例如，一个供给模块8可以配置有含有除草剂的液体槽11，除草剂含有适于在杂草发芽前进行除草处理的活性剂，而另一个供给模块8可配置有含有除草剂的液体槽11，除草剂含有适于在杂草发芽后进行除草处理的活性剂。
[0099] 喷雾装置4包括从至少一个所述供给模块8喷洒化学试剂的至少一个喷嘴9。
[0100] 喷雾装置4的控制器模块10，从杂草种类识别装置5接收杂草种类检测信号，如下所述。根据该信号，控制器模块10选择性地指示通
过喷嘴9从至少一个供给模块8进行化学试剂的喷洒。
[0101] 控制器模块10可以在杂草种类检测信号接收后指示具有喷雾延迟的化学试剂的喷洒。
[0102] 可根据杂草识别装置的延迟时间，以及喷嘴9和摄像头3之间的校准距离和车辆1的速度来计算喷雾延迟。
[0103] 喷雾延迟还可以考虑与喷雾装置机械系统等待时间以及例如喷雾装置管中液体移位时间对应的预先校准化学试剂输送时间。
[0104] 在本发明的一个实施例中，杂草种类检测信号仅包括关于杂草种类的信息。随后，喷雾装置4的控制器模块10将选择包含适于该杂草种类的供给模块8，并指示电子输送阀12，并且如果需要，还会指示喷嘴9喷洒化学试剂。
[0105] 在本发明的其他实施例中，杂草种类检测信号可包含杂草种类位置指示。
[0106] 在这些实施例之一的实施例中，喷雾装置4包含多个沿着铁道车横向方向Y设置的喷嘴9。喷嘴9可位于车辆1下方和/或火车一侧。
[0107] 在该实施例中，然后喷雾装置4的控制器模块10接收杂样种类检测信号并且根据杂草种类位置指示，通过多个喷嘴9指示化学试剂的喷洒。特别地，根据地面杂草的位置，可仅打开有限数量的喷嘴9。
[0108] 在一个变型中，喷雾装置4可以包含至少一个可移动喷嘴9。可移动喷嘴可以选择性地在地面上喷洒多个目标区，例如沿着铁道车1横向方向Y并置的多个目标区。可移动喷嘴9的位置和/或方向可通过倾斜或滑动控制装置进行控制。
[0109] 在该实施例中，喷雾装置4的控制器模块10接收杂草种类检测信号，并且根据杂草种类位置指示，指示可移动喷嘴9的位置和/或方向。特别地，可以根据地面上杂草位置，调整喷嘴9的位置和/或方向，以在地面正确位置喷洒除草剂。
[0110] 可以组合上述两个实施例，以便提供独立移动和选择的多个可动喷嘴。
[0111] 我们现在更具体地参考图2，其更详细地示出了根据本发明实施例的杂草种类识别装置5。
[0112] 杂草种类识别装置5包括通信模块13、存储器模块14和处理模块15。
[0113] 通信模块13接收由摄像头3获取的图像，并将杂草种类检测信号发送到除草系统1的喷雾装置4的控制器模块10，如前所述。
[0114] 特别地，摄像头3可以在车辆1在铁轨上移动期间生成连续的图像流，在这种情况下，通信模块13可以连续地接收所述图像，并且杂草种类识别装置5的所有模块可以实时操作或软实时操作，因此，也产生连续的杂草种类检测信号流并且将连续的杂草种类检测信号流发送到喷雾装置4的控制器模块10。
[0115] 通信模块13可以通过有线通信或使用无线协议(例如：光学或无线电协议，例如红外线或“Wi-Fi”)与喷雾装置4的控制器模块10和摄像头3通信。
[0116] 存储器模块14能够存储所接收的图像或图像流。存储器模块15可以包含多个子模块，并且可以分布在杂草种类识别装置5的多个芯片中。特别地，存储器模块14可以包含
非易失性存储器存储器和易失性存储器存储器。
[0117] 处理模块15包括多个p并行处理核16。并行处理核16的数量p大于1。处理模块可以，例如包含至少四个并行处理核16。并行处理核16能够并列运行计算内核，下文将进一步详细描述。
