【技术实现步骤摘要】
本专利技术涉及烟苗育苗，尤其涉及一种烟苗育苗期生长状态判别和出苗率检测方法及相关装置。
技术介绍
1、在烟叶生产过程中，“有苗三分收，好苗一半收”，充分说明了培育出苗是烟叶生产成功的必然条件。由于不同海拔的烟苗播种期、移栽期存在较大差异，同时烟苗各生长阶段对于生态环境、养分的需求各有差异，烟苗在对应阶段的生长速度是偏快还是偏慢缺少一致性参考，依靠人工监管和控制干预是大部分烟区烟苗培育作业的普遍现象。育苗期间的增温、补光、通风、等大量频繁的业务仍需人工完成，对育苗管理人员的技术管理要求较高，亟需建立育苗期的生长发育模型。
2、烟苗的生长发育状态包括出苗期、小十字期、大十字期和成苗期一共4种苗期状态。近年，随着大数据、人工智能算法的进步，图像采集和算法识别能力有了极大提升。可通过物联网设备(棚内温湿度传感器、棚内监控摄像机等)等手段对烟草育苗出苗过程图像进行采集，采用深度学习视觉算法初步构建烟苗发育状态判别模型，研判育苗期生长发育状态，实现育苗情况实时播报，以及烟苗出苗率计算。是降低烟苗移栽损失，提高烟苗品质的有效途径。
3、针对烟苗生长发育状态识别的问题，目前相关研究有参考文献[1]何艳.基于机器视觉的穴盘烟苗识别算法研究[d].西南大学，2019.该文献为了解决移栽时自动间苗的问题，基于adaboost算法实现穴盘烟苗分割，然后采用多层感知器和alexnet对穴盘烟苗进行识别和分类，主要关注穴盘内空穴和多株烟苗壮苗识别，两种算法的准确率分别为96.75％和97.58％，但其对选取的特征要求很高，不同的特征
4、参考文献[2]何艳，祝诗平，夏志林，等.基于机器视觉的穴盘烟苗自动间苗算法研究[j].云南农业大学学报(自然科学版)，2019.该文献为了解决快速自动间苗的问题，提出基于k-means聚类算法将穴盘分割为单元格，通过计算烟苗的圆形度、长宽比和矩形度，利用幼苗植株的面积和周长，在不同生长期设定一个合适阈值来识别单株、多株和空穴，烟苗数目正确识别率达到97.04％以上，空穴位置达到100％，间苗位置及壮苗识别平均准确率分别达到94.76％和89.58％，实现自动间苗的目的。虽然考虑了不同生长发育状态下的烟苗差异，但高度依赖阈值的设定，不具有泛化性能。另外，基于形状特征的识别算法的识别率低，不具有鲁棒性。并且无法自动判别烟苗所属的苗期。
5、参考文献[3]吴聪，郭志强，杨杰.基于改进的注意力机制残差网络穴盘幼苗分类算法研究[j].激光与光电子学进展，2022,59(22):10.doi:10.3788/lop202259.2210002.该文献提出将通道注意力机制和空间注意力机制引入残差网络resnet中，以白茄苗、花菜苗、辣椒苗、茄子苗、芹菜苗、西瓜苗、黄瓜苗等7种穴盘幼苗图像作为数据样本，通过图像矫正、图像分割、数据扩充等预处理操作获得幼苗数据集，然后将随机擦除的数据样本输入改进的残差网络进行训练，实现了穴盘幼苗的多分类。该文献提出二元多项式法完成穴盘图像矫正，使用adaboost分类器得到穴盘分割。数据集预处理的方案较为复杂。提出基于cbam注意力机制的resnet算法解决了多种不同作物的幼苗分类识别。但该方案在获取苗盘图像时仅选取幼苗大小基本相当的图像，去除了幼苗形态过小的苗盘以及幼苗形态较大有遮挡的苗盘。因此该方法无法考虑到幼苗生长发育过程的形态变化。该模型仅在幼苗生长过程中很短的时间段内能够用来判断幼苗种类，不具备实际应用价值。
6、现有技术中，烟苗在对应阶段的生长速度是偏快还是偏慢缺少一致性参考，依靠人工监管和控制干预是大部分烟区烟苗培育作业的普遍现象，且育苗期间的增温、补光、通风、等大量频繁的业务仍需人工完成，导致对育苗管理人员的技术管理要求较高，以及目前已公开的参考文献对烟苗育苗期生长发育状态判别和出苗率检测均有不同程度缺陷的问题，目前尚未提出有效的解决方案。
技术实现思路
1、专利技术目的：提供一种烟苗育苗期生长状态判别和出苗率检测方法及相关装置，以解决现有技术存在的上述问题。
2、技术方案：一种烟苗育苗期生长状态判别和出苗率检测方法，包括：s1、采集育苗过程中的苗盘图像；s2、对所述苗盘图像进行预处理，并生成若干苗穴子图；s3、利用labelimg算法对若干所述苗穴子图进行标注和数据集切分；s4、基于深度学习算法对标注后的苗穴子图和数据集切分进行模型训练，训练出烟苗目标检测模型。
3、作为优选，采集育苗过程中的苗盘图像包括：通过对目标基地的育苗盘发育过程实地监测，定期采集获取原始育苗盘图像，获得若干张从出苗到成苗的育苗盘原始图像；其中，原始图像包括：出苗期、小十字期、大十字期和成苗期；根据苗期的定义将原始图像分别归类为四个苗期类别。
