CN110246214B - 农作物植株表型解析方法及装置 - Google Patents
农作物植株表型解析方法及装置 Download PDFInfo
- Publication number
- CN110246214B CN110246214B CN201910422872.XA CN201910422872A CN110246214B CN 110246214 B CN110246214 B CN 110246214B CN 201910422872 A CN201910422872 A CN 201910422872A CN 110246214 B CN110246214 B CN 110246214B
- Authority
- CN
- China
- Prior art keywords
- plant
- form data
- crop
- leaf
- crop plant
- 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
- 244000038559 crop plants Species 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000000056 organ Anatomy 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 11
- 241000196324 Embryophyta Species 0.000 abstract description 64
- 241000209140 Triticum Species 0.000 abstract description 41
- 238000003384 imaging method Methods 0.000 abstract description 6
- 241000209094 Oryza Species 0.000 description 14
- 235000007164 Oryza sativa Nutrition 0.000 description 14
- 235000009566 rice Nutrition 0.000 description 14
- 235000021307 Triticum Nutrition 0.000 description 9
- 230000002015 leaf growth Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241001024327 Oenanthe <Aves> Species 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明实施例提供一种农作物植株表型解析方法及装置,属于农业信息化技术领域。包括:获取农作物植株的植株形态数据;将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据。由于在单株尺度上,可通过农作物植株形态模型,直接得到农作物植株的茎秆形态数据和缺失的叶片形态数据,相对于三维重建的方式,工作量更少且效率更高,能够方便地实现高通量的表型解析。另外,由于多视角成像或三维激光雷达等三维重建方法所构建的小麦植株三维模型只有外部叶片具有较高的分辨率,靠近植株中心处的茎秆和叶片点云噪声多,难以实现准确地三维重建,而本发明实施例可以实现准确地三维重建和表型解析。
Description
技术领域
本发明涉及农业信息化技术领域,尤其涉及一种农作物植株表型解析方法及装置。
背景技术
水稻和小麦是重要的粮食作物,快速、高通量地获取水稻和小麦植株的三维表型信息对于开展水稻和小麦的基因型-表型关联分析研究、新品种选育和高产栽培等具有重要意义。然而,水稻和小麦形态结构复杂,其植株分蘖多、叶片和茎秆较细,为三维数据的采集和表型信息的获取带来了极大的挑战。在相关技术中,水稻和小麦表型信息获取多集中于群体尺度,通过无人机、轨道式表型平台、车载式表型平台等挂载激光雷达和可见光、多光谱传感器等,可获取水稻和小麦群体的表型信息。在单株尺度,利用多视角成像、三维激光扫描、时间飞行相机等手段可实现水稻和小麦单株的三维数据获取和表型信息提取,也可以利用三维数字化仪精确获取水稻和小麦植株的三维数字化数据,进而实现稻麦植株的三维重建和表型解析。
在单株尺度上,利用三维数字化方法获取水稻和小麦植株三维数字化数据虽然精度较高、三维重建结果好,但效率过低、工作量大,难以实现高通量的水稻和小麦植株表型解析。另外,由于水稻和小麦叶片茎秆较细、植株中心位置遮挡大,利用多视角成像、三维激光扫描、时间飞行相机等手段所获取的水稻和小麦植株三维数据缺失严重,难以实现准确的植株三维数据获取和高通量表型解析。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的农作物植株表型解析方法及装置。
根据本发明实施例的第一方面,提供了一种农作物植株表型解析方法,包括:
获取农作物植株的植株形态数据;
将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据,农作物植株形态模型是基于样本植株形态数据训练得到的。
