一种农作物种子发芽情况识别模型、构建方法及其应用技术

本申请提出了一种农作物种子发芽情况识别模型、构建方法及其应用，获取包含种子的高光谱图像，其中高光谱图像中标记每一所述种子的发芽标签，种子置于包含网格的纸张上拍摄高光谱图像；对高光谱图像进行分割，得到每一种子的位置信息，位置信息包括种子所包含的像素坐标和种子位置二值图像；匹配位置信息和发芽标签，提取每颗种子在高光谱图像中的种子特征图像；自适应填充每一种子特征图像得到对应的填充特征图像；填充特征图像作为训练集，训练集输入到改进的深度卷积神经网络中进行训练得到农作物种子发芽情况识别模型，其中种子发芽情况作为输出结果，可结合高光谱分割图像和深度神经网络提高农作物种子发芽率识别率。深度神经网络提高农作物种子发芽率识别率。深度神经网络提高农作物种子发芽率识别率。

【技术实现步骤摘要】
一种农作物种子发芽情况识别模型、构建方法及其应用


[0001]本申请涉及图像识别领域，特别是涉及一种农作物种子发芽情况识别模型、构建方法及其应用。

技术介绍

[0002]作物种子的质量将会影响作物的产量。目前国内主要通过作物种子的发芽率作为种子质量的指标，种子发芽率是指在一定条件下，能发芽的种子数占实验种子总数量的比例，若能通过合适的方法有效的提升种子发芽识别率，在播种前尽量的将那些失活种子剔除，将会带来巨大的经济收益。因此，如何提高种子发芽识别率具有重要意义。
[0003]目前，快速测定种子发芽率的方法包括电导率测定、冷浸法、热浸法、感观法、吸涨法等。但这些方法需要花费较长时间，测定过程需要借助特定的仪器设备或试剂才能完成，测定过程也很复杂。近年来，高光谱技术也被普遍应用在种子发芽率识别上，有学者将高光谱成像技术应用到发芽率识别方法中，比如中国专利CN201010514132.8 公布了基于高光谱图像技术的粮粒含水率检测方法，中国专利CN201210090171.9 公布了高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法，安徽农业科学学术期刊中发表了文章高光谱技术在常规农作物种子活力检测中的应用。上述的这些专利采用的是传统的识别算法，这对特征的选取要求比较高，且有一定局限性，泛化性不能保证，不能很好地自动学习精确的特征表达。
[0004]随着深度卷积神经网络研究的成熟，深度学习被广泛的应用在场景识别、物体检测问题中，深度卷积神经网络识别的效率也越来越快、准确率越来越高。也有学者将浅层的神经网络和多光谱或高光谱图像技术相结合的方法去提升种子发芽识别率，如专利CN201910247893.2一种基于高光谱成像和人工神经网络的农作物种子发芽能力的检测方法，并未对输入网络的高光谱图像进行细致的分割处理，且使用了较浅层的神经网络，无法学习到具有代表性的语义信息。
[0005]因此，如何有效的结合高光谱分割图像和深层卷积神经网络提升种子发芽识别率成为亟待解决的问题。

