基于CECI算法的水稻植株深度学习计数数据集的创建方法技术

本发明专利技术公开了基于CECI算法的水稻植株深度学习计数数据集的创建方法，包括：采集原始水稻图片数据，对原始水稻图片进行植被色度筛选以及HSV空间色度分割处理，提取处理后原始水稻图片中的绿色水稻区域；将原始水稻图片进行色度增强，并对色度增强处理后的原始水稻图片进行十簇聚类；计算绿色水稻区域和十簇聚类分块后的重合率，根据重合率合并拼接得到最终的水稻图片；对最终的水稻图片进行腐蚀膨胀处理并计算水稻的连通域，根据连通域的重心坐标，对计算机自动标注生成的图片进行修正，创建数据集生成基准密度图。本发明专利技术方法为后续基于深度学习水稻植株计数方法的研究创造了基础。造了基础。造了基础。

【技术实现步骤摘要】
基于CECI算法的水稻植株深度学习计数数据集的创建方法


[0001]本专利技术涉及智慧农业的
，尤其涉及基于CECI算法的水稻植株深度学习计数数据集的创建方法。

技术介绍

[0002]近年来，以人工智能等现代信息技术为基础的精细农业正成为农业现代化的发展趋势，加快推进了人工智能等现代信息技术在农业中的应用是发展现代农业的迫切需求。在作物表型研究中，获取水稻植株数量信息是精细农业研究的关键问题之一，高效准确地统计出单位面积内水稻植株的数量对水稻产量估产、水稻的田间栽培管理等方面具有重要意义。
[0003]目前，对于农作物植株计数的方法主要有三种：人工植株计数、基于传统图像处理的植株计数方法、基于深度学习的植株计数方法。人工植株计数方法是一种小规模的计数方法，实践中计数人员需要手持米尺，多次选取合理的区域手动计数。由于它具有观测繁琐，工作量大，易出现计数误差，破坏水稻生长环境等缺点，已渐渐不能满足农业中的观测业务需要；基于传统图像处理的植株计数方法主要是通过可见光或多光谱相机获取田间的作物图像，借助计算机视觉理论来获取作物图像的颜色、纹理等特征来实现植株计数，依赖于人工设计的特征提取器，还需要专业的知识及繁琐的参数调优过程，在实际业务的观测中泛化能力及鲁棒性较差；基于深度学习的植株计数方法主要研究的是利用深度学习算法以回归的方式进行植株计数，基于数据驱动进行特征自适应提取，根据大量样本的学习得到深层的、数据集特定的特征表示，因此具有计数精度高、算法鲁棒性强等优势，由于该类方法基于数据驱动进行建模，为将深度学习应用于水稻植株的计数问题，需要创建一个精准完备的数据集。因此作为深度学习方法的研究基础，数据集的作用至关重要。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了基于CECI算法的水稻植株深度学习计数数据集的创建方法解决现有的缺少合适的水稻田间的大规模植株计数数据集，无法高效准确地统计出单位面积内水稻植株的数量对水稻产量估产、水稻的田间栽培管理的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案，包括：采集原始水稻图片数据，对所述原始水稻图片进行植被色度筛选以及HSV空间色度分割处理，并提取所述处理后原始水稻图片中的绿色水稻区域；将所述原始水稻图片进行色度增强，并对所述色度增强处理后的原始水稻图片进行十簇聚类；
计算所述绿色水稻区域和十簇聚类分块后的重合率，根据所述重合率合并拼接得到最终的水稻图片；对所述最终的水稻图片进行腐蚀膨胀处理并计算水稻的连通域，根据所述连通域的重心坐标，对计算机自动标注生成的图片进行修正，创建数据集生成基准密度图。
[0008]作为本专利技术所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法的一种优选方案，其中：对所述原始水稻图片进行植被色度筛选，包括：提取图像的B、G、R三通道，计算得到图像，将所述图像进行色度筛选转化为8位int类型第一二值图像，所述 图像表示为：其中，CIVE为植被提取颜色指数，R、G、B分别为可见光红色、绿色、蓝色。
[0009]作为本专利技术所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法的一种优选方案，其中：HSV空间色度分割处理，包括：根据HSV空间色度分割处理，提取色度像素值并转为二值图像；所述二值图像
ꢀꢀ
，表示为：其中，为水稻的绿色在HSV颜色空间饱和度的最小值，为水稻的绿色在HSV颜色空间饱和度的最大值，函数表示进行阈值操作，将低于和高于 的像素值置为0；检测所有水稻植株轮廓并计算轮廓面积，当像素值面积小于50时，则舍去像素值并用0像素值进行填充，最后得到HSV颜色空间色度分割结果第二二值图像
ꢀꢀ
。
[0010]作为本专利技术所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法的一种优选方案，其中：提取原始水稻图片中的绿色水稻区域，包括：当第一二值图像、第二二值图像像素值不相等的位置置为0时，即植被 色度筛选以及HSV空间色度分割处理两种方法中像素值强度达到提取标准并保留绿色水稻区域结果，所述绿色水稻区域第三二值图像，表示为：其中，函数函数指对图像进行阈值分割， 为植被 色度筛选得到的第一二值图像，为HSV空间色度分割处理得到的第二二值图像。
[0011]作为本专利技术所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法的一种优选方案，其中：将所述原始水稻图片进行色度增强，并对所述色度增强处理后的原始