[0118] 每个并行处理核16可以包含多个子核处理器，以便进一步并行图像的处理。
[0119] 特别地，并行处理核可以是单个计算组件15的一部分，例如中央处理装置(CPU)或图形处理装置(GPU)。
[0120] 并行处理核16可以
访问存储器模块14的特定区域，具体地，存储器模块14可以包括位于处理模块15附近的存储器芯片，例如，包含处理模块15的图形处理装置的存储器芯片。
[0121] 每个并行处理核16在由图像附近像素构建的子矩阵P和存储在存储器模块15中的预先确定内核K之间执行至少一个卷积运算，以获得图像像素值的特征表示子矩阵F。例如，所选图像附近像素的每个子矩阵具有与预先确定的存储内核K相同的尺寸。
[0122] 内核K是一个可视为图像中给定像素等效感受域的小矩阵。
[0123] 卷积运算涉及计算内核K条目和由图像附近像素构成的子矩阵P之间的点积，以产生特征表示子矩阵，其中特征表示子矩阵是图像的滤波表示。
[0124] 如前所述，图像子矩阵P对应于该图像的附近像素。因此，每个图像可分成多个子矩阵P，使得内核K和每个子矩阵P之间计算的点积通常可以生成多个特征表示子矩阵。然后可以从这些特征表示子矩阵构建特征表示矩阵。
[0125] 鉴于卷积运算的局部性，它可以很容易并行化，这极大地
加速了图像的处理。
[0126] 此外，如下文详述，可以校准内核系数，使得内核通用，并且可以应用于各种杂草种类。内核系数的确定是杂草识别模块权重确定的一部分。这意味着，采用内核K进行的卷积运算，应该允许识别每种杂草种类。因此，内核的系数是表征每种杂草种类的特征的代表。
[0127] 为了区分不同杂草种类，可以单独或组合考虑多个特征，例如，图像中杂草种类的形状、纹理、颜色和/或位置。因此，必须根据这些参数或特征来校准内核的系数或重量。通过考虑区分不同杂草种类的足够数量的特征，改进了杂草种类识别的有效性和所述识别的速度。这特别有利于运行铁道车1在铁轨上更快行进。
[0128] 特别地，为了执行所述卷积运算，每个并行处理核可以计算子矩阵P和与内核相关的预先确定核心矩阵K之间的矩阵至矩阵倍增。
[0129] 图像上内核K的系数可以相同，因此，在并行处理核之间也相同，或者根据图像上位置发生变化。
[0130] 通过使用传统的并行处理代数算法可以并行化矩阵至矩阵倍增，以提高图像的处理速度。
[0131] 可选择地，可以通过计算图像子矩阵P的快速傅里叶变换来执行卷积运算。
[0132] 如图3和4所示，处理模块通常执行n个处理操作的序列，从图像像素值生成的输入矩阵I开始，到输出矩阵O结束，其中所述输出矩阵O包括杂草种类数据库中至少一个杂草种类存在的可能性。
[0133] 有利地，连续处理操作所述序列的每个处理操作i以由前处理操作i-1输出的特征表示矩阵Fi-1或由图像像素值生成的输入矩阵I作为输入，并且生成特征表示矩阵Fi；
[0134] 处理操作涉及如下至少一个：
[0135] -如前所述的卷积运算，
[0136] -池化操作，和/或
[0137] -非线性并行处理。
[0138] 现在将在进一步详细描述池化操作和非线性并行处理。
[0139] 可以由处理模块的每个并行处理核执行池化操作。
[0140] 可以在通过输入矩阵I或者由前述处理操作i-1输出的特征表示矩阵Fi-1的附近数值子矩阵S上实施涉及的池化操作。
[0141] 可通过由输入矩阵I或特征表示矩阵Fi-1的内核K和子矩阵P之间应用卷积运算而获得特征表示子矩阵方式构建的特征表示矩阵Fi。同样，特征表示矩阵Fi可以分为附近数值的多个子矩阵S。同样，输入矩阵I可以分为附近数值的多个子矩阵S。
