CN110967339A - 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 - Google Patents

一种玉米果穗性状分析的方法及装置、玉米性状分析设备 Download PDF

Info

Publication number
CN110967339A
CN110967339A CN201811147145.9A CN201811147145A CN110967339A CN 110967339 A CN110967339 A CN 110967339A CN 201811147145 A CN201811147145 A CN 201811147145A CN 110967339 A CN110967339 A CN 110967339A
Authority
CN
China
Prior art keywords
corn
area
ear
normal
ears
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.)
Granted
Application number
CN201811147145.9A
Other languages
English (en)
Other versions
CN110967339B (zh
Inventor
李辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Ruizhi Jishu Technology Co Ltd
Original Assignee
Beijing Ruizhi Jishu Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Ruizhi Jishu Technology Co Ltd filed Critical Beijing Ruizhi Jishu Technology Co Ltd
Priority to CN201811147145.9A priority Critical patent/CN110967339B/zh
Publication of CN110967339A publication Critical patent/CN110967339A/zh
Application granted granted Critical
Publication of CN110967339B publication Critical patent/CN110967339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例公开了一种玉米果穗性状分析的方法及装置、玉米性状分析设备，该方法通过机器学习得到对玉米果穗的图像进行区域分割的分割模型和对籽粒进行统计的计数模型，结合这两个模型实现了对玉米果穗性状的自动测量，提高了对玉米果穗性状分析的效率，实现了对各性状的精准测量。结合图像处理技术和机器学习，实现了对玉米果穗批量快速的性状测量，分割模型和计数模型均由大量样本进行训练得到，保证了通过这两个样本进行性状测量的数据准确性。

