一种图片中稻穗的识别方法、装置、设备和存储介质制造方法及图纸

本发明专利技术涉及图像识别领域，具体涉及一种水稻图片中的稻穗的识别方法、装置、设备和存储介质。本发明专利技术公开了一种水稻图片中的稻穗的识别方法，包括：获取水稻图片；将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；根据每一个像素的类别确定出所述水稻图片中的稻穗区域。本申请的技术方案，不需要采用人工标注大量的样本来进行稻穗的识别，提高了稻穗识别的效率和准确性。

【技术实现步骤摘要】
一种图片中稻穗的识别方法、装置、设备和存储介质
本专利技术涉及图像识别领域，具体涉及一种图片中的稻穗的识别方法、装置、设备和存储介质。
技术介绍
为了识别图片中的稻穗，现有的稻穗分割算法都是基于有监督的学习算法；有监督的学习算法存在以下的缺点，包括：需要对进行训练的样本的图像进行手工的标记。而水稻图像的识别，由于水稻的光照，天气，稻田的环境等各种因素，从而造成图像识别困难；要想有比较高的识别的准确度，就需要大量的样本；样本的数量越多，模型训练的精度越高；但是成千上万张的图像做样本时，人工手工对每一个样本图像中的稻穗和非稻穗进行标记；非稻穗包括叶子，背景等。如此就会浪费大量的人力。
技术实现思路
本专利技术的目的在于提供一种水稻图片中的稻穗的识别方法、装置、设备和存储介质，用以解决采用有监督的算法进行稻穗识别时需要大量的人工对样本图像进行标注的问题。为实现上述目的，本专利技术主要提供如下技术方案：第一方面，本专利技术提供了一种图片中稻穗的识别方法，包括：获取水稻图片；将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；根据每一个像素的类别确定出所述水稻图片中的稻穗区域。进一步地，类别包括：稻穗、叶子和背景。进一步地，分类模型为贝叶斯模型。进一步地，将所述水稻图片输入到分类模型之前，还包括：对水稻图片中的稻穗区域进行增强处理。进一步地，还包括：计算所述稻穗区域的面积；根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。第二方面，本专利技术还提供一种图片中稻穗的识别装置，包括：获取模块，用于获取水稻图片；处理模块，用于将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；根据每一个像素的类别确定出所述水稻图片中的稻穗区域。进一步地，处理模块还用于，对水稻图片中的稻穗区域进行增强处理。进一步地，处理模块还用于，计算所述稻穗区域的面积；根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。第三方面，本专利技术还提供一种图片中稻穗的识别设备，所述图片中的稻穗的识别设备包括：至少一个处理器和至少一个存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如下的步骤：获取水稻图片；将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；根据每一个像素的类别确定出所述水稻图片中的稻穗区域。进一步地，所述处理器还用于：对水稻图片中的稻穗区域进行增强处理。进一步地，所述处理器还用于：计算所述稻穗区域的面积；根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。第四方面，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被执行如上述任一项所述的方法。本专利技术至少具有如下优点：本专利技术的基于非监督贝叶斯学习的水稻穗影像分割算法。通过识别同一图像中穗像素和非穗像素的统计分布的内在差异实现穗检测，不需要训练阶段。利用统计分布的不同将像素分为不同的类别。该算法采用一种概率学习方法，该方法能够迭代地计算图像中每个像素属于不同类别的概率；类别包括稻穗，叶和背景。这种概率方法可以量化常规确定性方法中无法获得的检测结果的不确定性。在贝叶斯框架下，用一个多元高斯混合模型GMM代表一个图像的像素强度，GMM的每个分量对应一个类别。在该非监督学习方法中，模型的参数从每个独立的未标记无人机图像直接学得。