一种玉米苗情苗势获取方法及系统技术方案

本发明专利技术涉及一种玉米苗情苗势获取方法及系统，包括：获取种植区域影像数据，通过深度学习模型识别标识物获得目标区域，并检测玉米植株，获取玉米植株多个表型参数；根据标识物及小区垄向对目标区域进行切分，得到每排小区图像以及单个小区长度，并对每排小区图像进行识别，获取单株植株图像的坐标；根据单株植株坐标及小区数，得到单个小区宽度，获取每个小区的出苗数；根据相邻植株的纵坐标差计算得到每个苗间距，并根据单株植株的横纵坐标差确定植株的宽和长，进而得到植株面积及冠幅直径；将合并后的数据进行显著性分析，得到显著性分析的

【技术实现步骤摘要】
一种玉米苗情苗势获取方法及系统


[0001]本专利技术涉及一种农业信息
，特别是关于一种基于无人机航拍图像机器学习的玉米苗情苗势获取方法及系统
。

技术介绍

[0002]玉米幼苗时期是决定玉米产量的关键时期，及时了解出苗数
、
苗面积
、
苗间距等表型参数，可以把控种植过程中的各种风险
。
传统的苗情苗势监测主要靠人工，但人工的判断会带有主观性，采集数据不能保证信息的准确性，无法对数据核查，而且人工成本高
、
效率低
、
观测范围有限，对后续分析有很大影响
。