水稻图片进行十簇聚类，包括：对原始水稻图片进行色度增强处理，将色度设定为原图两倍；随机在平面上选择10个点作为初始中心点，计算各像素点到初始中心点的距离形成10簇，表示为：其中，为坐标在处的像素点，为第t轮迭代的第k个中心点，为第i簇聚类；多次迭代寻求到簇内各点距离最短的中心点，表示为：其中，为第t+1轮迭代的第k个中心点， 为各像素点到其对应簇内中心点的距离；多次迭代直至中心点位置不再发生变化，取最终聚类结果存入文件夹中，共十张图像。
[0012]作为本专利技术所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法的一种优选方案，其中：计算所述绿色水稻区域和十簇聚类分块后的重合率，包括：将第三二值图像、文件夹 中的十张图像进行分块，表示为：其中，为分块图像，分别为分块图像的宽度和高度；根据所述分块后的
ꢀꢀ
、中的十张图像求交集计算重合率并进行取舍，当重合率高于45%时，即保留，否则舍去，表示为：表示为：
其中，为文件夹中的第k张图， 为分块图像中的第k张图， ( )为计算面积，为根据重合率筛选后的文件夹中的第i张图片。
[0013]作为本专利技术所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法的一种优选方案，其中：根据所述重合率合并拼接得到最终的水稻图片，包括：合并拼接得到的最终的水稻图片，表示为：其中，函数表示对图像进行阈值分割，为新建的一张空白图像， 为根据重合率筛选后的文件夹中的第i张图片。
[0014]作为本专利技术所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法的一种优选方案，其中：对所述最终的水稻图片进行腐蚀膨胀处理并计算水稻的连通域，包括：利用腐蚀膨胀处理对最终的水稻图片 进行膨胀去除微小的噪点，在纤细处分离两株黏连的水稻植株，表示为：其中， 为腐蚀函数，为膨胀函数；计算水稻的连通域，包括：对所有求得的连通域求取面积，对面积的结果进行筛选，对一部分小面积连通域用0像素填充，按开运算公式对图像进行形态学处理去除微小噪点,利用findContours函数获得连通域，当连通域面积contours_area&lt;=25时，则进行第二次去除小面积连通域处理。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CECI算法的水稻植株深度学习计数数据集的创建方法，其特征在于，包括：采集原始水稻图片数据，对所述原始水稻图片进行植被色度筛选以及HSV空间色度分割处理，并提取所述处理后原始水稻图片中的绿色水稻区域；将所述原始水稻图片进行色度增强，并对所述色度增强处理后的原始水稻图片进行十簇聚类；计算所述绿色水稻区域和十簇聚类分块后的重合率，根据所述重合率合并拼接得到最终的水稻图片；对所述最终的水稻图片进行腐蚀膨胀处理并计算水稻的连通域，根据所述连通域的重心坐标，对计算机自动标注生成的图片进行修正，创建数据集生成基准密度图。2.如权利要求1所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法，其特征在于，对所述原始水稻图片进行植被色度筛选，包括：提取图像的B、G、R三通道，计算得到图像，将所述图像进行色度筛选转化为8位int类型第一二值图像，所述图像表示为：其中，CIVE为植被提取颜色指数，R、G、B分别为可见光红色、绿色、蓝色。3.如权利要求2所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法，其特征在于，HSV空间色度分割处理，包括：根据HSV空间色度分割处理，提取色度像素值并转为二值图像；所述二值图像，表示为：其中，为水稻的绿色在HSV颜色空间饱和度的最小值，为水稻的绿色在HSV颜色空间饱和度的最大值，函数表示进行阈值操作，将低于和高于的像素值置为0；检测所有水稻植株轮廓并计算轮廓面积，当像素值面积小于50时，则舍去像素值并用0像素值进行填充，最后得到HSV颜色空间色度分割结果第二二值图像。4.如权利要求3所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法，其特征在于，提取原始水稻图片中的绿色水稻区域，包括：当第一二值图像、第二二值图像像素值不相等的位置置为0时，即植被色度筛选以及HSV空间色度分割处理两种方法中像素值强度达到提取标准并保留绿色水稻区域结果，
所述绿色水稻区域第三二值图像，表示为：其中，函数函数指对图像进行阈值分割，为植被色度筛选得到的第一二值图像，为HSV空间色度分割处理得到的第二二值图像。5.如权利要求4所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法，其特征在于，将所述原始水稻图片进行色度增强，并对所述色度增强处理后的原始水稻图片进行十簇聚类，包括：对原始水稻图片进行色度增强处理，将色度设定为原图两倍；随机在平面上选择10个点作为初始中心点，计算各像素点到初始中心点的距离形成10簇，表示为：其中，为坐标在处的像素点，为第t轮迭代的第k个中心点，为第i簇聚类；多次迭代寻求到簇内各点距离最短的中心点，表示为：其中，为第t+1轮迭代的第k个中心点，为各像素点到其对应簇内中心点...

【专利技术属性】
技术研发人员：白晓东，陈诗琪，谢婷婷，姬忠远，赵来定，刘丕超，顾苏松，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：