CN108416353B - 基于深度全卷积神经网络的大田稻穗快速分割方法 - Google Patents
基于深度全卷积神经网络的大田稻穗快速分割方法 Download PDFInfo
- Publication number
- CN108416353B CN108416353B CN201810144001.1A CN201810144001A CN108416353B CN 108416353 B CN108416353 B CN 108416353B CN 201810144001 A CN201810144001 A CN 201810144001A CN 108416353 B CN108416353 B CN 108416353B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- convolution neural
- full convolution
- rice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度全卷积神经网络的大田稻穗快速分割方法。该方法设计了基于深度全卷积神经网络的大田稻穗分割网络。待分割的大田图像首先被划分为若干张适合深度全卷积神经网络输入大小的子图,由深度全卷积神经网络对各子图进行像素级语义分割后,再拼接各子图得到与输入图像大小相同的分割结果。该方法能克服不同品种及生育期的水稻稻穗颜色、形状、大小、姿态、纹理的巨大差异、稻穗边缘严重不规则、穗叶颜色混叠及田间不均匀且变化的光照、遮挡、刮风因素的影响,实现对不同品种及生育期大田稻穗的快速准确分割。相比现有技术而言,具备精度高、适用性强、处理速度快的技术优势。
Description
技术领域
本发明属于农业自动化领域,具体涉及水稻表型参数自动化测量,尤其涉及一种基于深度全卷积神经网络的大田稻穗快速分割方法。
背景技术
水稻的生产和分配关系到世界半数以上人口的粮食安全问题。高产一直是水稻育种与栽培的重要目标之一。在水稻育种与栽培相关领域研究中,需要测量大量候选样本在不同环境下的产量,为培育高产、优质、抗逆的水稻品种提供科学依据。稻穗是水稻谷粒着生的器官,穗部性状与水稻产量直接相关。稻穗在水稻病虫害检测、营养诊断及生育期检测等方面也起着非常重要的作用。因此,稻穗的准确分割,是获取水稻穗部性状、实现水稻表型自动化测量的关键步骤。不同品种及生育期的水稻稻穗外观表现如形状、颜色、大小、纹理、姿态等存在较大差异,稻穗边缘严重不规则,穗叶颜色也存在很大程度的混叠。田间自然环境复杂,水稻不同器官间相互遮挡,光照不均匀且不断变化,这些因素都使得复杂大田环境下的稻穗分割成为了一个非常困难的问题。
陈含等(2013)通过Sobel边缘检测实现麦穗分割,该方法要求图像中的麦穗相互独立、无交叉重叠。刘涛等(2014)基于颜色特征分割麦穗,Tang等(2012)开发了一种基于H分量的分割算法HSeg,用于分割玉米穗。基于颜色特征的分割方法处理速度快,实现简单,其不足在于颜色易受到光照等因素的影响,只适用于特定生育期及天气。普通的基于像素的分割极易产生噪声,为了克服这一问题,可将输入图像进行初步分割,生成候选区域,提取候选区域特征,判定候选区域是否为穗,达到准确分割的目的(赵锋等,2014;Zhu etal.,2016;Duan et al.,2015;Lu et al.,2015)。
深度学习技术基于大数据驱动,具有优越的分类能力,引起了学术界的广泛关注。Pound等(2016)利用滑动窗口的方式提取子图,由卷积神经网络(CNN)识别子图中物体类型,实现了小麦根部及地上部分特征部位如根尖、穗尖、穗基部等的识别。公开号为CN106096655的发明专利提出了一种基于深度学习的光学遥感图像飞机检测方法,公开号为CN105590319的发明专利提出了一种基于深度学习的图像显著性区域检测方法,然而这些方法都只能用于物体识别与检测,而无法直接应用于图像分割。公开号为CN103914841的发明专利提出了一种基于超像素和深度学习的细菌分割与分类方法及其应用。然而,该方法需要利用细菌在颜色、形状和尺寸的先验知识,对每个超像素区域进行初步滤波获取候选细菌区域,由深度学习进行分类,仅适用于颜色、形状和尺寸比较固定的物体的分割。而不同品种及不同生育期的水稻稻穗外观表现如颜色、形状、大小、姿态、纹理等都存在非常大的差异,稻穗边缘严重不规则,穗叶颜色也存在很大程度混叠,田间自然环境的复杂性如不均匀且变化的光照、遮挡、刮风等也会极大地影响稻穗的外观表现。上述方法无法直接应用于大田稻穗的分割。Xiong et al.(2017)提出了一种基于超像素分割和CNN的稻穗分割算法-Panicle-SEG。该算法利用超像素分割技术中的简单线性迭代聚类方法,将具有相似特征的相邻像素构成图像块即超像素,由CNN判别超像素类别实现稻穗的初步分割,并由基于熵率的超像素分割方法对初步分割结果进行优化,最后,去除小区域得到最终的分割结果。Panicle-SEG算法能很好地应用于不同品种及生育期的稻穗分割问题,其缺点在于算法分割精度不高、耗时较长。