根据本发明实施例的第二方面,提供了一种农作物植株表型解析装置,包括:
获取模块,用于获取农作物植株的植株形态数据;
输出模块,用于将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据,农作物植株形态模型是基于样本植株形态数据训练得到的。
根据本发明实施例的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的农作物植株表型解析方法。
根据本发明的第四方面,提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的农作物植株表型解析方法。
本发明实施例提供的农作物植株表型解析方法及装置,通过获取农作物植株的植株形态数据,将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据。由于在单株尺度上,可以直接获取农作物植株的植株形态数据,通过农作物植株形态模型,直接得到农作物植株的茎秆形态数据和缺失的叶片形态数据,相对于三维重建的方式,工作量更少且效率更高,能够方便地实现高通量的表型解析。
另外,利用多视角成像或三维激光雷达等三维重建方法,重建小麦植株三维模型,由于这些方法所构建的小麦植株三维模型只有外部叶片具有较高的分辨率,靠近植株中心处的茎秆和叶片点云噪声多,难以实现准确地三维重建,而本发明实施例可以实现准确地三维重建和表型解析。
应当理解的是,以上的一般描述和后文的细节描述是示例性和解释性的,并不能限制本发明实施例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种农作物植株表型解析方法的流程示意图;
图2为本发明实施例提供的一种农作物植株表型解析装置的结构示意图;
图3为本发明实施例提供的一种电子设备的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
针对相关技术中的问题,本发明实施例提供了一种农作物植株表型解析方法。需要说明的是,本发明实施例提供的方法适用于水稻,也适用于小麦,本发明实施例对此不作具体限定。参见图1,该方法包括:101、获取农作物植株的植株形态数据;102、将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据,农作物植株形态模型是基于样本植株形态数据训练得到的。
其中,植株形态数据主要是用于表示农作物植株的外在叶片的形态,如叶片数量等,茎秆形态数据主要是用于表示农作物植株的茎秆形态,如植株上的分蘖状态等,缺失的叶片形态数据主要用于表示叶片的自身特征,如叶片的叶倾角及叶片生长高度等,本发明实施例对此不作具体限定。另外,农作物植株形态模型可以是基于样本植株形态数据训练得到的,初始模型可以为深度学习神经网络模型,本发明实施例对此不作具体限定。
本发明实施例提供的方法,通过获取农作物植株的植株形态数据,将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据。由于在单株尺度上,可以直接获取农作物植株的植株形态数据,通过农作物植株形态模型,直接得到农作物植株的茎秆形态数据和缺失的叶片形态数据,相对于三维重建的方式,工作量更少且效率更高,能够方便地实现高通量的表型解析。
另外,利用多视角成像或三维激光雷达等三维重建方法,重建小麦植株三维模型,由于这些方法所构建的小麦植株三维模型只有外部叶片具有较高的分辨率,靠近植株中心处的茎秆和叶片点云噪声多,难以实现准确地三维重建,而本发明实施例提供的方法,则可以实现准确地三维重建和表型解析。
基于上述实施例的内容,作为一种可选实施例,植株形态数据包括农作物植株的株高、预设圆柱体外农作物植株的叶片总量及叶片表型特征矩阵;其中,预设圆柱体是以农作物植株的垂直中心线为中轴及预设半径确定的。
为了便于理解,以农作物植株为小麦植株为例,小麦植株的叶片通常长在茎秆上。相应地,预设圆柱体相当于包裹住了小麦植株的茎秆,而预设圆柱体外则为小麦植株上的叶片。
基于上述实施例的内容,作为一种可选实施例,叶片表型特征矩阵包括预设圆柱体外农作物植株上每一叶片的叶长及叶倾角。
基于上述实施例的内容,作为一种可选实施例,茎秆形态数据包括预设圆柱体内农作物植株上的分蘖数、茎秆表型特征矩阵及茎秆数量矩阵。
基于上述实施例的内容,作为一种可选实施例,茎秆表型特征矩阵包括预设圆柱体内农作物植株上各茎秆的长度,茎秆数量矩阵包括预设圆柱体内农作物植株上每个分蘖包含的茎秆数量。
其中,农作物植株的植高、预设圆柱体外农作物植株的叶片总量及预设圆柱体外农作物植株上每一叶片的叶长及叶倾角,以及预设圆柱体内农作物植株上的分蘖数、预设圆柱体内农作物植株上各茎秆的长度及预设圆柱体内农作物植株上每个分蘖包含的茎秆数量,可以统称为农作物植株的尺度表型数据。除此之外,尺度表型数据还可以包括农作物植株的方位角及叶片生长高度,本发明实施例对此不作具体限定。
