基于可穿戴式麦穗采集装置的麦穗计数方法制造方法及图纸

本发明专利技术特别涉及一种基于可穿戴式麦穗采集装置的麦穗计数方法，包括如下步骤：S100、通过可穿戴式采集装置采集田间麦穗图像并将麦穗图像发送到服务器中；S200、服务器对采集到的图像进行预处理后输入至训练好的分割模型中进行分割后得到麦穗分割图；S300、将麦穗分割图输入至训练好的计数模型中统计麦穗数量并发送至采集装置上显示。采集装置可以方便的对田间麦穗进行图像采集，再将采集到的图像发送至服务器上进行麦穗的计数处理，这样采集装置无需进行数据处理，可以减少其体积便于携带；服务器上设置的分割模型可以方便的进行麦穗分割和计数，最后将统计的麦穗数量发送回采集装置上进行显示，这样对现场的工作人员来说，操作非常简便。操作非常简便。操作非常简便。

【技术实现步骤摘要】
基于可穿戴式麦穗采集装置的麦穗计数方法


[0001]本专利技术涉及数字农业监控
，特别涉及一种基于可穿戴式麦穗采集装置的麦穗计数方法。

技术介绍

[0002]小麦作为全球主要的粮食作物之一，可为人们提供人体一些必须的营养元素，它的充足供应对保障全球的粮食安全至关重要。麦穗计数是预测小麦产量的一种重要手段，对小麦新品种培育、病损灾害评估和优质生产具有重要的意义。小麦赤霉病是一种常见的小麦病害，主要由禾谷镰刀菌引起的，发病后可以引起整株麦穗籽粒变质，是造成小麦减产的一个重要因素之一，且该病害在全球分布广泛。更为重要的是，禾谷镰刀菌产生的毒素脱氧雪腐烯醇(DON)对人畜危害极大，甚至会引起中毒。因此，对小麦赤霉病的无损监测研究意义重大。
[0003]在小麦生长期内，工作人员常需要去现场检查田间麦穗的生长情况，有时还需要统计局部区域麦穗数量，现在的统计方法有两种：其一，是通过人工计数的方式，直接现场数麦穗的数量；其二，现场通过数码相机拍摄麦穗图像，然后带回去导入电脑中，使用图像识别算法进行麦穗个数识别。第一种方案耗时耗力，第二种方案即时性不够。