[0142] 可以在附近数值的每个子矩阵S上应用池化操作。例如，当池化操作应用于特征表示矩阵时，可以将特征表示子矩阵作为附近数值的子矩阵S。
[0143] 池化操作是通过保留最重要信息来减小特征表示矩阵Fi-1或输入矩阵I大小的局部操作。例如，对于附近数值的每个子矩阵S，仅保留一个数值。换句话说，在应用池化操作后，获得具有减小尺寸的特征表示矩阵Fi，使得所述特征表示矩阵Fi仅包含，例如，特征表示矩阵Fi-1或输入矩阵I的各个子矩阵S的一个数值。
[0144] 池化操作涉及确定附近数值所述子矩阵S的统计量。统计量，例如，是最大所述子矩阵S，如在所谓的最大池中。在使用最大池化操作的实施例中，仅保留每个子矩阵S的最大值。
[0145] 由于池化操作是局部操作，后者也可以很容易地并行化，并且增加杂草种类识别有关训练图像和测试图像之间图像中植物小幅转换的稳健性。
[0146] 处理模块的并行处理核还能够执行由前述处理操作i-1输出的特征表示矩阵Fi-1或输入矩阵I的非线性并行处理。
[0147] 通过“非线性操作”，表示应用于标量、向量或张量x的非线性函数f的输出y＝f(x)相对于所述标量、向量或张量x不是线性。
[0148] 非线性函数的一个示例是修正线性单元，例如，函数f(x)＝max(0,x)或广义修正线性单元，例如，
泄漏修正线性装置、参数修正线性单元、或最大输出单元。例如，广义函数可能是：
[0149] f(x)＝max(0,x)+a*min(0,x)
[0150] 其中，a是预先确定的参数。
[0151] 非线性函数可独立应用于输入矩阵I或特征表示矩阵Fi-1的每个数值。
[0152] 与池化操作不同，非线性操作可以保留输入矩阵I或特征表示矩阵Fi-1的大小。
[0153] 另一方面，在一个实施例中，可以对一个或多个操作进行加权。不同操作的加权可以，例如，在下文所述学习步骤期间确定。
[0154] 同样，将非线性函数独立应用于输入矩阵I或特征表示矩阵Fi-1的每个设置，使得处理容易并行化，从而减少杂草识别装置的等待时间。
[0155] 因此，连续处理操作可以导致输出矩阵，其中所述输出矩阵包含检测杂草种类数据库中每种杂草种类的可能性。
[0156] 在本发明的一些实施例中，输出矩阵可以进一步包含由摄像头获取图像内杂草种类位置的至少一个数值指示。
[0157] 这允许选择和/或移动喷嘴，以减少化学消耗。
[0158] 有利地，可以为每个已识别的杂草种类提供位置信息。
[0159] 这种杂草种类位置的值的指示可以，例如，是摄像头获取图像内杂草种类位置的边界框指示。
[0160] 因此，从输出矩阵、处理模块15能够计算杂草种类数据库中杂草种类存在的至少一个可能性。
[0161] 因此，处理模块15可以根据存在的所述可能性，生成杂草种类检测信号。
[0162] 使用上述特定操作和并行处理，因此可以获得具有非常低延迟的杂草识别系统。
[0163] 更确切地说，杂草种类识别装置5可以从摄像头3获得的图像I生成具有延迟时间t1的杂草种类检测信号。
[0164] 延迟时间t1对应将杂草种类检测信号的产生与相应图像I的接收分隔开的时间。
[0165] 延迟时间t1可以小于500ms，特别地小于200ms或甚至小于100ms，其相应检测准确度大于75％，特别地大于90％。
[0166] 所谓检测的准确度，是指在大量图像中观察到的杂草种类中的检测数目，例如，超过1000个图像(即，所述图像上出现的杂草样本总数上的真阳性数目)。
[0167] 此外，喷雾装置4，特别地喷射装置的喷嘴9，和摄像头3可以与铁道车1上的另一个相距分隔距离ds，其中所述分隔距离ds沿铁道车的纵向轴线X。