在获取叶片形态数据时,可先获取农作物植株的三维数字化数据。具体地,以小麦植株为例,利用三维数字化仪,以器官为基本单位,对小麦植株进行三维数字化数据获取。将小麦植株按照“植株-分蘖-器官”进行结构划分,按照顺序逐个分蘖、分蘖上的逐个器官进行数据采集。器官包括茎秆、叶片、叶鞘、麦穗。茎秆以连续点获取线段;叶鞘和叶片以点阵形式获取:每排获取3个点,包括两个叶边缘和边缘中点;麦穗仅获取骨架线。另外,在采集三维数字化数据时,需要记录小麦的品种、生育期、水肥处理等农学数据。
在得到农作物植株的三维数字化数据后,可基于所获取的农作物植株三维数字化数据,根据各器官数据语义结构,提取农作物植株和器官尺度表型数据,包括株高、分蘖数、各茎秆长、各叶片的叶长、叶宽、叶倾角、方位角。需要说明的是,对于上述步骤101,只需提取部分器官尺度表型数据(也即植株形态数据),具体可提取农作物植株的植高、预设圆柱体外农作物植株的叶片总量及预设圆柱体外农作物植株上每一叶片的叶长及叶倾角。
还需要说明的是,在训练得到农作物植株形态模型时,也需要依据样本三维数字化数据,提取部分样本器官尺度表型数据(也即植株形态数据、样本茎秆形态数据及缺失的样本叶片形态数据),具体可提取农作物植株的植高、预设圆柱体外农作物植株的叶片总量及预设圆柱体外农作物植株上每一叶片的叶长及叶倾角,以及预设圆柱体内农作物植株上的分蘖数、预设圆柱体内农作物植株上各茎秆的长度及预设圆柱体内农作物植株上每个分蘖包含的茎秆数量等。
以小麦植株为例,可利用所获取的小麦植株的样本植株形态数据、样本茎秆形态数据及缺失的样本叶片形态数据,构建小麦植株形态模型。其中,小麦植株形态模型可通过如下公式进行表示:f(r,h,nl,L)=[nt,T,S]。在该公式中,f表示模型函数,h表示小麦植株的株高。以小麦植株垂直中心线为中轴,半径为r的圆柱体范围外包含nl个叶片,也即叶片总量。而L表示叶片表型特征矩阵,L的行向量表示叶片序号,对于任一叶片序号在L对应的元素,该元素包含该叶片序号对应叶片的叶片生长高度、叶长及叶倾角。由此可知,h、nl及L即为样本植株形态数据。
在上述公式中,nt表示预设圆柱体内小麦植株上的分蘖数,T表示预设圆柱体内小麦植株上各茎秆的长度,S表示预设圆柱体内小麦植株上每个分蘖包含的茎秆数量,也即样本茎秆形态数据。除此之外,输出还有缺少的叶片形态数据,缺失的叶片形态数据包括预设圆柱体外小麦植株上每一叶片的叶倾角。需要说明的是,缺失的叶片形态数据中的叶倾角与叶片表型特征矩阵中的叶倾角不同,前者比后者更加精确。缺失的叶片形态数据还可以包括预设圆柱体外小麦植株上每一叶片的叶片生长高度,本发明实施例对此不作具体限定。同理,缺失的叶片形态数据中的叶片生长高度与叶片表型特征矩阵中的叶片生长高度不同,前者比后者更加精确。
另外,在训练得到农作物植株形态模型时,在得到样本三维数字化数据及样本器官尺度表型数据后,可依据两者构建农作物器官三维模板数据库,以为后续农作物植株三维建模提供高质量的三维器官模板。以小麦植株为例,三维器官模板也即为小麦植株不同器官的三维模型。
基于上述实施例的内容,作为一种可选实施例,输出农作物植株的茎秆形态数据和缺失的叶片形态数据之后,还包括:根据叶片形态数据、茎秆形态数据及缺失的叶片形态数据,确定与农作物植株各器官匹配的三维器官模板;根据预设圆柱体内农作物植株上每一叶片的方位角及每一叶片缺失的叶片形态数据,对三维器官模板进行调整,得到农作物植株的三维模型。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对根据叶片形态数据、茎秆形态数据及缺失的叶片形态数据,确定与农作物植株各器官匹配的三维器官模板的方式作具体限定,包括但不限于:将叶片形态数据、茎秆形态数据及缺失的叶片形态数据作为农作物植株的株型参数集,将株型参数集与农作物器官三维模板数据库中每一三维器官模板的株型参数集进行相似度匹配,将最大相似度对应的三维器官模板作为与农作物植株各器官匹配的三维器官模板。
具体地,可将农作物植株的r,h,nl,L,作为农作物植株形态模型的输入,从而输出得到nt,T,S。在得到nt,T,S后,可将r,h,nl,L以及nt,T,S作为农作物植株的株型参数集,并将通过相似度匹配,确定农作物器官三维模板数据库中最大相似度对应的三维器官模板。通过根据预设圆柱体内农作物植株上每一叶片的方位角、叶倾角及叶片生长高度,对三维器官模板进行调整,即可得到农作物植株的三维模型。其中,叶片生长高度及方位角均可以通过三维扫描的方式来获取,本发明实施例对此不作具体限定。
本发明实施例提供的方法,通过前期构建农作物器官三维模板数据库和深度学习模型,通过当前可行的三维数据获取手段所获取的局部部分有效信息作为驱动参数,实现农作物植株植株的三维重建和表型参数提取,所重建三维模型细节丰富、具有较高的真实感。
基于上述实施例的内容,本发明实施例提供了一种农作物植株表型解析装置,该农作物植株表型解析装置用于执行上述方法实施例中提供的农作物植株表型解析方法。参见图2,该装置包括:
获取模块201,用于获取农作物植株的植株形态数据;
输出模块202,用于将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据,农作物植株形态模型是基于样本植株形态数据训练得到的。
作为一种可选实施例,植株形态数据包括农作物植株的株高、预设圆柱体外农作物植株的叶片总量及叶片表型特征矩阵;其中,预设圆柱体是以农作物植株的垂直中心线为中轴及预设半径确定的。