4、作为优选，对所述苗盘图像进行预处理，并生成若干苗穴子图包括：通过采用苗盘边缘检测和仿射变换算法对原始图像进行歪斜校准和苗盘裁剪，得到标准四方形的苗盘；利用图像切割算法对苗盘进行处理，将每张裁剪完成的苗盘图像切割为200张苗穴子图。
5、作为优选，利用labelimg算法对若干所述苗穴子图进行标注和数据集切分包括：采用labelimg算法对每个小穴子图进行图中幼苗的苗期类别和位置标注，获得每张子图的xml格式的标注文件；按照预设比例对标注后的苗穴子图随机分割训练集和验证集。
6、作为优选，基于深度学习算法对标注后的苗穴子图和数据集切分进行模型训练，训练出烟苗目标检测模型包括：将待预测的穴内子图输入基于深度学习算法的育苗期烟苗生长发育状态判别模型，输出烟苗苗期类别和汇总出苗率。
7、作为优选，深度学习算法为yolov5算法，所述yolov5算法用于处理烟苗育苗期生长发育状态判别任务。
8、作为优选，基于深度学习算法对标注后的苗穴子图和数据集切分进行模型训练，训练出烟苗目标检测模型之后，还包括：模型训练过程的评价指标可视化和测试集输出结果可视化。
9、为了实现上述目的，根据本申请的另一方面，提供了一种烟苗育苗期生长状态判别和出苗率检测装置。
10、根据本申请的烟苗育苗期生长状态判别和出苗率检测装置，包括：苗盘图像采集模块，用于采集育苗过程中的苗盘图像；预处理模块，用于对所述苗盘图像进行预处理，并生成若干苗穴子图；图像标注和数据集切分模块，用于利用labelimg算法对若干所述苗穴子图进行标注和数据集切分；模型训练模块，用于基于深度学习算法对标注后的苗穴子图和数据集切分进行模型训练，训练出烟苗目标检测模型。
11、为了实现上述目的，根据本申请的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本文档来自技高网...
【技术保护点】
1.烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，包括：
2.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，采集育苗过程中的苗盘图像包括：
3.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，对所述苗盘图像进行预处理，并生成若干苗穴子图包括：
4.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，利用Labelimg算法对若干所述苗穴子图进行标注和数据集切分包括：
5.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，基于深度学习算法对标注后的苗穴子图和数据集切分进行模型训练，训练出烟苗目标检测模型包括：
6.根据权利要求5所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，深度学习算法为YOLOV5算法，所述YOLOV5算法用于处理烟苗育苗期生长发育状态判别任务。
7.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，基于深度学习算法对标注后的苗穴子图和数据集切分进行模型训练，训练
8.烟苗育苗期生长状态判别和出苗率检测装置，其特征在于，包括：
9.电子设备，其特征在于，所述电子设备包括：
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1至7中任一项所述的烟苗育苗期生长状态判别和出苗率检测方法。
...【技术特征摘要】
1.烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，包括：
2.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，采集育苗过程中的苗盘图像包括：
3.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，对所述苗盘图像进行预处理，并生成若干苗穴子图包括：
4.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，利用labelimg算法对若干所述苗穴子图进行标注和数据集切分包括：
5.根据权利要求1所述的烟苗育苗期生长状态判别和出苗率检测方法，其特征在于，基于深度学习算法对标注后的苗穴子图和数据集切分进行模型训练，训练出烟苗目标检测模型包括：
6.根据...
【专利技术属性】
技术研发人员：张驰，易娇，王聪，陈栋，狄涛，梅雨婷，鲁梦瑶，姜舒文，
申请(专利权)人：农芯南京智慧农业研究院有限公司，
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。