发明内容
(一)要解决的技术问题
为了克服现有技术中针对不同品种及生育期的大田稻穗分割方法分割精度不高、耗时较长这一问题,本发明提供了一种基于深度全卷积神经网络的大田稻穗快速分割方法,实现复杂大田环境下的不同生育期多品种稻穗的分割。
(二)技术方案
本发明为了解决其技术问题所采用的技术方案,提供了一种基于深度全卷积神经网络的大田稻穗快速分割方法,该方法的总体技术流程见图1。
一种基于深度全卷积神经网络的大田稻穗快速分割方法,其特征在于,包括:
步骤A,将待分割原始图像的图像边缘补黑,变为可裁为整数张符合深度全卷积神经网络输入要求大小子图的图像;
步骤B,将图像无间隔且无重叠地裁剪为若干张子图,并记录子图的位置索引,以便于后续图像拼接恢复原始图像;
步骤C,基于深度全卷积神经网络对各子图进行像素级别的语义分割;
步骤D,将分割后的各子图按照其索引位置拼接为大图;
步骤E,去除补黑的边界,恢复与原始图像大小相同的分割图像。
更具体地,步骤C中用到的用于分割大田稻穗的深度全卷积神经网络,其离线训练方法包括5个步骤:
(1)选取穗型、遮挡程度以及穗叶混叠情况差异大的品种,选取不同光照条件的原始图像,用于构建深度全卷积神经网络模型;
(2)人工利用Photoshop对这些图像进行像素级标注;
(3)对于每一张用于训练深度全卷积神经网络的原始图像以及其对应的人工标注图像,对图像边缘补黑后,裁成若干张符合深度全卷积神经网络输入要求大小的子图,作为深度全卷积神经网络的输入图像;
(4)将子图集划分为训练集和验证集;
(5)对每一张子图,均进行亮度调整,具体为保持H分量和S分量不变,调整V分量,用于模拟大田环境中的光照变化,提高深度全卷积神经网络的泛化能力;
(6)训练深度全卷积神经网络模型,图像中稻穗像素和背景像素的数目严重不平衡,为了达到类别平衡,需计算各类别的权重,计算方法见公式(1)。
式中,W0-类别0的权重,W1-类别1的权重,Ni0-第i张图像中类别0像素的个数,Ni1-第i张图像中类别1像素的个数,Ni-第i张图像中像素的总数。
上述深度全卷积神经网络的大田稻穗分割方法,不仅适用于复杂大田环境下的稻穗分割,其也适用于室内盆栽环境下的稻穗分割,并且也可应用于包括小麦、大麦和玉米在内的农作物的果穗分割。
(三)有益效果
本发明基于发明人在本领域多年的技术积累和研发,提供了一种复杂大田环境下的不同生育期多品种稻穗快速分割方法,该方法能克服不同品种及生育期的水稻稻穗颜色、形状、大小、姿态、纹理的巨大差异、稻穗边缘严重不规则、穗叶颜色混叠及田间不均匀且变化的光照、遮挡、刮风因素的影响,实现对不同品种及生育期大田稻穗的准确、快速分割,并能适用于室内盆栽环境稻穗的分割。相比现有技术而言,具备精度高、适用性强、分割速度快的技术优势。该方法对提高水稻无损测产准确性、支撑水稻育种与栽培相关领域研究等具有重要科学意义及潜在应用价值。
附图说明
图1为本发明的总体技术方案图。
图2为本发明中用于分割稻穗的深度全卷积神经网络结构示意图。
图3为本发明提出的算法与其他方法对测试图像的分割性能比较。
具体实施方式
本发明为了解决其技术问题所采用的技术方案,提供了一种基于深度全卷积神经网络的大田稻穗快速分割方法,该方法的总体技术流程见图1。
一种基于深度全卷积神经网络的大田稻穗快速分割方法,其特征在于,包括:
步骤A,将待分割原始图像的图像边缘补黑,变为可裁为整数张子图(360×480,高×宽)的图像;
步骤B,将图像无间隔且无重叠地裁剪为若干张子图,并记录子图的位置索引,以便于后续图像拼接恢复原始图像;
步骤C,基于深度全卷积神经网络对各子图进行像素级别的语义分割;
步骤D,将分割后的各子图按照其索引位置拼接为大图;
步骤E,去除补黑的边界,恢复与原始图像大小相同的分割图像。
更具体地,步骤C中用到的用于分割大田稻穗的深度全卷积神经网络命名为PanicleNet。PanicleNet的网络结构与SegNet类似。SegNet主要由编码网络、对应的解码网络以及像素级分类器构成。编码网络的结构与具有13个卷积层的VGG-16相同,通过卷积提取高维特征,由池化层使图片变小。解码网络是通过与编码网络对称的反卷积与上采样,将编码网络输出的低分辨率编码特征图还原为与输入图像大小相同的高分辨率特征图像,以便于进行像素级分类。最后,解码网络的输出由Softmax层进行像素级分类,得到与输入图像大小相同的分割图像。相比于其它全卷积神经网络,SegNet的特殊之处主要在于其解码网络的设计。SegNet记录每个编码层在最大池化时的池化因子,并利用该因子进行上采样,从而无需学习如何上采样。接着,将稀疏的上采样映射图与可训练的滤波器进行反卷积,得到与输入图像大小相同的高分辨率特征图像。SegNet的最大优势在于内存效率和计算效率高,且需要训练的参数相对较少。本发明用于分割大田稻穗的深度全卷积神经网络PanicleNet与SegNet的不同之处在于最后一层卷积层及softmax层的神经元个数设置为2,分别对应于稻穗和背景,其具体结构见图2。PanicleNet的离线训练方法包括5个步骤:
(1)选取穗型、遮挡程度以及穗叶混叠情况差异大的品种,选取不同光照条件的原始图像,共选取50张大小为1971×1815的原始图像,用于构建PanicleNet模型;
(2)人工利用Photoshop对这些图像进行像素级标注,稻穗像素被标注为1,背景像素被标注为0;
(3)对于每一张用于PanicleNet训练的原始图像以及其对应的人工标注图像,对图像边缘补黑后,变为可裁为整数张子图(360×480)的图像,补黑后的图像高为 图像宽为接着,将每张图像裁成6×4=24张360×480的图像,作为PanicleNet的输入图像。50张图像,共裁剪为50×24=1200张子图;
(4)将1200张子图按照4∶1的比例随机划分为训练集和验证集;
(5)对每一张子图,均进行亮度调整,具体为保持H分量和S分量不变,V分量分别增大、减小20%,用于模拟大田环境中的光照变化,提高PanicleNet的泛化能力,经过数据扩增后,训练集和验证集的样本数分别为960×3=2880和240×3=720;
(6)训练PanicleNet模型
基于Caffe平台训练PanicleNet。采用随机梯度下降法(stochastic gradientdescent,SGD)训练网络,动量因子(momentum)设置为0.9,学习速率为0.001,利用VGGnet对PanicleNet的参数进行初始化,即采用微调(fine-tuning)的方法训练网络。训练集的batchsize设置为4,验证集的batchsize设置为2。图像中稻穗像素(类别1)和背景像素(类别0)的数目严重不平衡,为了达到类别平衡,需计算各类别的权重,计算方法见公式(1)。
式中,W0-类别0的权重,W1-类别1的权重,Ni0-第i张图像中类别0像素的个数,Ni1-第i张图像中类别1像素的个数,Ni-第i张图像中像素的总数。
每训练720个epoch,进行一次验证,验证迭代次数为360,即每将所有的训练样本训练一次后,对所有的验证样本进行验证。当误差收敛后,停止训练。最终选用的网络迭代次数为72000,即将所有样本训练了100次。
(1)大田稻穗分割方法性能测试
选取23张未用于构建PanicleNet模型的大田水稻图像,这些图像包含不同光照条件、不同品种及不同生育期,由Qseg值、准确度(Precision)、召回率(Recall)及F值来评价图像分割算法的性能。Qseg值反映了分割结果与真实值之间的相符程度,其值在0-1之间,Qseg值越高,分割效果越好。准确度针对算法分割结果,它表示的是算法分割结果中为正的样本中(本研究中为稻穗像素)有多少是真正的正样本,召回率针对原来样本,它表示的是样本中的正例有多少被预测正确,在本研究中即是原始图像中的所有稻穗像素有多少被准确地分割出来。F值,则是综合这二者指标的评估指标,用于综合反映整体的指标。F值越高,说明分割算法越有效。
各评价指标的计算方法见公式(2)-(5)。
式中,A-由分割算法分割得到的像素类别集合(包括背景和前景),B-对应像素集的真实标签集合(包括背景和前景)。m-图像高,n-图像宽。
式中,TP-真实标签为稻穗且被分割为稻穗的像素个数,FP-真实标签为背景但被分割为稻穗的像素个数,FN-真实标签为稻穗但被分割为背景的像素个数。
表1显示了不同算法对23张测试图像的性能。从表中可以看出,本发明提出的算法相对于Panicle-SEG算法(Xiong et al.,2017)具有更高的Qseg和F值,表明本发明的算法分割精度更高。
表1 本发明提出的算法与其他算法对大田水稻图像稻穗分割性能比较
图3显示了两种算法对2张代表性测试图像的结果。从图中可以看出,本发明提出的算法能更完整地分割出稻穗,且几乎未引入非稻穗像素,分割效果更好。
(2)大田稻穗分割方法处理速度测试
在计算效率上,在Microsoft Windows 10专业版操作系统,12核Intel(R)coreTMi7-6850k cpu@3.60GHz的处理器,32GB内存及NVIDIA TITAN Xp显卡的配置下,PanicleNet,处理一张1971×1815的图像耗时约为2-3秒。而Panicle-SEG算法(Xiong etal.,2017)在同一台计算机上,处理一张1971×1815的图像耗时GPU模式下约为80-90秒,GPU模式下约为60秒。综上所述,本研究提出的基于PanicleNet的大田分割算法在效率上远远高于Panicle-SEG算法。
该方法也能够应用于其他作物,例如小麦、大麦、玉米等作物的果穗分割。
本申请中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例作各种修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种基于深度全卷积神经网络的大田稻穗快速分割方法,其特征在于,包括:
步骤A,将待分割原始图像的图像边缘补黑,变为可裁为整数张符合深度全卷积神经网络输入要求大小子图的图像;
步骤B,将图像无间隔且无重叠地裁剪为若干张子图,并记录子图的位置索引,以便于后续图像拼接恢复原始图像;
步骤C,基于深度全卷积神经网络对各子图进行像素级别的语义分割,其中,大田图像中稻穗像素和背景像素的数目严重不平衡,为了达到类别平衡,需计算各类别的权重,计算方法见公式(1):
式中,W0-类别0的权重,W1-类别1的权重,Ni0-第i张图像中类别0像素的个数,Ni1-第i张图像中类别1像素的个数,Ni-第i张图像中像素的总数;
步骤D,将分割后的各子图按照其索引位置拼接为大图;
步骤E,去除补黑的边界,恢复与原始图像大小相同的分割图像。
3.根据权利要求1所述的基于深度全卷积神经网络的大田稻穗快速分割方法,其特征在于,所述步骤C中用到的用于分割大田稻穗的深度全卷积神经网络,其离线训练方法包括5个步骤:
(1)选取穗型、遮挡程度以及穗叶混叠情况差异大的品种,选取不同光照条件的原始图像,用于构建深度全卷积神经网络模型;
(2)人工利用Photoshop对这些图像进行像素级标注;
(3)对于每一张用于训练深度全卷积神经网络的原始图像以及其对应的人工标注图像,对图像边缘补黑后,裁成若干张符合深度全卷积神经网络输入要求大小的子图,作为深度全卷积神经网络的输入图像;
(4)将子图集划分为训练集和验证集;
(5)对每一张子图,进行亮度调整,具体为保持H分量和S分量不变,调整V分量,用于模拟大田环境中的光照变化,提高深度全卷积神经网络的泛化能力;
(6)训练深度全卷积神经网络模型。
4.根据权利要求1所述的基于深度全卷积神经网络的大田稻穗快速分割方法,不仅适用于复杂大田环境下的稻穗分割,其也适用于室内盆栽环境下的稻穗分割,并且也可应用于包括小麦、大麦和玉米在内的农作物的果穗分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144001.1A CN108416353B (zh) | 2018-02-03 | 2018-02-03 | 基于深度全卷积神经网络的大田稻穗快速分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810144001.1A CN108416353B (zh) | 2018-02-03 | 2018-02-03 | 基于深度全卷积神经网络的大田稻穗快速分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416353A CN108416353A (zh) | 2018-08-17 |
CN108416353B true CN108416353B (zh) | 2022-12-02 |
Family
ID=63128368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810144001.1A Active CN108416353B (zh) | 2018-02-03 | 2018-02-03 | 基于深度全卷积神经网络的大田稻穗快速分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416353B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210040088A (ko) * | 2018-08-30 | 2021-04-12 | 가부시키가이샤 엔티티 데이터 씨씨에스 | 작물 생육 스테이지 판정 시스템의 서버 장치, 생육 스테이지 판정 방법 및 프로그램 |
CN109360206B (zh) * | 2018-09-08 | 2021-11-12 | 华中农业大学 | 基于深度学习的大田稻穗分割方法 |
CN109523509B (zh) * | 2018-09-28 | 2021-08-13 | 航天新气象科技有限公司 | 小麦抽穗期的检测方法、装置及电子设备 |
CN109492665A (zh) * | 2018-09-28 | 2019-03-19 | 江苏省无线电科学研究所有限公司 | 水稻生育期的检测方法、装置及电子设备 |
CN110967339B (zh) * | 2018-09-29 | 2022-12-13 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
CN109522797A (zh) * | 2018-10-16 | 2019-03-26 | 华南农业大学 | 基于卷积神经网络的水稻秧苗及苗期杂草识别方法和系统 |
CN109859212B (zh) * | 2019-01-16 | 2020-12-04 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