作为一种可选实施例,叶片表型特征矩阵包括预设圆柱体外农作物植株上每一叶片的叶长及叶倾角。
作为一种可选实施例,茎秆形态数据包括预设圆柱体内农作物植株上的分蘖数、茎秆表型特征矩阵及茎秆数量矩阵。
作为一种可选实施例,茎秆表型特征矩阵包括预设圆柱体内农作物植株上各茎秆的长度,茎秆数量矩阵包括预设圆柱体内农作物植株上每个分蘖包含的茎秆数量。
作为一种可选实施例,该装置还包括:
确定模块,用于根据叶片形态数据、茎秆形态数据及缺失的叶片形态数据,确定与农作物植株各器官匹配的三维器官模板;
调整模块,用于根据预设圆柱体内农作物植株上每一叶片的方位角及每一叶片缺失的叶片形态数据,对三维器官模板进行调整,得到农作物植株的三维模型。
作为一种可选实施例,确定模块,用于将叶片形态数据、茎秆形态数据及缺失的叶片形态数据作为农作物植株的株型参数集,将株型参数集与农作物器官三维模板数据库中每一三维器官模板的株型参数集进行相似度匹配,将最大相似度对应的三维器官模板作为与农作物植株各器官匹配的三维器官模板。
本发明实施例提供的装置,通过获取农作物植株的植株形态数据,将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据。由于在单株尺度上,可以直接获取农作物植株的植株形态数据,通过农作物植株形态模型,直接得到农作物植株的茎秆形态数据和缺失的叶片形态数据,相对于三维重建的方式,工作量更少且效率更高,能够方便地实现高通量的表型解析。
另外,利用多视角成像或三维激光雷达等三维重建方法,重建小麦植株三维模型,由于这些过程所构建的小麦植株三维模型只有外部叶片具有较高的分辨率,靠近植株中心处的茎秆和叶片点云噪声多,难以实现准确地三维重建,而本发明实施例提供的装置,则可以实现准确地三维重建和表型解析。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行如下方法:获取农作物植株的植株形态数据;将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据,农作物植株形态模型是基于样本植株形态数据训练得到的。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:获取农作物植株的植株形态数据;将植株形态数据输入至农作物植株形态模型,输出农作物植株的茎秆形态数据和缺失的叶片形态数据,农作物植株形态模型是基于样本植株形态数据训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种农作物植株表型解析方法,其特征在于,包括:
获取农作物植株的植株形态数据;
将所述植株形态数据输入至农作物植株形态模型,输出所述农作物植株的茎秆形态数据和缺失的叶片形态数据,所述农作物植株形态模型是基于样本植株形态数据训练得到的;
所述植株形态数据包括所述农作物植株的株高、预设圆柱体外所述农作物植株的叶片总量及叶片表型特征矩阵;其中,所述预设圆柱体是以所述农作物植株的垂直中心线为中轴及预设半径所确定的;
所述茎秆形态数据包括所述预设圆柱体内所述农作物植株上的分蘖数、茎秆表型特征矩阵及茎秆数量矩阵;
所述输出所述农作物植株的茎秆形态数据和缺失的叶片形态数据之后,所述方法还包括:
根据所述叶片形态数据、所述茎秆形态数据及所述缺失的叶片形态数据,确定与所述农作物植株各器官匹配的三维器官模板;
根据所述预设圆柱体内所述农作物植株上每一叶片的方位角及每一叶片缺失的叶片形态数据,对所述三维器官模板进行调整,得到所述农作物植株的三维模型;
所述根据所述叶片形态数据、所述茎秆形态数据及所述缺失的叶片形态数据,确定与所述农作物植株各器官匹配的三维器官模板,包括:
将所述叶片形态数据、所述茎秆形态数据及所述缺失的叶片形态数据作为所述农作物植株的株型参数集,将所述株型参数集与农作物器官三维模板数据库中每一三维器官模板的株型参数集进行相似度匹配,将最大相似度对应的三维器官模板作为与所述农作物植株各器官匹配的三维器官模板。
2.根据权利要求1所述的农作物植株表型解析方法,其特征在于,所述叶片表型特征矩阵包括所述预设圆柱体外所述农作物植株上每一叶片的叶长及叶倾角。
3.根据权利要求1所述的农作物植株表型解析方法,其特征在于,所述茎秆表型特征矩阵包括所述预设圆柱体内所述农作物植株上各茎秆的长度,所述茎秆数量矩阵包括所述预设圆柱体内所述农作物植株上每个分蘖包含的茎秆数量。
4.一种农作物植株表型解析装置,其特征在于,包括:
获取模块,用于获取农作物植株的植株形态数据;
输出模块,用于将所述植株形态数据输入至农作物植株形态模型,输出所述农作物植株的茎秆形态数据和缺失的叶片形态数据,所述农作物植株形态模型是基于样本植株形态数据训练得到的;
所述植株形态数据包括所述农作物植株的株高、预设圆柱体外所述农作物植株的叶片总量及叶片表型特征矩阵;其中,所述预设圆柱体是以所述农作物植株的垂直中心线为中轴及预设半径所确定的;
所述茎秆形态数据包括所述预设圆柱体内所述农作物植株上的分蘖数、茎秆表型特征矩阵及茎秆数量矩阵;
所述装置还包括:
确定模块,用于根据所述叶片形态数据、所述茎秆形态数据及所述缺失的叶片形态数据,确定与所述农作物植株各器官匹配的三维器官模板;