Description

一种玉米果穗性状分析的方法及装置、玉米性状分析设备
技术领域
本发明实施例涉及深度学习和图像处理技术领域，尤其是涉及一种玉米果穗性状分析的方法及装置、玉米性状分析设备。
背景技术
玉米是世界上分布最广、生产最多、最重要的农作物之一。无论是生产过程中还是在选育优良玉米品种的过程中，都需要对玉米的性状进行准确的分析。目前，对玉米性状的分析多依赖人工对玉米的各性状参数进行测量，例如，人工测量玉米果穗的穗长或者人工对玉米果穗中各种类型的果穗进行籽粒统计。这种测量方法通常需要耗费大量的人力资源，且在测量过程中不可避免的出现一些人为因素导致的测量数据的不准确。
在实现本发明实施例的过程中，发明人发现现有的对玉米果穗形状分析的方法依赖人工进行，效率低且测量数据不准确。
发明内容
本发明所要解决的技术问题是如何解决现有的对玉米果穗形状分析的方法依赖人工进行，效率低且测量数据不准确的问题。
针对以上技术问题，本发明的实施例提供了一种玉米果穗性状分析的方法，包括：
获取对玉米果穗进行拍照的目标图像；
通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；
通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；
其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
本实施例提供了一种玉米性状分析设备，包括玉米承载平台、摄像头和数据处理器；
其中，在所述玉米承载平台上设置有多个摄像头，用于对放置在所述玉米承载平台上的玉米果穗进行拍照，将拍摄的照片传输至所述数据处理器；
所述数据处理器用于执行以上任一项所述的方法。
本实施例提供了一种玉米果穗性状分析的装置，包括：
获取模块，用于获取对玉米果穗进行拍照的目标图像；
分割模块，用于通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；
测量模块，用于通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；
其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
本实施例提供了一种电子设备，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该电子设备和其它电子设备的通信设备之间的信息传输；
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以上所述的方法。
本实施例提供了一种非暂态计算机可读存储介质，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以上所述的方法。
本发明的实施例提供了一种玉米果穗性状分析的方法及装置、玉米性状分析设备，该方法通过机器学习得到对玉米果穗的图像进行区域分割的分割模型和对籽粒进行统计的计数模型，结合这两个模型实现了对玉米果穗性状的自动测量，提高了对玉米果穗性状分析的效率，实现了对各性状的精准测量。结合图像处理技术和机器学习，实现了对玉米果穗批量快速的性状测量，分割模型和计数模型均由大量样本进行训练得到，保证了通过这两个样本进行性状测量的数据准确性。
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是本发明一个实施例提供的玉米果穗性状分析的方法的流程示意图；
图2是本发明另一个实施例提供的玉米果穗性状分析的方法具体流程示意图；
图3是本发明另一个实施例提供的对全卷积神经网络进行训练得到分割模型的训练流程示意图；
图4是本发明另一个实施例提供的对随机森林进行训练得到计数模型的训练流程示意图；
图5是本发明另一个实施例提供的考种仪中前端用户界面中新建考种任务的页面示意图；
图6是本发明另一个实施例提供的考种仪中前端用户界面中考种任务列表的页面示意图；
图7是本发明另一个实施例提供的考种仪中前端用户界面中考种任务结果详情的页面示意图；
图8是本发明另一个实施例提供的考种仪中前端用户界面中考种数据分析的页面示意图；
图9是本发明另一个实施例提供的玉米果穗性状分析的装置的结构框图；
图10是本发明另一个实施例提供的电子设备的结构框图。
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做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。
图1是本实施例提供的一种玉米果穗性状分析的方法的流程示意图，参见图1，该方法包括：
101：获取对玉米果穗进行拍照的目标图像；