技术实现思路

[0003]针对上述问题，本专利技术的目的是提供一种基于无人机航拍图像机器学习的玉米苗情苗势获取方法及系统，其能进行大面积采集数据，实现玉米苗期表型参数标准化分析及管理
。
[0004]为实现上述目的，本专利技术采取以下技术方案：一种基于无人机航拍图像机器学习的玉米苗情苗势获取方法，其包括：获取种植区域影像数据，通过深度学习模型识别标识物获得目标区域，并检测玉米植株，获取玉米植株多个表型参数；根据标识物及小区垄向对目标区域进行切分，得到每排小区图像以及单个小区长度，并对每排小区图像进行识别，获取单株植株图像的坐标；根据单株植株坐标及小区数，得到单个小区宽度，获取每个小区的出苗数；根据相邻植株的纵坐标差计算得到每个苗间距，并根据单株植株的横纵坐标差确定植株的宽和长，进而得到植株面积及冠幅直径；将根据出苗数
、
植株面积及冠幅直径得到的苗情苗势数据表与种植规划表按排号和列号进行合并，对合并后的数据进行显著性分析，得到显著性分析的
excel
文件
、
小区苗数性状的概率密度图和热度图
。
[0005]进一步，通过深度学习识别标识物获得目标区域，并检测玉米植株，包括：
[0006]将标识物和玉米植株分为两个类别并进行标记，输入至深度学习模型进行训练，得到训练后的模型；
[0007]基于训练后的模型对种植区域影像数据进行处理，能分别识别出标识物和玉米植株，得到目标区域以及目标区域内的植株
。
[0008]进一步，单个小区长度，为：
[0009]基于标识物的坐标，每四个标识物坐标确定一排待测小区，通过四个坐标从种植区域图像上将待测小区切分出来，切分出来的区域的纵坐标差为单个小区长度
。
[0010]进一步，根据单株植株坐标及小区数，得到单个小区宽度，获取每个小区的出苗数，包括：
[0011]标识物的横坐标差为待测区域宽度，根据种植规范，若不是宽窄垄，小区宽度为：
4/5
×
(
待测区域宽度
/
小区数
)
；若是宽窄垄，小区宽度为：
(
待测区域宽度
/
小区数
)
‑
30
，根据垄向依次获取所有小区；
[0012]根据小区坐标和植株坐标，判断出同一小区有多少植株，获得出苗数
。
[0013]进一步，得到植株面积及冠幅直径，包括：
[0014]植株的宽度为横坐标差
w
，植株的长度为纵坐标差
h
，植株面积为：
w*h
；
[0015]叶子的朝向是没有固定方向的，选取长的一边作为冠幅直径：
max(w,h)。
[0016]进一步，苗情苗势数据表包括：出苗率
、
苗间距均值
、
苗间距方差
、
苗面积占比
、
叶长均值
、
叶长方差及播种密度
。
[0017]进一步，得到显著性分析的小区苗数性状的概率密度图和热度图，包括：
[0018]概率密度图绘制函数为：
[0019]sns.kdeplot(data
＝
data,shade
＝
True,vertical
＝
False,cut
＝
0,color
＝
'r',alpha
＝
0.5,linewidth
＝
0.5,linestyle
＝
'
‑
')
[0020]其中，
data
为读取的苗情苗势数据表中的参数；
shade
为阴影；
vertical
为以
y
轴进行绘制；
cut
为切除带宽往数轴极限值；
color
为绘制颜色；
alpha
为颜色的色彩饱和度；
linewidth
为线条大小；
linestyle
为线条为直线；
sns.kdeplot()
是概率密度图绘制函数；
[0021]热度图的绘制函数为：
[0022]sns.heatmap(data,annot
＝
False,cmap
＝
'coolwarm')
[0023]其中，
data
为读取的苗情苗势数据表中的参数；
annot
为不在每个热力图单元格中写入数据值；
cmap
为从数据值到颜色空间的映射；
sns.heatmap()
是热度图的绘制函数
。
[0024]一种基于无人机航拍图像机器学习的玉米苗情苗势获取系统，其包括：第一处理模块，获取种植区域影像数据，通过深度学习模型识别标识物获得目标区域，并检测玉米植株，获取玉米植株多个表型参数；第二处理模块，根据标识物及小区垄向对目标区域进行切分，得到每排小区图像以及单个小区长度，并对每排小区图像进行识别，获取单株植株图像的坐标；第三处理模块，根据单株植株坐标及小区数，得到单个小区宽度，获取每个小区的出苗数；第四处理模块，根据相邻植株的纵坐标差计算得到每个苗间距，并根据单株植株的横纵坐标差确定植株的宽和长，进而得到植株面积及冠幅直径；显著分析模块，将根据出苗数
、
植株面积及冠幅直径得到的苗情苗势数据表与种植规划表按排号和列号进行合并，对合并后的数据进行显著性分析，得到显著性分析的
excel
文件
、
小区苗数性状的概率密度图和热度图
。
[0025]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法
。
[0026]一种计算设备，其包括：一个或多个处理器
、
存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种玉米苗情苗势获取方法，其特征在于，包括：获取种植区域影像数据，通过深度学习模型识别标识物获得目标区域，并检测玉米植株，获取玉米植株多个表型参数；根据标识物及小区垄向对目标区域进行切分，得到每排小区图像以及单个小区长度，并对每排小区图像进行识别，获取单株植株图像的坐标；根据单株植株坐标及小区数，得到单个小区宽度，获取每个小区的出苗数；根据相邻植株的纵坐标差计算得到每个苗间距，并根据单株植株的横纵坐标差确定植株的宽和长，进而得到植株面积及冠幅直径；将根据出苗数
、
植株面积及冠幅直径得到的苗情苗势数据表与种植规划表按排号和列号进行合并，对合并后的数据进行显著性分析，得到显著性分析的
excel
文件
、
小区苗数性状的概率密度图和热度图
。2.
如权利要求1所述玉米苗情苗势获取方法，其特征在于，通过深度学习识别标识物获得目标区域，并检测玉米植株，包括：将标识物和玉米植株分为两个类别并进行标记，输入至深度学习模型进行训练，得到训练后的模型；基于训练后的模型对种植区域影像数据进行处理，能分别识别出标识物和玉米植株，得到目标区域以及目标区域内的植株
。3.
如权利要求1所述玉米苗情苗势获取方法，其特征在于，单个小区长度，为：基于标识物的坐标，每四个标识物坐标确定一排待测小区，通过四个坐标从种植区域图像上将待测小区切分出来，切分出来的区域的纵坐标差为单个小区长度
。4.
如权利要求1所述玉米苗情苗势获取方法，其特征在于，根据单株植株坐标及小区数，得到单个小区宽度，获取每个小区的出苗数，包括：标识物的横坐标差为待测区域宽度，根据种植规范，若不是宽窄垄，小区宽度为：
4/5
×
(
待测区域宽度
/
小区数
)
；若是宽窄垄，小区宽度为：
(
待测区域宽度
/
小区数
)
‑
30
，根据垄向依次获取所有小区；根据小区坐标和植株坐标，判断出同一小区有多少植株，获得出苗数
。5.
如权利要求1所述玉米苗情苗势获取方法，其特征在于，得到植株面积及冠幅直径，包括：植株的宽度为横坐标差
w
，植株的长度为纵坐标差
h
，植株面积为：
w*h
；叶子的朝向是没有固定方向的，选取长的一边作为冠幅直径：
max(w,h)。6.
如权利要求1所述玉米苗情苗势获取方法，其特征在于，苗情苗势数据表包括：出苗率
、
苗间距均值
、
苗间距方差
、
苗面积占比
、
叶长均值
、
叶长方差及播种密度
。7.
如权利要求1所述玉米苗情苗势获取方法，其特征在于，得到显著性分析的小区苗数性状的概率密度图和热度图，包括：概率密度图绘制函数为：
sns.kdeplot(data
...

【专利技术属性】
技术研发人员：王喜庆，张悦，
申请(专利权)人：深圳市中农大前沿技术研究院，
类型：发明
国别省市：