技术实现思路

[0006]本申请实施例提供了一种农作物种子发芽情况识别模型、构建方法及其应用，提供了一种可有效地结合高光谱分割图像和深层卷积神经网络提升种子发芽识别率的农作物种子发芽情况识别模型。
[0007]第一方面，本申请实施例提供了一种农作物种子发芽情况识别模型的构建方法，包括：S1：获取包含种子的高光谱图像，其中所述高光谱图像中标记每一所述种子的发芽标签，种子置于包含网格的纸张上拍摄高光谱图像；S2：对所述高光谱图像进行分割，得到每一所述种子的位置信息，所述位置信息包
括种子所包含的像素坐标和种子位置二值图像；S3：匹配所述位置信息和所述发芽标签，提取所述每颗种子在所述高光谱图像中的种子特征图像；S4：自适应填充每一所述种子特征图像得到对应的填充特征图像；S5：所述填充特征图像作为训练集，所述训练集输入到改进的深度卷积神经网络中进行训练得到农作物种子发芽情况识别模型，其中种子发芽情况作为输出结果。
[0008]第二方面，本申请实施例提供了一种农作物种子发芽情况识别模型，其特征在于，根据所述的农作物种子发芽情况识别模型的构建方法构建得到。
[0009]第三方面，本申请实施例提供一种提高农作物种子发芽情况识别率的识别方法，包括以下步骤：获取待测种子的高光谱图像，将所述高光谱图像输入到所述的农作物种子发芽情况识别模型中得到输出结果，基于所述输出结果判断待测种子的发芽情况。
[0010]第四方面，本申请实施例提供一种提高农作物种子发芽情况识别率的识别装置，包括：获取单元，用于获取待测种子的高光谱图像；检测单元，用于将所述高光谱图像输入到上述构建的农作物种子发芽情况识别模型中得到输出结果，基于所述输出结果判断待测种子的发芽情况。
[0011]第五方面，本申请实施例提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括所述的农作物种子发芽情况识别模型的构建方法或所述的提高农作物种子发芽情况识别率的识别方法。
[0012]本专利技术的主要贡献和创新点如下：本申请实施例采用的分割算法能够充分滤除噪声区域，充分分割出目标区域信息，为后续标签匹配和模型训练夯实基础；本方案提供的深度卷积网络部分具有几大特点：1.网络接受可变输入尺寸：接受可变输入尺寸网络，不仅减少网络的计算量，而且降低网络训练时间及训练网络硬件成本；2.特征融合：本专利在深度卷积网络选取最佳特征后进行一维特征的融合，不增加网络的计算量和参数量；3.自适应填充：得到不改变原始图片大小的前提下，得到符合网络的最小输入尺寸图片，降低网络训练时间，提升识别速度。
[0013]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
[0014]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是本专利技术的农作物种子发芽情况识别模型的构建方法的流程示意图。
[0015]图2是本专利技术种子高光谱灰度图。
[0016]图3是本专利技术阈值分割和自适应阈值分割融合图。
[0017]图4是本专利技术初步分割二值图。
[0018]图5是本专利技术纸张内网格区域二值图。
[0019]图6是本专利技术每张纸中种子位置分割二值图。
[0020]图7是本专利技术每颗种子和发芽结果的对应图。
[0021]图8是本专利技术输入网络的种子自适应缩放填充图。
[0022]图9是本专利技术的种子自适应缩放过程示意图。
[0023]图10是本专利技术的农作物种子发芽情况识别模型的结构示意图。
[0024]图11是本方案的电子装置的示意图。
具体实施方式
[0025]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
[0026]需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
[0027]实施例一本申请旨在提出一种可结合高光谱分割图像和深度神经网络提高农作物种子发芽率识别率的方法，本方案所指代的农作物可以是水稻、大麦等。值得一提的是，本方案是通过对改进的深度卷积神经网络进行改进后，利用自适应的填充特征图像对深度卷积神经网络进行训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种农作物种子发芽情况识别模型的构建方法，其特征在于，包括：S1：获取包含种子的高光谱图像，其中所述高光谱图像中标记每一所述种子的发芽标签，种子置于包含网格的纸张上拍摄高光谱图像；S2：对所述高光谱图像进行分割，得到每一所述种子的位置信息，所述位置信息包括种子所包含的像素坐标和种子位置二值图像；S3：匹配所述位置信息和所述发芽标签，提取所述每颗种子在所述高光谱图像中的种子特征组成种子特征图像；S4：自适应填充每一所述种子特征图像得到对应的填充特征图像；S5：所述填充特征图像作为训练集，所述训练集输入到改进的深度卷积神经网络中进行训练得到农作物种子发芽情况识别模型，其中种子发芽情况作为输出结果。2.根据权利要求1所述的农作物种子发芽情况识别模型的构建方法，其特征在于，步骤S2进一步包括步骤：S21：拆分所述高光谱图像得到每个波段的灰度图，对灰度图进行阈值分割和自适应分割操作得到分割二值图像，融合所述分割二值图像得到第一图像；S22：去除第一图像中所有的网格线，初步分割出显示种子位置和纸张边缘轮廓位置的第一二值图像；S23：对第一图像做孔洞填充和形态学操作，得到网格区域内所包含的所有像素坐标，进而得到网格区域；S24：根据所述网格区域的轮廓信息，将所述网格区域绘制在和所述高光谱图像大小相同的黑色图像上，得到一张网格区域为白色，其他区域为黑色的第二二值图像；S25：对第一二值图像和第二二值图像mask中每个像素进行二进制与操作，得到网格区域内种子的分割二值图像；S26：对得到的分割二值图像进行连通域面积过滤去除杂质，得到分割较好的位置信息，所述位置信息包括每颗种子所包含的像素坐标和种子位置二值图像。3.根据权利要求1所述的农作物种子发芽情况识别模型的构建方法，其特征在于，步骤S3进一步包括步骤：S31：校正所述位置信息对应的网格的最小矩阵框得到网格矩阵框；S32：获取每颗种子的中心点至所述网格矩阵框的边界线的距离，并得到每颗种子对应的正外接矩形框；S33：依据每颗种子的中心点距离所述网格矩阵框的边界线的距离，排序所述种子；S34：基于排序后的种子判断种子是否重叠，去除重叠的种子得到排序后...

【专利技术属性】
技术研发人员：陈渝阳，朱旭华，周希杰，刘荣利，王闯，谢朝明，
申请(专利权)人：浙江托普云农科技股份有限公司，
类型：发明
国别省市：