【技术实现步骤摘要】
本专利技术属于作物监测，具体涉及一种基于深度学习的水稻稻穗成熟度估算方法。
技术介绍
1、水稻是我国主要的粮食作物之一，在水稻的生长和收获过程中，确定正确的收获时间是非常关键的。适时的收获不仅可以保证高产，还能够保持稻穗的优质。过早或过晚的收获都可能导致产量和品质的损失。水稻达到生理成熟的标准是稻穗内干物重达到最大，也就是完熟期。
2、传统的成熟度评估方法费时费力，主要依靠人工和经验判断，数据采集工作量巨大，耗时费力，而且监测易受主观影响，误差较大，且具有较大的破坏性。难以满足现代农业高效、智能、精准的要求。因此，研发水稻稻穗成熟度的实时、无损、高通量表型监测技术，对于准确判断水稻收获期、协同增加稻麦两熟周年产量具有重要意义。
3、目前，市面上出现了一些水稻稻穗自动拍照装置，但是它们往往只能进行简单拍摄稻穗的外观图像，而无法进行成熟度的预测，指导收获时间。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种基于深度学习的水稻稻穗成熟度估算方法，该方法可以在室内环境下，无损的获取并分割水稻穗部图像，并估算出稻穗含水率，进而估算稻穗成熟度。
2、为实现上述目的，本专利技术采取以下技术方案：
3、一种基于深度学习的水稻稻穗成熟度估算方法，包括以下步骤：
4、对水稻稻穗样品进行图像采集，采集装置包括驱动传送装置、图像采集装置以及上位机；所述驱动传送装置用于将采集的水稻稻穗样品传送至所述图像采集装置内；所述图像采集装置用于对
5、所述上位机对采集的水稻稻穗样品图像信息进行预处理后，输入预先建立的语义分割模型对水稻稻穗样品进行分割，根据分割结果提取得到水稻稻穗样品的表型参数；
6、所述水稻稻穗样品的表型参数的提取，包括：
7、对采集的水稻稻穗样品原始图像进行预处理，得到预设大小的裁切图像；将各裁切图像输入预先建立并训练好的语义分割模型进行分割，得到水稻稻穗样品的二值化掩模图像；基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗的形状参数信息和颜色参数信息；将得到的形状参数信息和颜色参数信息作为水稻稻穗样品的表型参数输出；
8、所述语义分割模型的训练，包括：获取预设数量的裁切图像，对裁切图像进行标注得到第一训练数据集，并随机划分为第一训练集、第一验证集和第一测试集；利用第一训练集对预先建立的各语义分割模型进行训练，并基于第一验证集和第一测试集对训练后的各语义分割模型进行验证和测试，得到最优语义分割模型；
9、基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算。
10、进一步，所述驱动传送装置包括plc控制器、机架以及皮带式输送机；所述皮带式输送机设置在所述机架上，包括输送带和电机，且所述电机与所述plc控制器相连，所述输送带的表面设置有防滑层，用于输送水稻稻穗样品并保证输送过程中水稻稻穗样品不发生偏移；所述plc控制器用于根据所述上位机发送的控制信号通过所述电机对所述输送带的运行状态进行控制。
11、进一步，所述图像采集装置包括检测暗箱、led灯带、rgb相机和第一～第三传感器；
12、所述检测暗箱上对应于所述输送带入口处和出口处的位置分别设置有第一滑动门和第二滑动门，且所述第一滑动门和第二滑动门上分别设置有用于对水稻稻穗样品位置进行检测的第一传感器和第二传感器，当所述第一传感器和第二传感器检测到水稻稻穗样品到达指定位置后，发送信号到所述plc控制器，由所述plc控制器控制所述第一滑动门和第二滑动门自动打开和关闭；
13、所述检测暗箱内部的预设位置处还设置有第三传感器，当所述第三传感器检测到水稻稻穗样品到达指定位置后，发送信号到所述上位机，由所述上位机控制设置在所述检测暗箱顶部中心位置的所述rgb相机对水稻稻穗样品进行图像采集；
14、所述检测暗箱内壁还设置有黑色吸光绒布，用于形成稳定的成像环境；
15、所述led灯带等间距设置在检测暗箱顶部和四周，用于提供照明。
16、进一步，所述基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗样品的形状参数信息和颜色参数信息之前，还包括：
17、基于形态学算法对分割结果进行后处理，得到包含有各个稻穗精细轮廓的水稻稻穗图像。
18、进一步，所述水稻稻穗的形状参数信息提取，包括：对包含有各个稻穗精细轮廓的水稻稻穗图像进行特征提取和计算，得到各水稻稻穗的形状参数信息。