技术实现思路

[0004]本专利技术的目的在于提供一种基于可穿戴式麦穗采集装置的麦穗计数方法，可以方便、准确的进行田间麦穗计数。
[0005]为实现以上目的，本专利技术采用的技术方案为：一种基于可穿戴式麦穗采集装置的麦穗计数方法，包括如下步骤：S100、通过可穿戴式采集装置采集田间麦穗图像并将其发送到服务器中；S200、服务器对采集到的图像进行预处理后输入至训练好的分割模型中进行分割后得到麦穗分割图；S300、将麦穗分割图输入至训练好的计数模型中统计麦穗数量并发送至可穿戴式采集装置上显示。
[0006]与现有技术相比，本专利技术存在以下技术效果：通过设置可穿戴式的采集装置，可以方便的对田间麦穗进行图像采集，再将采集到的图像发送至服务器上进行麦穗的计数处理，这样采集装置无需进行数据处理，可以减少其体积便于携带；同时，在服务器上设置分割模型可以方便的对麦穗区域和非麦穗区域进行分割，再通过计数模型可以方便的统计分割后图像中的麦穗数量，最后将统计的麦穗数量发送回可穿戴式采集装置上进行显示，这样对现场的工作人员来说，操作非常简便。
附图说明
[0007]图1是分割模型结构图；
[0008]图2是计数模型结构图；
[0009]图3是本专利技术的结构示意图；
[0010]图4是帽子的结构示意图；
[0011]图5是帽子另一个角度结构示意图；
[0012]图6是眼镜的结构示意图；
[0013]图7是眼镜另一个角度结构示意图。
具体实施方式
[0014]下面结合图1至图7，对本专利技术做进一步详细叙述。
[0015]本专利技术公开了一种基于可穿戴式麦穗采集装置的麦穗计数方法，包括如下步骤：S100、通过可穿戴式采集装置采集田间麦穗图像并将其发送到控制端300中；S200、控制端300对采集到的图像进行预处理后输入至训练好的分割模型中进行分割后得到麦穗分割图；S300、将麦穗分割图输入至训练好的计数模型中统计麦穗数量并发送至可穿戴式采集装置上显示。通过设置可穿戴式的采集装置，可以方便的对田间麦穗进行图像采集，再将采集到的图像发送至控制端300上进行麦穗的计数处理，这样采集装置无需进行数据处理，可以减少其体积便于携带；同时，在控制端300上设置分割模型可以方便的对麦穗区域和非麦穗区域进行分割，再通过计数模型可以方便的统计分割后图像中的麦穗数量，最后将统计的麦穗数量发送回可穿戴式采集装置上进行显示，这样对现场的工作人员来说，操作非常简便。
[0016]进一步地，所述的步骤S200中的分割模型是通过Unet++网络模型按如下步骤训练得到：S210、按照步骤S100采集田间麦穗图像得到原始图像，人工标注原始图像中的麦穗和非麦穗区域；S220、对采集的原始图像依次进行裁剪、滑窗以及灰度化处理后得到滑窗子图像；S230、对滑窗子图像进行数据增广获得第一样本图像；S240、将第一样本图像按一定比例随机分为第一训练集和第一验证集；S250、将第一训练集图像和其对应的人工标注的二值化掩膜图像作为Unet++网络模型的输入对Unet++网络模型进行训练；S260、模型训练过程中，第一验证集图像及其人工标注的二值化掩膜图像会被反复代入Unet++网络模型中计算损失值，若损失值满足设定阈值，则将该模型作为最终的分割模型输出，否则返回步骤S230重新获得第一样本图像。通过对Unet++网络模型进行训练，可以得到用于麦穗分割的模型，该训练方法简单、可靠，在正常的麦穗计数流程中，无需每次都进行分割模型的训练，只需要在前期将模型训练好以后保存在控制端300中即可，后续使用时，只需要导入待检测的田间麦穗图像，即可直接输出对应的分割图，非常方便。
[0017]参阅图1，进一步地，所述的步骤S250中，Unet++网络模型包括五层特征提取模块；图1中圆圈部分即代表一个特征提取模块，每个特征提取模块由两个3
×
3卷积层组成，每个卷积层后面都有一个整流线性单元激活函数；每一层特征提取的途中利用跳跃式传递即Skip-connection把每一个特征提取模块的输出和下一层相邻特征提取模块的输出合并后再经过一次特征提取，从而达到上层特征和下层特征融合的目的；上一层提取的特征图像经过下采样模块即Down-sampling将提取的特征送往下一层，比如第一层是64*64，下采样之后是32*32(这是在2
×
2最大池化的情况下)，从而获得更深层和高维的图像特征；经过特征提取后，每一个下层都经过上采样即Up-sampling将该层的特征图返回到上一层，总共也是5层上采样。上采样就是下采样相反的操作，把之前的图像特种图填充扩大然后向上一层返回，比如32*32上采样后变为64*64(在2
×
2解卷积层的情况下)。步骤S260中，分割模型输
出的灰度图通过Otsu自动阈值分割方法进行处理获得的二值化图像作为麦穗分割图输出。
