一种一体化水稻穗部谷粒粒型性状的提取方法技术

本发明专利技术涉及图像处理技术领域，具体提供了一种一体化水稻穗部谷粒粒型性状的提取方法，包括如下步骤：S1：穗部谷粒检测；S11：采集原始稻穗图像，构建稻穗图像数据集；S12：对稻穗图像数据集进行训练、验证与测试；S2：遮挡谷粒修复；S21：对遮挡谷粒图像进行采集并获得成对谷粒图像训练集；S22：对成对谷粒图像训练集进行训练与测试；S3：谷粒粒型性状提取，得到谷粒长度、宽度、周长以及谷粒投影面积；S4：获取一体化穗部谷粒检测修复模型及一体化穗部谷粒粒型性状提取模型。本方案可对自然形态下受到遮挡的水稻穗部谷粒进行修复而解决穗部谷粒间相互遮挡的问题，提高了水稻穗部谷粒粒型性状提取的效率与精度。提取的效率与精度。提取的效率与精度。

【技术实现步骤摘要】
一种一体化水稻穗部谷粒粒型性状的提取方法


[0001]本专利技术涉及图像处理
，尤其涉及一种一体化水稻穗部谷粒粒型性状的提取方法。

技术介绍

[0002]水稻是重要的粮食作物，已在世界各地被广泛种植。水稻穗部的粒型性状是重要的水稻基因体现，也是水稻基因研究的重要途径，在粒型性状中谷粒长度的增加会使谷粒长宽比提高、谷粒形状由短圆形向细长形变化，但会使谷粒宽度、谷粒厚度下降；谷粒宽度、谷粒厚度协同提高的同时，会使谷粒长宽比下降、谷粒形状由细长形向短圆形改变，谷粒形状与谷粒长宽比具有较高的相关性。
[0003]在当前水稻遗传育种的过程中，需要大量表型数据为水稻穗部的粒型基因选择作支撑。传统的表型测量方法主要依赖人工，工作量大、效率低下，且人工测量法受人主观性的影响较大，难以满足当前遗传育种的需求，同时当下劳动力成本逐年增高，水稻穗部粒型性状检测的成本也越来越高。随着成像技术和计算机技术的发展，高通量自动化进行表型测量方法已越来越普遍，但水稻穗部谷粒之间存在大量的相互遮挡，极大地限制了水稻谷粒性状提取的效率。目前，高通量水稻谷粒粒型性状主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种一体化水稻穗部谷粒粒型性状的提取方法，其特征在于，包括如下步骤：S1：穗部谷粒检测；S11：对自然形态下的原始稻穗图像进行采集并构建稻穗图像数据集；S12：通过谷粒检测网络模型对稻穗图像数据集进行训练、验证与测试；所述谷粒检测网络模型包括用以提取稻穗图像特征的特征提取网络、用以将特征提取网络在不同深度提取的特征进行融合的特征金字塔网络、用以生成可能存在目标的预测框的区域提案网络、用以对网络检测到的目标进行分类并对检测到的目标边界框位置进行优化的分类回归网络；S2：遮挡谷粒修复；S21：对遮挡谷粒图像进行采集并获得包括一张未受遮挡的谷粒图像与一张对应受到遮挡的谷粒图像的成对谷粒图像训练集；S22：通过谷粒修复网络模型对成对谷粒图像训练集进行训练与测试；所述谷粒修复网络模型包括用以将输入的遮挡图像修复为无遮挡图像的生成器、用以判定生成器生成的无遮挡图像真实性的判别器；S3：谷粒粒型性状提取，得到谷粒长度、宽度、周长以及谷粒投影面积；S4：获取一体化穗部谷粒粒型性状提取模型；S41：获取S1中得到的最优谷粒检测网络模型；S42：获取S2中得到的最优谷粒修复网络模型；S43：将谷粒修复网络模型集成到谷粒检测网络模型中，置于区域提案网络之后，与分类回归网络并行，得到一体化穗部谷粒检测修复模型；S44：将性状提取管道集成至一体化穗部谷粒检测修复模型中，得到一体化穗部谷粒粒型性状提取模型。2.根据权利要求1所述的一体化水稻穗部谷粒粒型性状的提取方法，其特征在于，S12中的谷粒检测网络模型的目标函数公式如下所示：其中，表示第i个anchor预测为目标的概率，为对应真实标签，如anchor内存在目标则为1，反之则为0；为一个坐标参数向量，表示预测边界框与真实边界框坐标之间的补偿，表示存在目标的anchor所对的真实边界框的坐标；表示训练时的批大小；表示区域提案网络生成的anchor的数量；为一个交叉熵损失，用于对anchor中是否包含物体进行分类，具体计算公式如下所示：；为一个回归损失，用于使网络得到更精确的边界框，具体计算公式如下所示：
。3.根据权利要求2所述的一体化水稻穗部谷粒粒型性状的提取方法，其特征在于，S22中的谷粒修复网络模型的目标函数公式如下所示：其中，D为判别器，G为生成器，z为噪声，x为真实图像，y为约束条件；为条件生成式对抗网络的目标函数：为条件生成式对抗网络的目标函数：为网络的L1损失函数：。4.根据权利要求1
‑
3中任一项所述的一体化水稻穗部谷粒粒型性状的提取方法，其特征在于，S21包括如下子步骤：S211：遮挡谷粒图像采集：获取整株水稻稻穗，将稻穗自然放置于扫描仪盖板上，在稻穗上选择一个受遮挡的谷粒，对受遮挡的谷粒进行固定，将固定好的受遮挡的谷粒连同稻穗共同进行成像，获取受遮挡的谷粒图像；S212：未受遮挡谷粒图像采集：取下S211中的稻穗，仅保留固定在扫描仪盖板上的谷粒，再次进行扫描，获取对应未受遮挡的谷粒图像；S213：合成遮挡谷粒图像对：对于未受遮挡的谷粒图像，取出图像的红色通道，对红色通道进行二值化，获取图像轮廓并求出谷粒轮廓的外接矩形；再根据外接矩形的坐标在遮挡图像中取出对应受到遮挡的子图，将两个子图在水平方向上进行拼接后得到合成的遮挡谷粒修复数据集；S214：数据增强：将S213中获得的合成遮挡谷粒图像进行随机水平或垂直翻转，以扩增数据集，训练集构建完成且每一份训练集图像均包括成对的谷粒图像，即包括一张未受遮挡的谷粒图像与一张对应受到遮挡的谷粒图像；S215：划分数据集：将S214中获得的成对谷粒图像作为数据集，将数据集中的图像按4:1的数量比例划分为训练集和测试集。5.根据权利要求4所述的一体化水稻穗部谷粒粒型性状的提取方法，其特征在于，S22包括如下子步骤：S221：将S215中获得的成对谷粒图像训练集输入至谷粒修复网络模型中进行训练，对神经网络中的参数进行更新，直到达到指定的迭代次数或指定的精度后，停止训练；S222：将S215中获得的测试集中的合成遮挡谷粒图像输入至谷粒修复网络模型中得到复原后的完整谷粒图像，再将完整谷粒图像与测试集中的真实完整谷粒图像进行对比测试；
选择谷粒的粒长参数、粒宽参数、面积参数、周长参数4个粒型参数进行对比测试，计算4个粒型参数修复值与真实值的平均绝对百分比误差及相...

【专利技术属性】
技术研发人员：余乐俊，刘谦，卢宇韦，王金虎，
申请(专利权)人：海南大学，
类型：发明
国别省市：