【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检测；
4、s2：图像预处理模块对水稻图像采集模块采集得到的图像进行预处理，提取绿色部分分量。使用裁剪过的植株rgb图像，利用绿色和红色分量，如果水稻图像中的像素点绿色分量大于阙值egthreshold并且红色分量小于阙值erthreshold则判定为绿色部分,与原图掩膜得到绿色分割效果图,egthreshold＝0.3,erthreshold＝0.15；
5、s3：进行穗
6、s4：处理器模块开始对图像预处理模块经过预处理的图下个进行优化处理，利用波段自相关分析(bica)与主成分分析(pca)提取特征波段，构建植被指数，并采用连续投影法与分段主成分分析相结合，进行波长的筛选。水稻图像优化模块对不同施氮水平下的水稻冠层高光谱数据进行相关分析，并以统计的方式选取出了最为敏感的高光谱反射率波段520～740nm；
7、s5：模型参数选择模块使用的是segnet网络，segnet是开源图像分割项目，在fcn网络结构上，搭建编码解码网络结构，从而实现从端到端的逐像素图像分割，图2中绿色部分为卷积层+bn层+激活层，黄色为池化层，红色为上采样层，蓝色为分类层。由于本研究只需要分割出稻穗，属于二分类问题，只有前景点和背景点两个类别，所以需要把segnet最后1个输出层通道数改为2，得到网络结构；
8、s6：质量检测模型建立模块通过将向量映射到一个更高维空间的非线性映射，使数据更容易分为2类。对于非线性、小样本数据集、高维空间模式识别等问题，支持向量机具有独特性和针对性；
9、s7：检测模型训练模块随后进行模型训练，模型训练采用的是pytorch框架，使用gpu训练，参数设置学习率为0.01,学习的动量因子为0.9.权重衰减weight_decay为0.0001,epoch为1000.训练后得到稻穗检测的模型；
10、s8：检测模型训练模块使用photoshop对70张2452像素x2056像素(高x宽)的盆栽水稻图片进行人工标注,将背景点标注为0,稻穗像素点标注为1。第二步，数据扩增。由于盆栽图片中稻穗部分前景点的像素占比很小，因此需扩大前景点样本量以保持样本平衡，首先进行图片裁剪,有稻穗的区域,使用360像素x480像素(高x宽)和480像素x360像素(高x宽)的框在该区域上、下和左、右共4个方向采用滑动窗口的形式裁剪出子图，只有背景的区域随机框出20％并裁减；对所有稻穗区域的子图进行旋转镜像实现数据扩增，得到3960张360像素x480像素(高x宽)的子图。第三步，数据集划分。将3960张子图接照83:17的比例随机划分训练集和验证集，得到3304张训练集样本和656张验证集样本，标签图采用同样的方式处理使之与子图一一对应；
11、s9：稻穗质量检测模块将模型统计穗数与人工统计的实际穗数进行比较，误差越小，相关性越高，则模型的计数效果越好；
12、s10：数据云存储模块将步骤s9中得到的测定结果存储到云平台的内部，即可结束整个流程。
13、在一优选的实施方式中，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。
14、在一优选的实施方式中，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，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。
15、在一优选的实施方式中，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。
16、在一优选的实施方式中，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。
17、在一优选的实施方式中，所述步骤s5中，该模型采用递归方式，自顶而下进行决策。在决策树中，每一个内部节点都存在对应不同的划分区域，且划分条件由各内部相关节点的分支规则确定，通过输入属性值与划分条件的比较判断下一子节点的路径。
18、在一优选的实施方式中，所述步骤s6中，建模过程中，每一个样本从决策树的根节点向叶子节点移动，每个预测样本的起点为树的根节点，终点为某一叶子结点，有且仅有一个，在该节点上，其特征变量的条件分布也被确定。
19、在一优选的实施方式中，所述步骤s8中，由于训练样本较少，在模型训练的过程中很容易导致过拟合，所以本研究使用网络结构相似的大田稻穗分割模型paniclenet进行网络初始化[，以提高模型的分割精度、缩短训练时间。基于caffe平台随机梯度下降法训练，学习率设置为0.001,epoch为100即所有样本训练100次，训本文档来自技高网...
【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)
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：所述步骤S5中，该模型采用递归方式，自顶而下进行决策；在决策树中，每一个内部节点都存在对应不同的划分区域，且划分条件由各内部相关节点的分支规则确定，通过输入属性值与划分条件的比较判断下一子节点的路径。
7.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S6中，建模过程中，每一个样本从决策树的根节点向叶子节点移动，每个预测样本的起点为树的根节点，终点为某一叶子结点，有且仅有一个，在该节点上，其特征变量的条件分布也被确定。
8.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S8中，由于训练样本较少，在模型训练的过程中很容易导致过拟合，所以本研究使用网络结构相似的大田稻穗分割模型PanicleNet进行网络初始化[，以提高模型的分割精度、缩短训练时间；基于caffe平台随机梯度下降法训练，学习率设置为0.001,epoch为100即所有样本训练100次，训练集的batchsize为4,验证集的batchsize为2,学习的动量因子为0.9。
9.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S8中，为了验证模型的性能，避免产生过拟合的现象，采用K折交叉验证的方法，这里K取数值5，首先将所有的数据集随机划分为5份，每次选取其中的1份作为测试集，其余4份为训练集，以此建立5个预测模型并测试，记录每次的评估参数，取平均值并计算标准偏差。
10.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S9中，数据云存储模块(7)利用云计算平台与云存储技术，将数据存储架构划分为3个层次，其中分布式大数据存储层是核心，其在应用层中所包含的舰船控制系统内采集数据，利用MapReduce分布式并行模型实现数据的划分，利用安全容错存储算法将待存储的数据均匀地划分至相对应的硬件层中计算服务器节点内，由此完成数据的有效存储；同时，所设计的云计算环境下舰船控制系统大数据存储架构可有效实现大数据高效与安全存储的需求。
...【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。