[0168] 分隔距离ds和延迟时间t1可以是ds/(tl+tp)>v，其中v是在铁轨上行进的铁道除草车1的速度，tp是喷雾装置的处理时间。
[0169] 喷雾装置的处理时间tp是喷雾装置收到杂草已识别的信息和除草剂实际喷洒之间的时间。这个时间可以特别地包含上述延迟。喷雾装置的处理时间tp，例如，一秒量级。
[0170] 在一个实施例中，铁道车可以是在铁轨上行进的火车。在该实施例中，速度v可高于40km/h，更优选地高于50km/h，甚至高于80km/h。在该实施例中，喷雾装置和摄像头可以位于远离铁道车上另一个喷雾装置和摄像头的位置，例如相隔10米至40米之间。
[0171] 在另一个实施例中，铁道车可以是在铁轨上行进的公路铁路两用车辆。在该实施例中，速度v可以，例如在10km/h至30km/h之间。在该实施例中，喷雾装置和摄像头可以位于非常靠近铁道车上另一个喷雾装置和摄像头的位置，例如相隔2米至10米之间。
[0172] 延迟时间tl也可以由摄像头3约束，下文将详述。摄像头3的采集系统具有预先确定的视野(FOV)。更确切地说，镜头焦距和图像传感器尺寸确定了视野和工作距离(镜头背面和成像铁轨之间距离)之间的关系。因此，视野是摄像头传感器上捕获的检查区域。视野的大小和摄像头传感器的大小直接影响图像分辨率(准确度的一个决定因素)。视野特别地受分辨率限制，其中所述分辨率应能够识别上述杂草种类。
[0173] 因此，视野可以以平方米表示，并且可以特别地小于10平方米，例如大约5平方米。
[0174] 视野沿纵向方向X和横向方向Y延伸。
[0175] 视野FOVX的纵向伸缩可以包括在1米至3米之间。视野FOVY的横向扩展可以包括在1米至5米之间。
[0176] 延迟时间也可以受视野FOVX纵向伸缩和摄像头
帧速率的约束。
[0177] 例如，如果摄像头具有约1米的视野FOVX的纵向伸缩，摄像头必须在每次铁道车已经在铁路上行进1米时输出新的图像。为了避免图像在缓冲区中累积，杂草种类识别装置的延迟时间必须小于摄影头3两次连续采集之间的时间间隔。
[0178] 特别地，设置在视野(FOVX)纵向伸缩和延迟时间(tl)之间的关系，如下所述：
[0179]
[0180] 或等效地：
[0181]
[0182] 举例来说，如果视野(FOVX)的纵向伸缩约为1米且速度(v)约为60km/h，即14m/s，延迟时间(tl)必须小于60ms。
[0183] 前述处理操作的参数，特别是卷积运算内核的参数，可以通过操作下文详述的校准过程来确定。
[0184] 杂草种类数据库中列出了多个杂草种类。杂草种类数据库可以包含，例如，早熟禾、欧蓍草、丝路蓟、加拿大蓬、香叶、长叶车前、窄叶黄菀、苣荬菜、蒲公英、白车轴草、月见草、或木贼薄荷。
[0185] 铁道车，例如，铁道车1配置有可以在所述铁道车在铁轨上移动过程中获取一部分铁轨图像的至少一个摄像头3。
[0186] 在校准过程中使用的摄像头3，可以与上述摄像头类似。
[0187] 铁道车1也可以类似，除了仅可以配置摄像头并且不配置喷雾装置4或杂草种类识别装置5之外。
[0188] 摄像头3获取包括如上详述的像素值的矩阵的图像。
[0189] 铁道车1在铁轨上行进，存在目标杂草种类数据库的每种杂草种类的至少预先确定数量。预先确定的数量有利地是多位数，例如，大于数百或数千各个目标杂草种类样本。
[0190] 因此，铁道车1获得了至少预先确定的目标杂草种类所述数据库的每种杂草种类图像数目。例如，数百或数千个包含每个目标杂草种类样本的图像。获得至少预先确定的杂草种类图像数目的步骤，是图5中所示过程的第一步。