102：通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；
103：通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；
其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
本实施例提供的方法由能够执行上述方法的设备执行，例如，专用于对玉米果穗性状进行分析的设备或者考种仪。得到对玉米果穗拍照的目标图像后，即可将该目标图像依次输入训练好的分割模型和计数模型，通过计数模型直接输出玉米果穗中病害籽粒数、瘪粒籽粒数和正常籽粒数，实现了对病害区域、瘪粒区域和正常区域的分割以及对各区域籽粒数的自动统计，效率高且测量的数据准确性高。
进一步地，分割模型通过对全卷积神经网络训练得到；训练计数模型为基于随机森林的计数网络。
图2为本实施例提供的玉米果穗性状分析的方法具体流程示意图，参见图2，将对玉米果穗批量拍照得到的照片进行分割，得到某一玉米果穗的原图。针对该原图，通过加载分割模型进行对该玉米果穗的各个区域进行划分，通过加载计数模型得到该玉米果穗的病害籽粒数、瘪粒籽粒数和正常籽粒数，再结合图像处理得到该玉米果穗的其它性状，输出测量的该玉米果穗的性状。
本实施例提供了一种玉米果穗性状分析的方法，该方法通过机器学习得到对玉米果穗的图像进行区域分割的分割模型和对籽粒进行统计的计数模型，结合这两个模型实现了对玉米果穗性状的自动测量，提高了对玉米果穗性状分析的效率，实现了对各性状的精准测量。结合图像处理技术和机器学习，实现了对玉米果穗批量快速的性状测量，分割模型和计数模型均由大量样本进行训练得到，保证了通过这两个样本进行性状测量的数据准确性。
进一步地，在上述实施例的基础上，所述分割模型的训练方法包括：
获取若干对玉米果穗进行拍照得到的图像，作为第一输入样本，预先分割出每一第一输入样本中的背景区域，以及玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域，得到第一输出样本；
将每一第一输入样本和与该第一输入样本对应的第一输出样本作为一组第一训练样本，通过若干组第一训练样本对全卷积神经网络进行训练，得到所述分割模型。
在样本训练的过程中，全卷积神经网络不断根据自身输出的结果和第一输出样本的差异，调整自身参数，直到将任一第一输入样本作为所述全卷积神经网络的输入参数，得到的输出参数与该第一输入样本对应的第一输出样本之间，分割的各结构区域的面积差均小于预设面积差。
全卷积神经网络主要用于从周边环境中把玉米分割出来，对玉米的正常粒区域、瘪粒区域、病害区域、秃尖区域进行识别。全卷积神经网络对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的卷积神经网络在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同，全卷积神经网络可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的特征图层进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类。
图3为本实施例提供的对全卷积神经网络进行训练得到分割模型的训练流程示意图，参见图3，在训练得到分割模型的过程中，首先，在数据采集过程中，通过使用玉米承载平台拍摄2000张玉米的照片，找农业专家对玉米的秃尖区域、瘪粒区域、空粒区域、病害区域、正常区域和背景区域进行像素级标记。设计全卷积神经网络，将玉米原图和标记之后的图输入到分割网络中，进行反复迭代训练，最终网络收敛得到分割模型。
本实施例提供了一种玉米果穗性状分析的方法，通过机器学习对全卷积神经网络进行训练，得到能够快速分割出玉米果穗上各个区域的分割模型，为后续对各个区域的籽粒数进行统计奠定了基础。
更进一步地，在上述各实施例的基础上，所述计数模型的训练方法包括：
获取若干预先分割出了玉米果穗中的病害区域、瘪粒区域和正常区域的图像，作为第二输入样本，对每一第二输入样本，预先分别对该第二输入样本中的病害区域、瘪粒区域和正常区域中的玉米籽粒进行打点标记，并基于打点标记得到的打点图和二维高斯分布概率密度图得到点分布密度图，将对该点分布密度图作为第二输出样本；
将每一第二输入样本和与该第二输入样本对应的第二输出样本作为一组第二训练样本，通过若干组第二训练样本利用随机森林模型进行训练，得到所述计数模型。
在样本训练的过程中，随机森林不断根据自身输出的结果和第二输出样本的差异，调整自身参数，直到将任一第二输入样本作为所述随机森林的输入参数，得到的输出参数与该第二输入样本对应的第二输出样本之间的误差小于预设误差。
