【技术实现步骤摘要】
本专利技术属于水稻质量测定，具体为一种基于深度学习的计算机视觉水稻质量测定方法。
技术介绍
1、水稻单产的持续增加一直是育种和栽培研究的重要目标，精准的产量预测可以加快育种的速度并为粮食的种植提供指导。水稻穗部的表型特征、穗数、稻穗的投影面积等与产量有着极为密切的关系，而且穗部表型特征的识别在水稻的病虫害检测、营养分析、抽穗期的检测具有重要的指导意义。因此，水稻质量测定水稻产量预测和表型研究的关键。
2、但是常见的测定方法多采用人工进行测定，工作效率较为低下的同时，也使得测量精度不够高。
技术实现思路
1、本专利技术的目的在于：为了解决上述提出的问题，提供一种基于深度学习的计算机视觉水稻质量测定方法。
2、本专利技术采用的技术方案如下：一种基于深度学习的计算机视觉水稻质量测定方法，所述基于深度学习的计算机视觉水稻质量测定方法包括以下步骤：
3、s1：电源供电模块为整个系统提供电能之后，整个系统开始运行，水稻图像采集模块开始通过可见光工业相机进行水稻图片的
本文档来自技高网...
【技术保护点】
1.一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述基于深度学习的计算机视觉水稻质量测定方法包括以下步骤：
2.如权利要求1所述的一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述步骤S1中，位于水稻侧面的可见光工业相机在每次旋转的间隙拍摄，每盆水稻共采集13张侧视png格式的RGB图片，图像的分辨率为2452像素×2056像素，自动采集图像并储存至工作站，检测完毕的水稻通过出检线送出。
3.如权利要求1所述的一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述步骤S2中，处理过程如下：①预处理；对感兴趣区域...
【技术特征摘要】
1.一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述基于深度学习的计算机视觉水稻质量测定方法包括以下步骤：
2.如权利要求1所述的一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述步骤s1中，位于水稻侧面的可见光工业相机在每次旋转的间隙拍摄，每盆水稻共采集13张侧视png格式的rgb图片，图像的分辨率为2452像素×2056像素，自动采集图像并储存至工作站，检测完毕的水稻通过出检线送出。
3.如权利要求1所述的一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述步骤s2中，处理过程如下：①预处理；对感兴趣区域进行裁剪；②二值化；将彩色cae图进行阈值分割，公式为：2a－c－e≥s(其中，a为像素点的绿色分量，c为红色分量，e为蓝色分量)，s＝20为阈值，得到水稻植株的二值图，将整株分割的二值图与cae图片进行掩膜得到整株分割图像。
4.如权利要求1所述的一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述步骤s2中，提取多个水稻整株水稻特征；高(h：水稻植株形态参数，水稻植株外接矩形的高度；宽(w)：水稻植株形态参数,水稻植株外接矩形的宽度；周长/面积(par)：水稻植株形态参数，水稻植株的周长与水稻植株投影面积的比值；总投影面积(tpa)：水稻植株形态参数，水稻植株所占的像素点个数；面积/外接矩形的面积(tbr)：水稻植株形态参数，总投影面积(tpa)与外接矩形面积的比值；高，宽(hwr)：水稻植株形态参数外接矩形高(h)与宽(w)的比值；分形维数(fdnic)：水稻植株形态参数,预处理裁剪后rgb图的分形维数。
5.如权利要求1所述的一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：所述步骤s3中，将分割的二值水稻子图拼接得到整株的稻穗分值图，将其与原图掩膜,得到分割后的rgb稻穗图，orgb稻穗分割效果图处理后得到h分量灰度图、稻穗外边缘图、i分量灰度图、稻穗绿色分割二值图。
6.如权利要求1所述的一种基于深度学习的计算机视觉水稻质量测定方法，其特征在于：...
【专利技术属性】
技术研发人员：李海锋，李炫天，宋庆奎，丁子予，郑健宇，曾凡国，钟文山，陈俊致，肖佳仪，陈彪，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。