调整模块,用于根据所述预设圆柱体内所述农作物植株上每一叶片的方位角及每一叶片缺失的叶片形态数据,对所述三维器官模板进行调整,得到所述农作物植株的三维模型;
所述根据所述叶片形态数据、所述茎秆形态数据及所述缺失的叶片形态数据,确定与所述农作物植株各器官匹配的三维器官模板,包括:
将所述叶片形态数据、所述茎秆形态数据及所述缺失的叶片形态数据作为所述农作物植株的株型参数集,将所述株型参数集与农作物器官三维模板数据库中每一三维器官模板的株型参数集进行相似度匹配,将最大相似度对应的三维器官模板作为与所述农作物植株各器官匹配的三维器官模板。
5.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至3任一所述的方法。
6.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至3任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422872.XA CN110246214B (zh) | 2019-05-21 | 2019-05-21 | 农作物植株表型解析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422872.XA CN110246214B (zh) | 2019-05-21 | 2019-05-21 | 农作物植株表型解析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110246214A CN110246214A (zh) | 2019-09-17 |
CN110246214B true CN110246214B (zh) | 2022-11-04 |
Family
ID=67884669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910422872.XA Active CN110246214B (zh) | 2019-05-21 | 2019-05-21 | 农作物植株表型解析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110246214B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291686A (zh) * | 2020-02-10 | 2020-06-16 | 中国农业大学 | 农作物根果表型参数的提取与根果表型判别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065352A (zh) * | 2012-12-20 | 2013-04-24 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
WO2014184295A1 (de) * | 2013-05-16 | 2014-11-20 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und verfahren zum parametrisieren einer pflanze |
-
2019
- 2019-05-21 CN CN201910422872.XA patent/CN110246214B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065352A (zh) * | 2012-12-20 | 2013-04-24 | 北京农业信息技术研究中心 | 一种基于图像和扫描数据的植株三维重建方法 |
WO2014184295A1 (de) * | 2013-05-16 | 2014-11-20 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Vorrichtung und verfahren zum parametrisieren einer pflanze |
Non-Patent Citations (2)
Title |
---|
基于三维数字化的玉米株型参数提取方法研究;温维亮等;《中国农业科学》;20180323(第06期);全文 * |
葡萄树地上部形态结构数据获取方法;温维亮等;《农业工程学报》;20151123(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110246214A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Holman et al. | High throughput field phenotyping of wheat plant height and growth rate in field plot trials using UAV based remote sensing | |
Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