19、进一步，所述水稻稻穗的颜色参数信息提取，包括：
20、利用包含有各个稻穗精细轮廓的水稻稻穗图像对水稻稻穗样品的原始图像进行后处理，得到彩色分割图像；
21、基于得到的彩色分割图像，利用预设比色卡提取得到彩色分割图像中水稻稻穗对应的颜色参数信息。
22、进一步，所述基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算，包括：
23、将水稻稻穗样品的颜色参数信息输入预先建立并训练好的含水率估算模型，得到水稻稻穗样品的含水率；
24、将水稻稻穗样品的含水率输入预先建立并训练好的成熟度估算模型，得到水稻稻穗样品的成熟度。
25、本专利技术由于采取以上技术方案，其具有以下优点：
26、1、本专利技术利用驱动传送装置将获取的水稻稻穗样品传输到检测暗箱中，rgb相机的拍摄过程在检测暗箱内完成，且自带光源系统，监测不受外界光源影响，确保监测环境的一致性，监测的稳定性高。
27、2、本专利技术采用语义分割的算法对水稻稻穗进行分割，相比于传统的图像处理方法，基于深度学习的语义分割方法可以准确的分割出单个目标，且u-net模型结构简单、训练高效。
28、3、本专利技术由于在利用语义分割模型进行稻穗分割后，构建了基于rgb图像的水稻稻穗含水率高通量监测模型，实现了稻穗含水率的实时、无损监测。
29、4、本专利技术使用构建好的稻穗含水率——相对干重模型，可以很好地模拟水稻稻穗在生长过程中含水率和相对干重的变化特性，根据此模型估算出稻穗相对干重，进而实现了稻穗成熟度的实时、无损监测。
30、因此，本专利技术可以广泛应用于作物表型监测
【技术保护点】
1.一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，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水稻稻穗成熟度估算方法，其特征在于，所述驱动传送装置包括PLC控制器、机架以及皮带式输送机；所述皮带式输送机设置在所述机架上，包括输送带和电机，且所述电机与所述PLC控制器相连，所述输送带表面设置有防滑层，用于输送水稻稻穗样品并保证输送过程中水稻稻穗样品不发生偏移；所述PLC控制器用于根据所述上位机发送的控制信号通过所述电机对所述输送带的运行状态进行控制。
3.如权利要求2所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述图像采集装置包括检测暗箱、LED灯带、RGB相机和第一～第三传感器；
4.如权利要求1所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗样品的形状参数信息和颜色参数信息之前，还包括：
5.如权利要求4所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述水稻稻穗的形状参数信息提取，包括：
6.如权利
7.如权利要求1所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算，包括：
...【技术特征摘要】
1.一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，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水稻稻穗成熟度估算方法，其特征在于，所述驱动传送装置包括plc控制器、机架以及皮带式输送机；所述皮带式输送机设置在所述机架上，包括输送带和电机，且所述电机与所述plc控制器相连，所述输送带表面设置有防滑层，用于输送水稻稻穗样品并保证输送过程中水稻稻穗样品不发生偏移；所述plc控制器用于根据所述上位机发送的控制信号通过所述电机对所述输送带的运行状态进行控制。
3.如权利要求2所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述图像采集装置包括检测暗箱、led灯带、rgb相机和第...
【专利技术属性】
技术研发人员：刘守阳，王旭，刘正辉，韩瑞玺，李泽俊，丁艳锋，
申请(专利权)人：南京农业大学三亚研究院，
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。