不同的图像会有不同的模型参数，这使该算法能够适应在各种不同环境下拍摄的图像。使用Gibbs采样的MarkovchainMonteCarlo(MCMC)学习和更新模型参数。试验结果表明该非监督贝叶斯学习方法能实现准确的无人机拍摄的水稻穗分割，并且优于现有的监督学习方法。附图说明图1为本专利技术提供的一种图片中稻穗的识别方法的流程图；图2为本专利技术提供的一种图片中稻穗的识别装置的结构示意图；图3为本专利技术提供的一种图片中稻穗的识别设备的结构示意图。具体实施方式以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本专利技术。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。大米是世界上消耗量最大的主食。超过一半的世界人口每天的卡路里依赖于大米。稻田的产量与稻穗直接相关，稻穗是植物中运送谷物的部分。快速稻穗识别有助于水稻产量预测、病害检测、营养价值评估、精准灌溉施肥等。随着无人机和机器学习技术的迅速发展，利用无人机在稻田上拍摄光学图像进行高通量稻田表型研究越来越受到人们的关注。基于图像的稻穗表型依赖于准确的稻穗分割。图像拍摄环境复杂多样是稻穗分割面临的一个主要挑战。在不同环境下拍摄的图像有显著的差异，例如水的反射，光照，天气，杂乱的背景，穗的硬度，水稻生长期，水稻品种，拍摄高度等。这些因素都会影响稻穗识别精度。这要求稻穗分割算法能够适应复杂多样的图像拍摄环境。近年来，基于图像的植物物候学受到越来越多的关注。现有技术中有一种使用人工神经网络(ANN)自动计算穗数的算法。该算法利用在转台上拍摄的水稻植株的多角度图像。该算法利用了水稻植株的多角度图像，在转台上旋转得到多角度图像。还有使用卷积神经网络和超像素优化的深度学习方法，比如稻穗分割算法Panicle-SEG。该Panicle-SEG算法使用大量图像进行训练，包括盆栽和大田植物的图像，用于提高算法的鲁棒性。基于CNN的深度学习算法也被用于水稻穗检测，和高粱穗检测。光学图像还被用于抽穗期小麦的穗部检测，和水稻植株的开花动态研究。使用SVM进行检测。以上提到的算法都需要对样本进行大量的标记，需要耗费大量的人力。以上的方法都是基于监督学习，需要大量的标记训练图像。当前尚没有监督学习方法被开发或应用于水稻穗分割。监督分割算法的性能很大程度上依赖于训练数据集的质量。由于水稻田的复杂环境，不同图像的像素统计特性有显著差异。例如，光照和天气条件对不同图像的稻穗像素的统计分布有极大的影响。甚至即使监督算法可以通过使用大量不同环境下拍摄的图像进行训练，使用单一训练模型几乎不可能捕捉到不同图像间的巨大差异。因此，在一个图像集上训练的算法，可能无法在其他拍摄于不同环境下的图像集表现良好。这促使本申请开发一种非监督学习算法，该算法能够学习、识别和适应每个图像的潜在统计特性，从而能够在所有本文档来自技高网...

【技术保护点】
1.一种图片中稻穗的识别方法，其特征在于，包括：/n获取水稻图片；/n将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；/n根据每一个像素的类别确定出所述水稻图片中的稻穗区域。/n

【技术特征摘要】
1.一种图片中稻穗的识别方法，其特征在于，包括：
获取水稻图片；
将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。


2.如权利要求1所述的图片中稻穗的识别方法，其特征在于，类别包括：稻穗、叶子和背景。


3.如权利要求1所述的图片中稻穗的识别方法，其特征在于，分类模型为贝叶斯模型。


4.如权利要求3所述的图片中稻穗的识别方法，其特征在于，将所述水稻图片输入到分类模型之前，还包括：对水稻图片中的稻穗区域进行增强处理。


5.如权利要求1所述的图片中稻穗的识别方法，其特征在于，还包括：
计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。


6.一种图片中稻穗的识别装置，其特征在于，包括：
获取模块，用于获取水稻图片；
处理模块，用于将所...

【专利技术属性】
技术研发人员：曹英丽，马殿荣，于丰华，郑伟，李昂，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：辽宁;21