Anifantis et al. | Comparison of UAV photogrammetry and 3D modeling techniques with other currently used methods for estimation of the tree row volume of a super-high-density olive orchard | |
BR122020015963B1 (pt) | Método implementado por computador de determinação de um número de grãos a partir de uma imagem de um milho e meios de armazenamento não transitório | |
Patrick et al. | High throughput phenotyping of blueberry bush morphological traits using unmanned aerial systems | |
US20200250593A1 (en) | Yield estimation in the cultivation of crop plants | |
Liu et al. | A field-based high-throughput method for acquiring canopy architecture using unmanned aerial vehicle images | |
Sarkar et al. | High‐throughput measurement of peanut canopy height using digital surface models | |
Barbosa et al. | Application of rgb images obtained by uav in coffee farming | |
Caruso et al. | High-resolution UAV imagery for field olive (Olea europaea L.) phenotyping | |
Boyle et al. | Automated estimation of tiller number in wheat by ribbon detection | |
Menzel | Temperature has a greater effect on fruit growth than defoliation or fruit thinning in strawberries in the subtropics | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN110246214B (zh) | 农作物植株表型解析方法及装置 | |
CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
Jamil et al. | Evaluation of individual plant growth estimation in an intercropping field with UAV imagery | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
US20190012749A1 (en) | Dynamic cost function calculation for agricultural users | |
Vélez et al. | A novel technique using planar area and ground shadows calculated from UAV RGB imagery to estimate pistachio tree (Pistacia vera L.) canopy volume | |
Balbontín et al. | Irrigation performance assessment in table grape using the reflectance-based crop coefficient | |
Narra et al. | A data driven approach to decision support in farming | |
Carella et al. | Fruiting, morphology, and architecture of ‘arbequina’and ‘calatina’olive branches | |
CN109034462B (zh) | 玉米群体种植结构优化方法及装置 | |
CN114419367A (zh) | 一种农作物高精度制图方法及系统 | |
Łysiak et al. | The use of temperature based indices for estimation of fruit production conditions and risks in temperate climates |
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 |