空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质技术方案

本发明专利技术公开了一种空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质，包括：基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。本发明专利技术能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，为深入研究水稻植株生长运动节律提供技术支撑。深入研究水稻植株生长运动节律提供技术支撑。深入研究水稻植株生长运动节律提供技术支撑。

【技术实现步骤摘要】
空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质


[0001]本专利技术涉及目标检测
，尤其涉及一种空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质。

技术介绍

[0002]随着我国载人航天技术和生命科学理论与技术的快速发展，以空间生命科学为典型代表的一系列由载人空间探索而产生和发展的新兴学科也逐步发展起来，为我国航天事业发展做出了重要贡献。随着中国空间站运行时间的持续和运行平台的不断完善，为地面提供了海量的有意义实验数据，尤其是相机拍摄得到动植物生长的图像和视频数据，为科学家深入开展空间生物节律研究和高等植物研究等提供了有效的失重、辐射和磁场等空间环境下的真实数据支撑。
[0003]其中，对于高等植物的研究，例如针对太空失重条件下的水稻在不同光周期条件下的发芽、开花、授粉、结果整个生长发育过程进行记录分析，可以为分析阐明重力对于光周期诱导植物开花的作用和重力对于植物生长周期节律的影响提供新证据。特别地，针对水稻的叶尖摆动生长轨迹生成的研究，量化统计植物的运行和生长特性，深化对生物学、植物学问题的定量认识，探究特定环境下植物生长过程受到外部应力与应变关系，对于研究植物的运行周期和生长节律等特性有重要意义。
[0004]然而，业界目前还未有针对水稻叶尖轨迹生成的研究方案，现有方案主要还是依靠人工来完成逐帧的水稻植株叶尖标注，然而人工标注耗时长、效率较低、且成本较高，标注数据量大，需要的时间周期较长。即使标注得到水稻叶尖每时刻的位置信息，也难以直观的分析展示水稻的生长轨迹来统计周期性的生长节律。
[0005]因此，亟需提供一种技术方案解决上述问题。

技术实现思路

[0006]为解决上述技术问题，本专利技术提供了一种空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质。
[0007]本专利技术的空间水稻叶尖检测与生长轨迹生成方法的技术方案如下：
[0008]S1、基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；
[0009]S2、将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；
[0010]S3、根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
[0011]本专利技术的空间水稻叶尖检测与生长轨迹生成方法的有益效果如下：
[0012]本专利技术的方法能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，从而为空间科学实验机理研究提供数据服务，为科研人员深入研究水稻
植株生长运动节律提供技术支撑。
[0013]在上述方案的基础上，本专利技术的空间水稻叶尖检测与生长轨迹生成方法还可以做如下改进。
[0014]进一步，还包括：
[0015]获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。
[0016]进一步，还包括：
[0017]对每个目标训练图像中的每个叶尖分别进行标注，得到每个目标训练图像对应的多个包含叶尖的训练标注框。
[0018]进一步，步骤S1包括：
[0019]S11、将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框，并根据所述任一目标训练图像中的每个相同叶尖的训练标注框和训练检测框，得到所述任一目标训练图像的损失值，直至得到每个目标训练图像的损失值；
[0020]S12、基于所有的损失值，对所述预设目标检测模型的网络参数进行优化，得到优化后的目标检测模型，将所述优化后的目标检测模型作为所述预设目标检测模型并返回执行步骤S11，直至所述优化后的目标检测模型满足预设训练条件时，将所述优化后的目标检测模型确定为所述训练好的目标检测模型。
[0021]进一步，所述预设目标检测模型包括：依次连接设置的融合位置注意力的骨干网络、多尺度特征金字塔网络和候选区域生成网络；将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框的步骤，包括：
[0022]将所述任一目标训练图像输入至所述融合位置注意力的骨干网络，得到所述任一目标训练图像的四个不同分辨率的第一特征图；
[0023]将所述任一目标训练图像的四个不同分辨率的第一特征图输入至多尺度特征金字塔网络，得到所述任一目标训练图像的五个不同分辨率的第二特征图；
[0024]将所述任一目标训练图像的五个不同分辨率的第二特征图输入至候选区域生成网络，得到所述任一目标训练图像的每个包含叶尖的训练检测框。
[0025]进一步，任一待测图像为红光背景待测图像或多个白光背景待测图像；根据所述待检测空间水稻的任一目标检测框，确定该目标检测框中的叶尖在所述预设坐标系中的空间坐标的步骤，包括：
[0026]当所述任一目标检测框为白光背景待测图像对应的目标检测框时，基于颜色信息，对所述任一目标检测框对应的白光背景待测图像进行水稻本体植株提取，得到该白光背景待测图像对应的植株提取图像，并将所述任一目标检测框映射至该白光背景待测图像对应的植株提取图像中，得到所述任一目标检测框的目标检测光映射区域，并利用Harris
‑
Laplace角点检测器，提取所述任一目标检测框的目标检测光映射区域中的所有角点特征，并采用KMeans聚类算法，对所述任一目标检测框的目标检测光映射区域中的所有角点特征进行聚类，得到所述任一目标检测框中的叶尖在所述预设坐标系中的空间坐标；
[0027]当所述任一目标检测框为红光背景待测图像对应的目标检测框时，将所述任一目标检测框的中心点位置确定为叶尖在所述预设坐标系中的空间坐标。
[0028]进一步，还包括：
[0029]基于空间位置的最近邻匹配方式，确定所述任一叶尖对应的每个目标检测框。
[0030]本专利技术的空间水稻叶尖检测与生长轨迹生成系统的技术方案如下：
[0031]包括：训练模块、检测模块和生成模块；
[0032]所述训练模块用于：基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；
[0033]所述检测模块用于：将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；
[0034]所述生成模块用于：根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
[0035]本专利技术的空间水稻叶尖检测与生长轨迹生成系统的有益效果如下：
[0036]本专利技术的系统能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，从而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空间水稻叶尖检测与生长轨迹生成方法，其特征在于，包括：S1、基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；S2、将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；S3、根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。2.根据权利要求1所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，还包括：获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。3.根据权利要求1或2所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，还包括：对每个目标训练图像中的每个叶尖分别进行标注，得到每个目标训练图像对应的多个包含叶尖的训练标注框。4.根据权利要求3所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，步骤S1包括：S11、将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框，并根据所述任一目标训练图像中的每个相同叶尖的训练标注框和训练检测框，得到所述任一目标训练图像的损失值，直至得到每个目标训练图像的损失值；S12、基于所有的损失值，对所述预设目标检测模型的网络参数进行优化，得到优化后的目标检测模型，将所述优化后的目标检测模型作为所述预设目标检测模型并返回执行步骤S11，直至所述优化后的目标检测模型满足预设训练条件时，将所述优化后的目标检测模型确定为所述训练好的目标检测模型。5.根据权利要求4所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，所述预设目标检测模型包括：依次连接设置的融合位置注意力的骨干网络、多尺度特征金字塔网络和候选区域生成网络；将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框的步骤，包括：将所述任一目标训练图像输入至所述融合位置注意力的骨干网络，得到所述任一目标训练图像的四个不同分辨率的第一特征图；将所述任一目标训练图像的四个不同分辨率的第一特征图输入至多尺度特征金字塔网络，得到所述任一目标训练图像的五个不同分辨率的第二特征图；将所述任一目标训练图像的五个不同分辨率的第二特征图输入至候选区域生成网络，得到所述任一目标训练...

【专利技术属性】
技术研发人员：李盛阳，吕艺璇，
申请(专利权)人：中国科学院空间应用工程与技术中心，
类型：发明
国别省市：