[0191] 在第二步骤中，可以通过标记图像上的杂草种类，从预先确定的每个杂草种类图像数目构建训练数据集。标记操作可以包含为图像中获取的每个样本分配杂草类别，并且还可以包含定义所述图像中所示各个杂草种类在图像内位置的边界框或指示。
[0192] 对于每一类杂草，我们因此有多个样本说明杂草的所述类别。然后可以确定所述样本之间的共同特征，如杂草类别的形状、纹理、颜色和/或位置。下文所述的学习步骤是以训练数据集和类别分类的目标标记杂草种类为
基础。
[0193] 换句话说，从已经指示不同杂草种类的图像中，可以确定能够区分不同杂草种类的区分特征。因此，甚至没有必要指出区分杂草种类的标准，因为这些标准可以通过
图像分析以及标记为指示相同杂草种类的多个样本之间的共同特征的确定来自动确定。
[0194] 在第三步骤中，随后通过训练数据集确定杂草识别模块权重集。如上所述，该杂草识别模块权重集包括至少一个预先确定的卷积运算内核。
[0195] 实际上，必须校准内核的系数，使得内核是通用内核且可以应用到各种杂草种类。内核的系数根据训练数据集基础确定。内核的系数再次根据不同杂草种类特征确定，其中所述特征是以训练数据集为基础学习所得，例如，图像中杂草种类的形状、纹理、颜色和/或位置。
[0196] 由铁道车1获得的图像，也称为训练数据集，因此允许学习杂草种类的特征，以确定杂草识别模块权重集以及内核的系数。执行该学习步骤，以最大化模型的准确度。该步骤的目标是，例如，最大化预测数据集中列车中标记的杂草样本的可能性。该模块权重集可以通过使用
机器学习技术来确定，例如，通过使用梯度下降算法。先前描述的操作，在训练数据集的图像上执行。最初用于执行操作的内核系数，可以通过不同的方式确定。例如，内核系数可以随机预先确定。然后可以确定已经执行了操作的图像上的错误率。实际上，由于已经在图像上标记了不同杂草种类，因此对于每个标记的杂草种类，有可能比较通过实施操作获得的检测是否正确。如果错误率不可接受，例如，错误率是否高于预定阈值，可以执行反向传播学习，以
修改杂项识别模块权重集，从而修改内核的系数。显然，在第一次通过后，对杂草识别模块权重需要进行重大修改，特别是如果参数已经随机预先确定的情况下。显然可以根据需要重复该步骤。
[0197] 综上所述，训练数据集用于学习步骤，在此期间确定操作的权重和内核的系数。每个杂草种类的特征如形状、纹理、颜色和/或位置，根据训练数据集图像自动确定，其中，实施标记操作以为每个样本分配杂草类别。在对训练数据集图像进行操作后，估计模块的准确度，例如具有错误率，并实施反向传播学习以修改杂草识别模块权重。可以重复执行操作和反向传播学习的步骤，以便减少所获得的错误率。最后，在第四步骤中，将杂草识别模块权重集存储在除草系统2的存储器模块14中，随后用于上文详述的除草操作。
[0198] 如本领域技术人员将充分理解，本文用于描述本发明的多个和各种步骤和过程，可以称为由计算机、处理器或使用电现象操作和/或变换数据的其他电子计算设备执行的操作。那些计算机和电子设备可以采用各种易失性和/或非易失性存储器，包括其上存储有可执行程序的非暂时性计算机可读介质，包括能够由计算机或处理器执行的各种代码或可执行指令，其中存储器和/或计算机可读介质可以包括所有形式和类型的存储器和其他计算机可读介质。
[0199] 所公开的前述讨论仅描述了本发明的示例性实施例。本领域技术人员将通过该等讨论和附图以及
权利要求中容易地认识到，在不脱离如下权利要求限定的本发明精神和范围的情况下，对本文内容各种改变、修改和变更。