[0018]进一步地，所述的步骤S300中的计数模型是通过CNN网络模型按如下步骤训练得到：S310、人工统计步骤S260中输出的二值化的麦穗分割图中麦穗数量，并为每张图贴上分类标签；S320、对步骤S260中输出的二值化的麦穗分割图进行数据增广获得第二样本图像；S330、将第二样本图像按一定比例随机分为第二训练集和第二验证集；S340、将第二训练集图像和其对应的分类标签作为CNN网络模型的输入对CNN网络模型进行训练；S350、模型训练过程中，第二验证集图像及其分类标签会被反复代入CNN网络模型中计算损失值，若损失值满足设定阈值，则将该模型作为最终的计数模型输出，否则返回步骤S320重新获得第二样本图像。CNN网络非常适合从分割后的图像中进行麦穗数量的统计，故这里通过对CNN网络模型进行训练，可以得到用于麦穗计数的模型，该训练方法简单、可靠，在正常的麦穗计数流程中，无需每次都进行麦穗计数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可穿戴式麦穗采集装置的麦穗计数方法，其特征在于：包括如下步骤：S100、通过可穿戴式采集装置采集田间麦穗图像并将其发送到控制端(300)中；S200、控制端(300)对采集到的图像进行预处理后输入至训练好的分割模型中进行分割后得到麦穗分割图；S300、将麦穗分割图输入至训练好的计数模型中统计麦穗数量并发送至可穿戴式采集装置上显示。2.如权利要求1所述的基于可穿戴式麦穗采集装置的麦穗计数方法，其特征在于：所述的步骤S200中的分割模型是通过Unet++网络模型按如下步骤训练得到：S210、按照步骤S100采集田间麦穗图像得到原始图像，人工标注原始图像中的麦穗和非麦穗区域；S220、对采集的原始图像依次进行裁剪、滑窗以及灰度化处理后得到滑窗子图像；S230、对滑窗子图像进行数据增广获得第一样本图像；S240、将第一样本图像按一定比例随机分为第一训练集和第一验证集；S250、将第一训练集图像和其对应的人工标注的二值化掩膜图像作为Unet++网络模型的输入对Unet++网络模型进行训练；S260、模型训练过程中，第一验证集图像及其人工标注的二值化掩膜图像会被反复代入Unet++网络模型中计算损失值，若损失值满足设定阈值，则将该模型作为最终的分割模型输出，否则返回步骤S230重新获得第一样本图像。3.如权利要求2所述的基于可穿戴式麦穗采集装置的麦穗计数方法，其特征在于：所述的步骤S250中，Unet++网络模型包括五层特征提取模块；每个特征提取模块由两个3
×
3卷积层组成，每个卷积层后面都有一个整流线性单元激活函数；每一层特征提取的途中利用跳跃式传递把每一个特征提取模块的输出和下一层相邻特征提取模块的输出合并后再经过一次特征提取；上一层提取的特征图像经过下采样模块将提取的特征送往下一层；每一个下层都经过上采样将该层的特征图返回到上一层进行特征融合；步骤S260中，分割模型输出的灰度图通过Otsu自动阈值分割方法进行处理获得的二值化图像作为麦穗分割图输出。4.如权利要求3所述的基于可穿戴式麦穗采集装置的麦穗计数方法，其特征在于：所述的步骤S300中的计数模型是通过CNN网络模型按如下步骤训练得到：S310、人工统计步骤S260中输出的二值化的麦穗分割图中麦穗数量，并为每张图贴上分类标签；S320、对步骤S260中输出的二值化的麦穗分割图进行数据增广获得第二样本图像；S330、将第二样本图像按一定比例随机分为第二训练集和第二验证集；S340、将第二训练集图像和其对应的分类标签作为CNN网络模型的输入对CNN网络模型进行训练；S350、模型训练过程中，第二验证集图像及其分类标签会被反复代入CNN网络模型中计算损失值，若损失值满足设定阈值，则将该模型作为最终的计数模型输出，否则返回步骤S320重新获得第二样本图像。5.如权利要求4所述的基于可穿戴式麦穗采集装置的麦穗计数方法，其特征在于：所述的步骤S340中，CNN网络模型由三个卷积层、三个最大池化层、一个Flatten层和三个全连接
层组建的多分类卷积神经网络，卷积层的卷积核大小是3
×
3，每个卷积层后面都有一个整流线性单元激活函数，最大池化层的卷积核大小是2
×
2，Flatten层用于将上一层的输出特征图展开变成一维向量，全连接层用于将上一层的一维向量进行特征整合。6.如权利要求5所述的基于可穿戴式麦穗采集装置的麦穗计数方法，其特征在于：所述的步骤S220中，滑窗大小为768*768像素大小，滑窗后进行resize操作使得图像变成256*256像素大小，灰度化处理的公式为Gray＝0.114B+0.587G+0.299R；步骤S200中，控制端(300)对采集到的图像按如下步骤进行预处理：S201、根据滑窗大小的整数倍对采集到的图像进行扩大，扩大的区域以相邻区域背景色进行填充；S202、依据滑窗大小对扩大后的图像进行切分得到多张子图像；步骤S200中，对每张子图像进行Unet网络模型分割，步骤S300中，统计每张子图像中的麦穗数量后进行求和并将求和的结果作为采集到的图像中麦穗数量发送至可穿戴式采集装置上。7.如权利要求6所述的基于可穿戴式麦穗采集装置的麦穗计数方法，其特征在于：步骤S230中，数据增广操作包括图像水平翻转、图像垂直翻转两种操作，第一样本图像的数量为3000～7000张；步骤S240中，第一训练集和第一验证集的比例为7:3～8:2；步骤S250中，Unet++网络模型训练时的参数设置如下：学习率为0.001，训练轮数为80，每轮迭代次数为500，每次迭代器训练图像数为10；所述的步骤S320中，数据增广操作包括图像水平翻转、图像垂直翻转两种操作，第二样本图像的数量为5000～10000张；步骤S330中，第二训练集和第二验证集的比例为7:3～8:2；步骤S340中，CNN网络模型训练时的参数设置如下：学习率为0.001，训练轮数为80，每次迭代器训练图像数为10；所述的步骤S310中，麦穗数量即为分类标签，所有麦...

【专利技术属性】
技术研发人员：张东彦，李威风，杨琦，张文豪，罗瀚森，汪志存，梁栋，谷春艳，
申请(专利权)人：安徽大学，
类型：发明
国别省市：