图4为本实施例提供的对随机森林进行训练得到计数模型的训练流程示意图，参见图4，在训练得到计数模型的过程中，首先，通过使用玉米承载平台拍摄2000张玉米的照片，找农业专家对玉米的瘪粒、病害籽粒和正常籽粒进行打点标记，标记完成之后，输入基于随机森林的计数网络，反复迭代训练，生成分别针对瘪粒、病害籽粒和正常籽粒的计数模型。其中，原始玉米的彩色图片经过计数模型的处理之后，输出为单色密度图。
本实施例提供了一种玉米果穗性状分析的方法，通过机器学习对神经网络进行训练，得到能够快速对玉米果穗的特定区域的玉米籽粒进行统计的计数模型，实现了对玉米性状的快速测量。
更进一步地，在上述各实施例的基础上，在通过所述分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域后，还包括：
测量所述目标图片中玉米果穗从穗基部到穗顶端的长度，得到所述目标图片中玉米果穗的穗长；
测量所述目标图片中玉米果穗秃尖区域的长度，得到所述目标图片中玉米果穗的秃尖长；
测量所述目标图片中玉米果穗中空粒区域、病害区域、瘪粒区域和正常区域的区域面积，计算空粒区域、病害区域、瘪粒区域和正常区域的区域面积的比值；
测量所述目标图片中玉米果穗沿着穗长方向排列的行数，得到所述目标图片中玉米果穗的穗行数；
统计所述目标图片中玉米果穗每一穗行中玉米粒的数量，将各穗行玉米粒的数量平均值作为所述目标图片中玉米果穗的行粒数；
测量所述目标图片中玉米果穗中部区域的直径平均值，得到所述目标图片中玉米果穗的穗直径；
测量所述目标图片中玉米果穗中部区域的周长平均值，得到所述目标图片中玉米果穗的穗周长；
测量所述目标图片中玉米果穗中部区域中，位于分割的正常区域中的各玉米粒的宽度，计算中部区域中属于正常区域的玉米粒的宽度平均值，得到所述目标图片中玉米果穗的粒宽度；
测量所述目标图片中玉米果穗中部区域中，位于分割的正常区域中的各玉米粒的厚度，计算中部区域中属于正常区域的玉米粒的厚度平均值，得到所述目标图片中玉米果穗的粒厚度；
其中，所述中部区域为自所述目标图片中玉米果穗的穗基部到穗顶端间的中点向穗基部和穗顶端延伸得到的玉米果穗中段上的区域，玉米果穗中段的长度为穗长的三分之一。
进一步地，还包括：对玉米果穗中部区域平均的颜色RGB值的测量，得到所述目标图像中的玉米果穗的粒颜色RGB。其中，输出的粒颜色RGB为BValue*255*255+GValue*255+BValue；
测量某一组玉米果穗中某个性状测量值的标准差/均值，作为该组玉米果穗的变异系数cv。
测量所述目标图片中玉米果穗长度为穗长1/3位置和长度为穗长2/3位置处的直径比值，根据该比值评价所述目标图片中玉米果穗的穗型。
本实施例提供了一种玉米果穗性状分析的方法，提供了通过图像处理技术测量玉米果穗中各性状的方法，实现了对玉米果穗中各性状快速准确的测量。
更进一步地，在上述各实施例的基础上，还包括：
所述获取对玉米果穗进行拍照的目标图像，包括：
获取对玉米果穗进行拍照的照片，对拍照的照片进行裁切和拼接得到所述目标图像。
本实施例提供了一种玉米果穗性状分析的方法，由于拍照的照片可能出现玉米果穗图像没有拍摄完全、光线不均匀或者存在遮挡等问题，因此在对玉米果穗拍照后需要进行一些预处理，以方便后续通过分割模型和计数模型能够快速对玉米果穗进行性状分析。
更进一步地，在上述各实施例的基础上，还包括：
若接收到显示所述目标图像中玉米果穗性状的指令，显示测量的所述目标图像中玉米果穗的病害籽粒数、瘪粒籽粒数、正常籽粒数、穗长、秃尖长、穗行数、行粒数、穗直径、穗周长、粒宽度、粒厚度，以及所述目标图像中玉米果穗的空粒区域、病害区域、瘪粒区域和正常区域的区域面积的比值。
本实施例提供了一种玉米果穗性状分析的方法，对玉米果穗性状的显示通过显示装置实现，进一步地，还可以将玉米果穗的性状按照设定的格式生成报告，输出报告给用户，方便用户快速了解玉米果穗的性状。
作为对玉米果穗性状进行分析的实体设备，本实施例提供了一种玉米性状分析设备，包括玉米承载平台、摄像头和数据处理器；
其中，在所述玉米承载平台上设置有多个摄像头，用于对放置在所述玉米承载平台上的玉米果穗进行拍照，将拍摄的照片传输至所述数据处理器；
所述数据处理器用于执行以上任一项所述的方法。
进一步地，摄像头为普通720p摄像头，在所述玉米承载平台上方，等距安装三个720p摄像头。
本实施例提供了一种玉米性状分析设备，通过成本较低的摄像头和训练好的模型，仅通过对现有仪器进行较小的硬件改进即可实现对玉米果穗性状快速自动的测量，成本低且测量效率高。
具体地，在实际应用中，玉米承载平台满足每次测量的统一光照效果。为降低成本，采用成本较低的普通720p摄像头。在玉米承载平台上方，等距安装三个普通720p普通摄像头。在玉米承载平台内部，安放数据工作站，在玉米承载平台外部安装一体化显示器，用于拍照和软件操作。数据工作站(即数据处理器)中安装数据分析软件。