CN109886155B (zh) * | 2019-01-30 | 2021-08-10 | 华南理工大学 | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 |
CN109886238A (zh) * | 2019-03-01 | 2019-06-14 | 湖北无垠智探科技发展有限公司 | 基于语义分割的无人机航拍图像变化检测算法 |
CN110969182A (zh) * | 2019-05-17 | 2020-04-07 | 丰疆智能科技股份有限公司 | 基于农田图像的卷积神经网络构建方法及其系统 |
CN110766690B (zh) * | 2019-11-07 | 2020-08-14 | 四川农业大学 | 基于深度学习点监督思想的麦穗检测和计数方法 |
CN112862849B (zh) * | 2021-01-27 | 2022-12-27 | 四川农业大学 | 一种基于图像分割和全卷积神经网络的田间稻穗计数方法 |
CN117409403B (zh) * | 2023-12-15 | 2024-03-19 | 南京农业大学三亚研究院 | 一种基于深度学习的水稻稻穗成熟度估算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104067622A (zh) * | 2011-10-18 | 2014-09-24 | 株式会社Kt | 图像编码方法、图像解码方法、图像编码器及图像解码器 |
CN106097303A (zh) * | 2016-05-30 | 2016-11-09 | 天水师范学院 | 一种适合处理显微图像pcnn模型的构建方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8995747B2 (en) * | 2010-07-29 | 2015-03-31 | Sharp Laboratories Of America, Inc. | Methods, systems and apparatus for defect detection and classification |
US9485497B2 (en) * | 2010-09-10 | 2016-11-01 | Reald Inc. | Systems and methods for converting two-dimensional images into three-dimensional images |
CN104392436B (zh) * | 2014-11-11 | 2019-01-04 | 莱芜钢铁集团有限公司 | 一种遥感图像处理方法及装置 |
CN104899255B (zh) * | 2015-05-15 | 2018-06-26 | 浙江大学 | 适用于训练深度卷积神经网络的图像数据库的构建方法 |
CN106951836B (zh) * | 2017-03-05 | 2019-12-13 | 北京工业大学 | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 |
CN107169974A (zh) * | 2017-05-26 | 2017-09-15 | 中国科学技术大学 | 一种基于多监督全卷积神经网络的图像分割方法 |
CN107316289B (zh) * | 2017-06-08 | 2020-05-08 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
CN107358262B (zh) * | 2017-07-13 | 2020-01-14 | 京东方科技集团股份有限公司 | 一种高分辨率图像的分类方法及分类装置 |
CN107424159B (zh) * | 2017-07-28 | 2020-02-07 | 西安电子科技大学 | 基于超像素边缘和全卷积网络的图像语义分割方法 |
CN107577233A (zh) * | 2017-09-09 | 2018-01-12 | 华中农业大学 | 一种应用于大田小区水稻植株参数检测的自动快速定位装置及方法 |
-
2018
- 2018-02-03 CN CN201810144001.1A patent/CN108416353B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104067622A (zh) * | 2011-10-18 | 2014-09-24 | 株式会社Kt | 图像编码方法、图像解码方法、图像编码器及图像解码器 |
CN105120272A (zh) * | 2011-10-18 | 2015-12-02 | 株式会社Kt | 图像编码方法、图像解码方法、图像编码器及图像解码器 |
CN106097303A (zh) * | 2016-05-30 | 2016-11-09 | 天水师范学院 | 一种适合处理显微图像pcnn模型的构建方法 |
