一种自动无损提取大豆植株表型的方法技术

本发明专利技术公开了一种自动无损提取大豆植株表型的方法，包括：获取大豆植株图像，将大豆植株图像输入至预先训练的YOLOv5s

【技术实现步骤摘要】
一种自动无损提取大豆植株表型的方法


[0001]本专利技术涉及农学
，特别涉及一种自动无损提取大豆植株表型的方法。

技术介绍

[0002]大豆是世界上最重要的豆类作物之一，也是人类优质蛋白的主要来源。大豆的营养价值在一定程度上有助于预防心脏病和糖尿病。由于大豆在现代经济环境中发挥着重要作用，培育优质高产大豆品种成为育种专家关注的焦点。大豆的表型分析有利于筛选出优良品种，是作物育种的重要过程，也是培育优质大豆的关键步骤。获取茎相关的表型数据一直是大豆植株表型提取的难题，以往茎相关的表型主要通过人工获取，需耗费大量的人力物力，而且时间成本大，难以满足育种家的需求，人工观察的准确性和可靠性也易受主观影响。
[0003]现有申请号为CN202210870626.2、公开号为CN115205834A的中国专利技术专利公开了一种大豆植株茎相关表型自动获取方法，该方法通过将目标检测和定向搜索相结合，以识别成熟植株中的有效分枝数、分枝角度、主茎长度和茎曲率，但这种方法针对分枝较多、分枝向下弯曲的植株会提取出错，而且该大豆植株表型获取方法是通过直线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动无损提取大豆植株表型的方法，其特征在于，所述方法包括以下步骤：获取大豆植株图像；将所述大豆植株图像输入至预先训练的YOLOv5s
‑
S神经网络模型中，对所述大豆植株图像中的豆荚区域和茎区域进行识别，根据识别结果分别获取豆荚的坐标信息和茎秆的坐标信息；根据所述豆荚的坐标信息获取豆荚个数；采用训练后的U2‑
Net神经网络模型对所述大豆植株图像进行语义分割，获得伪彩色分割图；对所述大豆植株图像进行二值化处理，获得二值化图像；将所述伪彩色分割图和所述二值化图像进行叠加，采用基于A*搜索的路径搜索算法对叠加后的图像进行处理，获得大豆植株茎相关表型特征。2.根据权利要求1所述的自动无损提取大豆植株表型的方法，其特征在于，所述将所述大豆植株图像输入至预先训练的YOLOv5s
‑
S神经网络模型中，对所述大豆植株图像中的豆荚区域和茎区域进行识别的步骤之前，所述方法还包括：获取大豆植株图像，使用LabelImg图像标注工具对大豆植株的豆荚和茎秆进行标注，将豆荚尖端区域标注为豆荚类，将茎秆上的连续区域标注为茎秆类，获得目标检测数据集；将所述目标检测数据集输入至基于SE注意力机制的初始YOLOv5神经网络模型进行迭代训练，得到预先训练的YOLOv5s
‑
S神经网络模型。3.根据权利要求1所述的自动无损提取大豆植株表型的方法，其特征在于，所述采用训练后的U2‑
Net神经网络模型对所述大豆植株图像进行语义分割，获得伪彩色分割图的步骤具体包括：采用训练后的U2‑
Net神经网络模型对所述大豆植株图像进行语义分割，将图像中的每个像素分类为不同的语义对象类别，并根据所述语义对象类别提取主茎和所有分枝的特征，获得茎区域的伪彩色分割图。4.根据权利要求1所述的自动无损提取大豆植株表型的方法，其特征在于，所述采用训练后的U2‑
Net神经网络模型对所述大豆植株图像进行语义分割的步骤之前，所述方法还包括：获取大豆植株图像，使用LabelMe图像标注工具对大豆植株的茎区域进行标注，获得语义分割任务数据集；将所述语义分割任务数据集输入至初始U2‑
Net神经网络模型进行迭代训练，得到训练后的U2‑
Net神经网络模型。5.根据权利要求1至4任一项所述的自动无损提取大豆植株表型的方法，其特征在于，所述基于A*搜索的路径搜索算法的估计代价函数为：f(n)＝g(n)+h(n)其中，f(n)表示从起点经过节点n到终点的估计成本，g(n)表示从起点移动到节点n的成本，h(n)表示从节点n到终点的估计成本。6.根据权利要求5所述的自动无损提取大豆植株表型的方法，其特征在于，所述大豆植株茎相关表型特征包括株高，相应地，所述获得大豆植株茎相关表型特征的步骤具体包括：将所述叠加后的图像中茎区域的最高点和最低点分别作为起点和终点，采用基于A*搜索的路径搜索算法寻找起点和终点之间的最短路径，将所述最...

【专利技术属性】
技术研发人员：黄岚，邱丽娟，王俊，周婉，陈伊洁，詹炜，李伟豪，张聪，熊亚俊，
申请(专利权)人：中国农业科学院作物科学研究所，
类型：发明
国别省市：