图5为本实施例提供的考种仪中前端用户界面中新建考种任务的页面示意图，图6为本实施例提供的考种仪中前端用户界面中考种任务列表的页面示意图，图7为本实施例提供的考种仪中前端用户界面中考种任务结果详情的页面示意图，图8为本实施例提供的考种仪中前端用户界面中考种数据分析的页面示意图。由图5至图8可以看出，本实施例提供的数据分析软件具有用户管理、任务管理、数据分析、配置管理、业务服务和数据存储服务。其中，本实施例中的图像算法服务使用基于GPU的HPC服务器，运用深度学习框架提供图像处理、分析、识别等核心算法服务，实现玉米图像识别、分析等功能。
本实施例中的设备对各个玉米果穗的性状进行测量的过程可以进行如下描述：
用户在一体化显示屏上打开前端软件，扫描考种信息二维码后，软件会自动提取二维码中的任务信息，软件会打开考种仪中的三个高清摄像头，用户通过点击拍摄按钮，可实时截取多个摄像头的图像信息，并实现多个图像的自动拼接，拼接后的图片是一张包含18个玉米的图片。
获取图片后，后台服务会调用裁剪接口，将18个玉米依次裁切。裁切完成之后，将玉米依次输入到分割网络，分割网络完成玉米的正常籽粒区域、病害籽粒区域、瘪粒区域、秃尖区域的划分。
分割完成之后，将正常籽粒区域、瘪粒区域和病害区域分别输入各区域的计数模型，得到玉米相应区域的单色密度图。
采用传统的图像处理的方法对各区域的密度图进行计算，得到相应的指标，包括但不限于穗长、穗宽、穗粒数、行粒数、穗行数、区域比例、秃尖长、瘪粒数、穗周长、穗直径、粒宽度、粒厚度、粒颜色RGB、变异系数cv、穗型等参数。
将求得的参数存入数据库中，前端软件会对性状参数进行可视化分析显示。
图9为本实施例提供的玉米果穗性状分析的装置的结构框图，参见图9，该装置包括获取模块901、分割模块902和测量模块903，其中，
获取模块901，用于获取对玉米果穗进行拍照的目标图像；
分割模块902，用于通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；
测量模块903，用于通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；
其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
本实施例提供的玉米果穗性状分析的装置适用于上述实施例提供的玉米果穗性状分析的方法，在此不再赘述。
本实施例提供了一种玉米果穗性状分析的装置，该装置通过机器学习得到对玉米果穗的图像进行区域分割的分割模型和对籽粒进行统计的计数模型，结合这两个模型实现了对玉米果穗性状的自动测量，提高了对玉米果穗性状分析的效率，实现了对各性状的精准测量。结合图像处理技术和机器学习，实现了对玉米果穗批量快速的性状测量，分割模型和计数模型均由大量样本进行训练得到，保证了通过这两个样本进行性状测量的数据准确性。
图10是示出本实施例提供的电子设备的结构框图。
参照图10，所述电子设备包括：处理器(processor)1001、存储器(memory)1002、通信接口(Communications Interface)1003和总线1004；
其中，
所述处理器1001、存储器1002、通信接口1003通过所述总线1004完成相互间的通信；
所述通信接口1003用于该电子设备和其它电子设备的通信设备之间的信息传输；
所述处理器1001用于调用所述存储器1002中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取对玉米果穗进行拍照的目标图像；通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
本实施例提供一种非暂态计算机可读存储介质，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上述各方法实施例所提供的方法，例如包括：获取对玉米果穗进行拍照的目标图像；通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如，包括：获取对玉米果穗进行拍照的目标图像；通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的，其中所述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：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，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，或者对其中部分或者全部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的实施例各实施例技术方案的范围。

Claims (10)

1.一种玉米果穗性状分析的方法，其特征在于，包括：
获取对玉米果穗进行拍照的目标图像；
通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；
通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；
其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
2.根据权利要求1所述的方法，其特征在于，所述分割模型的训练方法包括：
获取若干对玉米果穗进行拍照得到的图像，作为第一输入样本，预先采用不同颜色标记出每一第一输入样本中的背景区域，以及玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域，得到第一输出样本；
将每一第一输入样本和与该第一输入样本对应的第一输出样本作为一组第一训练样本，通过若干组第一训练样本利用全卷积神经网络进行训练，得到所述分割模型。
3.根据权利要求1所述的方法，其特征在于，所述计数模型的训练方法包括：
获取若干预先分割出了玉米果穗中的病害区域、瘪粒区域和正常区域的图像，作为第二输入样本，对每一第二输入样本，预先分别对该第二输入样本中的病害区域、瘪粒区域和正常区域中的玉米籽粒进行打点标记，并基于打点标记得到的打点图和二维高斯分布概率密度图得到点分布密度图，将对该点分布密度图作为第二输出样本；
将每一第二输入样本和与该第二输入样本对应的第二输出样本作为一组第二训练样本，通过若干组第二训练样本利用随机森林模型进行训练，得到所述计数模型。
4.根据权利要求1所述的方法，其特征在于，在通过所述分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域后，还包括：
测量所述目标图片中玉米果穗从穗基部到穗顶端的长度，得到所述目标图片中玉米果穗的穗长；
测量所述目标图片中玉米果穗秃尖区域的长度，得到所述目标图片中玉米果穗的秃尖长；
测量所述目标图片中玉米果穗中空粒区域、病害区域、瘪粒区域和正常区域的区域面积，计算空粒区域、病害区域、瘪粒区域和正常区域的区域面积的比值；
测量所述目标图片中玉米果穗沿着穗长方向排列的行数，得到所述目标图片中玉米果穗的穗行数；
统计所述目标图片中玉米果穗每一穗行中玉米粒的数量，将各穗行玉米粒的数量平均值作为所述目标图片中玉米果穗的行粒数；
测量所述目标图片中玉米果穗中部区域的直径平均值，得到所述目标图片中玉米果穗的穗直径；
测量所述目标图片中玉米果穗中部区域的周长平均值，得到所述目标图片中玉米果穗的穗周长；
测量所述目标图片中玉米果穗中部区域中，位于分割的正常区域中的各玉米粒的宽度，计算中部区域中属于正常区域的玉米粒的宽度平均值，得到所述目标图片中玉米果穗的粒宽度；
测量所述目标图片中玉米果穗中部区域中，位于分割的正常区域中的各玉米粒的厚度，计算中部区域中属于正常区域的玉米粒的厚度平均值，得到所述目标图片中玉米果穗的粒厚度；
其中，所述中部区域为自所述目标图片中玉米果穗的穗基部到穗顶端间的中点向穗基部和穗顶端延伸得到的玉米果穗中段上的区域，玉米果穗中段的长度为穗长的三分之一。
5.根据权利要求1所述的方法，其特征在于，还包括：
所述获取对玉米果穗进行拍照的目标图像，包括：
获取对玉米果穗进行拍照的照片，对拍照的照片进行裁切和拼接得到所述目标图像。
6.根据权利要求1所述的方法，其特征在于，还包括：
若接收到显示所述目标图像中玉米果穗性状的指令，显示测量的所述目标图像中玉米果穗的病害籽粒数、瘪粒籽粒数、正常籽粒数、穗长、秃尖长、穗行数、行粒数、穗直径、穗周长、粒宽度、粒厚度，以及所述目标图像中玉米果穗的空粒区域、病害区域、瘪粒区域和正常区域的区域面积的比值。
7.一种玉米性状分析设备，其特征在于，包括玉米承载平台、摄像头和数据处理器；
其中，在所述玉米承载平台上设置有多个摄像头，用于对放置在所述玉米承载平台上的玉米果穗进行拍照，将拍摄的照片传输至所述数据处理器；
所述数据处理器用于执行权利要求1-6任一项所述的方法。
8.一种玉米果穗性状分析的装置，其特征在于，包括：
获取模块，用于获取对玉米果穗进行拍照的目标图像；
分割模块，用于通过预先训练的分割模型分割出所述目标图像中的背景区域和所述目标图像中玉米果穗上的秃尖区域、空粒区域、病害区域、瘪粒区域和正常区域；
测量模块，用于通过预先训练的计数模型统计出所述玉米果穗中病害区域的病害籽粒数、所述瘪粒区域的瘪粒籽粒数和所述正常区域的正常籽粒数；
其中，所述正常区域为所述玉米果穗中饱满无病害的玉米粒所在的区域。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述通信接口用于该电子设备和其它电子设备的通信设备之间的信息传输；
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6中任一项所述的方法。
10.一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6任一项所述的方法。
CN201811147145.9A 2018-09-29 2018-09-29 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 Active CN110967339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811147145.9A CN110967339B (zh) 2018-09-29 2018-09-29 一种玉米果穗性状分析的方法及装置、玉米性状分析设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811147145.9A CN110967339B (zh) 2018-09-29 2018-09-29 一种玉米果穗性状分析的方法及装置、玉米性状分析设备

Publications (2)

Publication Number Publication Date
CN110967339A true CN110967339A (zh) 2020-04-07
CN110967339B CN110967339B (zh) 2022-12-13

Family

ID=70027275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811147145.9A Active CN110967339B (zh) 2018-09-29 2018-09-29 一种玉米果穗性状分析的方法及装置、玉米性状分析设备

Country Status (1)

Country Link
CN (1) CN110967339B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111397709A (zh) * 2020-05-18 2020-07-10 扬州大学 一种小麦千粒重快速测量方法
CN111950436A (zh) * 2020-08-07 2020-11-17 中国农业大学 一种玉米果穗表型测量方法及系统
CN113063704A (zh) * 2020-12-04 2021-07-02 泰州市朗嘉馨网络科技有限公司 颗粒饱满程度解析平台及方法
CN113989229A (zh) * 2021-10-28 2022-01-28 杭州图谱光电科技有限公司 一种基于随机森林和卷积神经网络的细胞计数方法
CN114067105A (zh) * 2022-01-12 2022-02-18 安徽高哲信息技术有限公司 谷物密度估计方法、存储介质及谷物密度估计设备
WO2022102630A1 (ja) * 2020-11-11 2022-05-19 株式会社サタケ 被選別物の識別方法、選別方法及び選別装置
CN116778477A (zh) * 2023-06-20 2023-09-19 上海市农业科学院 一种基于图像处理的玉米果穗性状指标计算方法
CN117455912A (zh) * 2023-12-23 2024-01-26 安徽农业大学 一种基于三平面镜的玉米穗粒全景计数方法及计数系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090046890A1 (en) * 2007-08-13 2009-02-19 Pioneer Hi-Bred International, Inc. Method and system for digital image analysis of ear traits
CN103020970A (zh) * 2012-12-25 2013-04-03 北京农业信息技术研究中心 玉米果穗图像籽粒分割方法
CN103190224A (zh) * 2013-03-26 2013-07-10 中国农业大学 基于计算机视觉技术的玉米果穗考种方法、系统和装置
CN104021369A (zh) * 2014-04-30 2014-09-03 南京农业大学 基于数字图像处理技术的单株水稻穗部籽粒数计数方法
CN108416353A (zh) * 2018-02-03 2018-08-17 华中农业大学 基于深度全卷积神经网络的大田稻穗快速分割方法
CN108492296A (zh) * 2018-04-04 2018-09-04 扬州大学 基于超像素分割的小麦麦穗智能计数系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090046890A1 (en) * 2007-08-13 2009-02-19 Pioneer Hi-Bred International, Inc. Method and system for digital image analysis of ear traits
CN103020970A (zh) * 2012-12-25 2013-04-03 北京农业信息技术研究中心 玉米果穗图像籽粒分割方法
CN103190224A (zh) * 2013-03-26 2013-07-10 中国农业大学 基于计算机视觉技术的玉米果穗考种方法、系统和装置
CN104021369A (zh) * 2014-04-30 2014-09-03 南京农业大学 基于数字图像处理技术的单株水稻穗部籽粒数计数方法
CN108416353A (zh) * 2018-02-03 2018-08-17 华中农业大学 基于深度全卷积神经网络的大田稻穗快速分割方法
CN108492296A (zh) * 2018-04-04 2018-09-04 扬州大学 基于超像素分割的小麦麦穗智能计数系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAO LU ET AL.: "TasselNet: counting maize tassels in the wild via local counts regression network", 《PLANT METHODS》 *
周金辉 等: "基于机器视觉的玉米果穗产量组分性状测量方法", 《农业工程学报》 *
王慧慧 等: "鲜食玉米果穗外观品质分级的计算机视觉方法", 《农业机械学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111397709A (zh) * 2020-05-18 2020-07-10 扬州大学 一种小麦千粒重快速测量方法
CN111950436A (zh) * 2020-08-07 2020-11-17 中国农业大学 一种玉米果穗表型测量方法及系统
WO2022102630A1 (ja) * 2020-11-11 2022-05-19 株式会社サタケ 被選別物の識別方法、選別方法及び選別装置
CN113063704A (zh) * 2020-12-04 2021-07-02 泰州市朗嘉馨网络科技有限公司 颗粒饱满程度解析平台及方法
CN113063704B (zh) * 2020-12-04 2022-03-11 湖北沛丰生物科技股份有限公司 颗粒饱满程度解析平台及方法
CN113989229A (zh) * 2021-10-28 2022-01-28 杭州图谱光电科技有限公司 一种基于随机森林和卷积神经网络的细胞计数方法
CN114067105A (zh) * 2022-01-12 2022-02-18 安徽高哲信息技术有限公司 谷物密度估计方法、存储介质及谷物密度估计设备
CN114067105B (zh) * 2022-01-12 2022-04-22 安徽高哲信息技术有限公司 谷物密度估计方法、存储介质及谷物密度估计设备
CN116778477A (zh) * 2023-06-20 2023-09-19 上海市农业科学院 一种基于图像处理的玉米果穗性状指标计算方法
CN116778477B (zh) * 2023-06-20 2024-05-17 上海市农业科学院 一种基于图像处理的玉米果穗性状指标计算方法
CN117455912A (zh) * 2023-12-23 2024-01-26 安徽农业大学 一种基于三平面镜的玉米穗粒全景计数方法及计数系统
CN117455912B (zh) * 2023-12-23 2024-03-19 安徽农业大学 一种基于三平面镜的玉米穗粒全景计数方法及计数系统

Also Published As

Publication number Publication date
CN110967339B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN110967339B (zh) 一种玉米果穗性状分析的方法及装置、玉米性状分析设备
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
Liu et al. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field
CN111488921A (zh) 一种全景数字病理图像智能分析系统及方法
CN109117857B (zh) 一种生物属性的识别方法、装置及设备
Sunoj et al. Sunflower floral dimension measurements using digital image processing
CN110363176B (zh) 一种图像分析方法及装置
CN109522899B (zh) 咖啡成熟果实的检测方法、装置及电子设备
CN115099297B (zh) 一种基于改进型YOLO v5模型的大豆植株表型数据统计方法
US20190340473A1 (en) Pattern recognition method of autoantibody immunofluorescence image
CN108961250A (zh) 一种目标物统计方法、装置、终端以及存储介质
CN111339902A (zh) 一种数显仪表的液晶屏示数识别方法及装置
CN114511820A (zh) 货架商品检测方法、装置、计算机设备及存储介质
CN111882559B (zh) Ecg信号的获取方法及装置、存储介质、电子装置
CN112614573A (zh) 基于病理图像标注工具的深度学习模型训练方法及装置
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN109934297A (zh) 一种基于深度学习卷积神经网络的水稻考种方法
CN117197479A (zh) 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质
CN112966698A (zh) 基于轻量化卷积网络的淡水鱼图像实时识别方法
CN116188855A (zh) 多尺度的植物病害识别方法、设备、存储介质及装置
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法
CN115601547A (zh) 样本图像获取、货物管理方法、装置、设备及存储介质
CN113256567B (zh) 香蕉叶面积指数检测方法及系统
CN108182406A (zh) 零售终端的物品陈列识别方法及系统
CN112116598A (zh) 一种花卉种类识别方法及系统

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