Non-Patent Citations (5)
Title |
---|
Image segmentation algorithm based on feature fusion and cluster;Z Gao等;《2011 International Conference on Mechatronic Science, Electric Engineering and Computer (MEC)》;20110822;1086-1089 * |
一种基于Hartigan-Wong和Lloyd的定性平衡聚类算法;周旺等;《山东大学学报(工学版)》;20160825;第46卷(第5期);37-44 * |
基于CUDA的多相机实时高清视频无缝拼接方法;王震等;《计算机应用与软件》;20160215(第02期);129-134 * |
基于颜色特征的水稻秧苗图像分割;迟德霞等;《中国农机化学报》;20130525(第03期);129-130+137 * |
广义均衡化模糊聚类及图像分割算法研究;杜朵朵;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20170915;I138-230 * |
Also Published As
Publication number | Publication date |
---|---|
CN108416353A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416353B (zh) | 基于深度全卷积神经网络的大田稻穗快速分割方法 | |
CN109360206B (zh) | 基于深度学习的大田稻穗分割方法 | |
CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
CN111259898A (zh) | 基于无人机航拍图像的农作物分割方法 | |
CN108681752A (zh) | 一种基于深度学习的图像场景标注方法 | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN106340016A (zh) | 一种基于细胞显微镜图像的dna定量分析方法 | |
CN110276363A (zh) | 一种基于密度图估计的鸟类小目标检测方法 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
Zhu et al. | Analysing the phenotype development of soybean plants using low-cost 3D reconstruction | |
CN114677325A (zh) | 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法 | |
CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及系统 | |
CN116543282A (zh) | 基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、系统、设备及介质 | |
CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
CN111291818A (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN114299379A (zh) | 一种基于高动态影像的阴影区植被覆盖度提取方法 | |
CN117079125A (zh) | 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法 | |
CN116310338A (zh) | 一种基于实例和语义分割的单株荔枝红叶梢分割方法 | |
CN113344008B (zh) | 基于深度学习的茎秆组织解剖学特征参数高通量提取方法 | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
Pongpiyapaiboon et al. | Development of a digital phenotyping system using 3D model reconstruction for zoysiagrass | |
CN109064477A (zh) | 用改进的U-Net检测细胞核边缘的方法 | |
CN112907475B (zh) | 一种冰晶图片的自动分割方法 | |
Chen et al. | Application of plant phenotype extraction using virtual data with deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |