CN111462058B - 一种水稻有效穗快速检测方法 - Google Patents
一种水稻有效穗快速检测方法 Download PDFInfo
- Publication number
- CN111462058B CN111462058B CN202010211220.4A CN202010211220A CN111462058B CN 111462058 B CN111462058 B CN 111462058B CN 202010211220 A CN202010211220 A CN 202010211220A CN 111462058 B CN111462058 B CN 111462058B
- Authority
- CN
- China
- Prior art keywords
- rice
- effective
- stubble
- image
- 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.)
- Active
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 139
- 235000009566 rice Nutrition 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 39
- 210000005069 ears Anatomy 0.000 title claims abstract description 33
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 143
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 241000512668 Eunectes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种水稻有效穗的快速检测方法，实现对稻田复杂环境下水稻有效穗的高通量智能计数；所述快速检测方法包括：采集水稻稻茬图像、利用深度卷积神经网络方法检测水稻有效分蘖以及计算水稻有效穗数，具体步骤为：用镰刀在距离地面2‑3厘米处割下整株成熟期水稻植株，然后在距离地面13‑20厘米的位置用智能手机或者照相机等移动采集设备采集稻茬样本图像；用Labellmg软件进行人工数据标注，建立水稻稻茬图像数据库，包括训练集、验证集和测试集；为得到最优的水稻有效穗检测模型，基于其他训练参数保持一致的前提下，利用三种不同的主干网络配合两种训练方法，分别对水稻稻茬图像进行相应训练并组建相应模型；对选出的最优模型进行参数优化，得到最终的水稻有效穗快速检测模型。与现有技术相比，本发明可实现水稻有效穗数的高通量、快速以及准确获取，具有较高的实际应用价值。
Description
技术领域
本发明涉及水稻有效分蘖检测，尤其涉及一种水稻有效穗快速检测方法，属于目标检测领域。
背景技术
水稻产量对人类的生存至关重要，而水稻有效穗数与水稻产量密切相关。同时，水稻有效穗数也是水稻研究(如基因鉴定、干旱胁迫等)的重要组成部分。水稻有效穗数一般在水稻成熟期的时候被统计。因此，快速准确地评估水稻有效穗数是非常重要的。而在水稻产量评估中获取水稻有效穗数的方法仍然主要依靠人工：用镰刀将整株成熟期水稻植株割下，然后逐一计算有效穗数。在现代水稻育种中，需要利用有效穗数性状来评价所生产的数百个新品种。然而，有效穗数的测量方法仍然主要依赖人工，该方法不仅过程繁琐、耗时，而且主观误差较大。因此，开发一种水稻有效穗快速计数是水稻育种和水稻产量评估来说是非常重要的。
目前，关于自动评估作物表型性状的研究已经发展得较好，如基于田间的表型平台(FBP)、数字植物表型平台(D3P)和高梁高度自标定方法等。以上表型平台能满足高通量获取植物表型参数的需求，但其获取的植物表型参数主要是与作物生长期相关的，而不是与作物成熟期产量相关的参数。作物产量相关表型性状对作物改良和育种具有重要意义。因此，许多研究机构都开始注重开发产量相关的表型自动评估工具，例如利用改进的傅里叶级数法来分割黏连谷粒、用图像处理方法测量水稻稻穗长度以及开发算法计算水稻小穗数等。虽然以上基于图像处理的方法已被证明可行，能自动测量水稻产量相关表型性状，但该方法不能有效计算水稻有效穗数，因为大多数水稻有效穗都会被大量的稻叶遮挡。最近，有人将深度学习模型应用于水稻稻穗的自动计数，其精度达86.8％，表明该方法可以有效地对水稻稻穗进行计数。但由于该采集方法精度还不足够高，图像采集设备成本高，不适合在实际中广泛应用。
为了计算水稻有效穗数，目前大多数方法是从水稻冠层位置来识别和计算水稻有效穗数。但成熟期的水稻有效穗常被大量稻叶遮挡，导致不能准确计算。此外，水稻有效穗和水稻有效分蘖是密切相关的，水稻有效穗来自水稻有效分蘖。田间环境下的作物表型检测仍然是当前育种进展的瓶颈。深度卷积神经网络方法是一种广泛应用于农业领域的检测方法，可用于复杂环境中目标的准确识别与检测。该方法可为水稻有效穗的计数提供较高的精度和效率。因此，本发明公开了一种水稻有效穗快速检测方法，该方法能准确评估水稻有效穗数。因此，将水稻有效穗检测问题转化为基于深度卷积神经网络方法的水稻有效分蘖检测问题是可行的。
发明内容
本发明为能快速、准确获取稻田环境下水稻有效穗数，将水稻有效穗检测问题转化为水稻有效分蘖检测问题，该发明能快速、准确获取水稻有效穗数，对水稻育种和水稻测产等工作有实际意义。
本发明的目的可以通过以下技术方案来实现：
一种水稻有效穗快速检测方法，包括以下步骤：
S1：采集水稻稻茬图像；
S2：利用深度卷积神经网络方法检测水稻有效分蘖，计算水稻有效穗数。进一步地，所述步骤S1的具体步骤为：
A1：采用镰刀将整株成熟期的水稻割下，割高为3厘米；
A2：将割下的成熟期水稻移开，远离稻茬位置；
A3：用智能手机拍下整株稻茬样本图像，距离地面的拍照高度为13厘米；
A4：对采集完的稻茬样本图像进行图像预处理操作。
进一步地，所述步骤S2的具体步骤为：
B1：利用Labellmg图像标注软件标注稻茬样本图像，建立水稻稻茬图像基础数据库，包括训练集、测试集和验证集；
B2：为了更好检测目标，利用三种不同纵横比和三种不同尺寸的锚框进行测试，最后得到的纵横比为1∶1的锚框是最优锚框；
B3：为了得到最优的水稻有效分蘖检测模型，在其他参数保持一致的前提下，采用三种不同的主干网络并以两种不同的训练方式一共六种模型，分别对水稻稻茬图像进行训练，最终得到最优的水稻有效分蘖快速检测模型；
B4：对选出来的最优的水稻有效分蘖快速检测模型进行参数优化，得到最终的水稻有效分蘖快速检测模型；
进一步地，所述步骤S2中B1的具体内容为：
C1：因为PASCAL VOC数据集图像的最长边是500像素，因此为了保持图像尺寸的一致性，将稻茬样本图像格式转化成PASCAL VOC格式，即用算法将稻茬图像的最长边缩放至500像素，最短边按原图像的纵横比进行相应的缩放；
C2：用算法将缩放之后的稻茬样本图像进行统一编号；
C3：用Iabellmg图像标注软件对预处理完的稻茬样本图像进行人工数据标注；其中，当有效分蘖横截面被遮挡的面积超过85％或者位于图像边缘的有效分蘖横截面面积小于15％时，这些有效分蘖将不进行标注；从有效分蘖旁边长出的新芽也不进行标注；当有效分蘖横截面的颜色是白色、绿色或者浅棕色的时候都标注为有效分蘖。
C4：为了提高模型的鲁棒性和防止过拟合，一些特殊情况的样本图像也会被标注，例如，光照不均匀、水反光、模糊、阴暗等。
C5：用算法将标注完的稻茬样本数据按0.56∶0.24∶0.2的比例随机分为训练集、验证集和测试集。
进一步地，所述步骤S2中B3的具体内容是：将三种不同的主干网络(ZF，VGG16和CGG_CNN_1024_M)嵌入到Faster-RCNN模型中，并用两种不同的训练方式(交替训练法和端到端训练法)分别进行训练，一共得到六个模型，从六个模型中选出最佳模型。。
进一步地，所述步骤S2中B4的具体内容是：保持其他参数一致的前提下，通过分别改变批次大小为256、128、64以及32，学习率为0.1、0.01、0.001、0.0001，对步骤S2中B3选出来的模型分别进行训练，得出最终得最优模型。
与现有技术相比，本发明的有益效果是：(1)本发明训练所用的图像均可用普通智能手机采集，具有便捷、低成本、通用性强等优点；(2)本发明搭建的水稻有效穗快速检测模型具有精度高、检测效率高等优点，能够快速检测稻田复杂环境下有效分蘖的数量，进而得到水稻有效穗的数量；(3)本发明所研发的一种水稻有效穗快速检测方法高精度、高效率获取水稻有效穗数，具有较好的实际应用意义。
附图说明
图1为水稻有效分蘖检测的整体流程示意图；
图2为水稻稻茬图像采集示意图；
图3为水稻有效分蘖的标注示意图。
图4为水稻有效穗快速检测6组模型的损失曲线示意图。
图5为水稻有效穗快速检测6组模型的P-R曲线示意图。
图6为部分水稻有效分蘖检测结果示意图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅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。
实施例
本发明利用Faster-RCNN算法对待检测目标进行特征学习和目标分类，并从检测水稻有效分蘖的角度实现水稻有效穗数的计算。整个训练过程在图形工作站中Ubuntu16.04系统下的深度学习开源框架Caffe下运行，操作环境是Anaconda 3.5.0，python 2.7.6，CUDA 8.0，cuDNN 7.0。显卡型号是NVIDIA GeForce GTX1080Ti，内存为63GB。
本发明包括以下步骤：
S1：采集水稻稻茬图像；
S2：利用深度卷积神经网络方法检测水稻有效分蘖，计算水稻有效穗数。进一步地，所述步骤S1的具体步骤为：
A1：采用镰刀将整株成熟期的水稻割下，割高为3厘米；
A2：将割下的成熟期水稻移开，远离稻茬位置；
A3：用智能手机拍下整株稻茬样本图像，距离地面的拍照高度为13厘米；
A4：对采集完的稻茬样本图像进行清洗等图像预处理操作。
进一步地，所述步骤S2的具体步骤为：
B1：利用Labellmg图像标注软件标注稻茬样本图像，建立水稻稻茬图像基础数据库，包括训练集、测试集和验证集；
B2：为了更好检测目标，利用三种不同纵横比和三种不同尺寸的锚框进行测试，最后得到的纵横比为1∶1的锚框是最优锚框；
B3：为了得到最优的水稻有效分蘖检测模型，在其他参数保持一致的前提下，采用三种不同的主干网络并以两种不同的训练方式一共六种模型，分别对水稻稻茬图像进行训练，最终得到最优的水稻有效分蘖快速检测模型；
B4：对选出来的最优的水稻有效分蘖快速检测模型进行参数优化，得到最终的水稻有效分蘖快速检测模型；
进一步地，所述步骤S2中B1的具体内容为：
C1：因为PASCAL VOC数据集图像的最长边是500像素，因此为了保持图像尺寸的一致性，将稻茬样本图像格式转化成PASCAL VOC格式，即用算法将稻茬图像的最长边缩放至500像素，最短边按原图像的纵横比进行相应的缩放；
C2：用算法将缩放之后的稻茬样本图像进行统一编号；
C3：用labellmg图像标注软件对预处理完的稻茬样本图像进行人工数据标注；其中，当有效分蘖横截面被遮挡的面积超过85％或者位于图像边缘的有效分蘖横截面面积小于15％时，这些有效分蘖将不进行标注；从有效分蘖旁边长出的新芽也不进行标注；当有效分蘖横截面的颜色是白色、绿色或者浅棕色的时候都标注为有效分蘖。
C4：为了提高模型的鲁棒性和防止过拟合，一些特殊情况的样本图像也会被标注，例如，光照不均匀、水反光、模糊、阴暗等。
C5：用算法将标注完的稻茬样本数据按0.56：0.24：0.2的比例随机分为训练集、验证集和测试集。
进一步地，所述步骤S2中B3的具体内容是：将三种不同的主干网络(ZF，VGG16和CGG_CNN_1024_M)嵌入到Faster-RCNN模型中，并用两种不同的训练方式(交替训练法和端到端训练法)分别进行训练，一共得到六个模型(如下表1所示)，最终选出主干网络为ZF并以交替训练方式训练的模型1是最佳模型，其mAP(mean Average Precision)为90.78％，检测效率为5.75帧每秒。
表1六个模型的测试结果
进一步地，所述步骤S2中B4的具体内容是：保持其他参数一致的前提下，通过分别改变批次大小为256、128、64以及32，学习率为0.1、0.01、0.001、0.0001，对选出来的最优模型进行训练，最终得出批次大小为256，学习率为0.001的时候模型是最优的。
如上所述为本发明获取水稻有效穗数的实施例介绍，本发明利用利用已标注的训练数据，通过Faster-RCNN算法得到训练模型，再使用模型检测稻茬图片并进行特征提取工作。本发明相比于传统人工数水稻有效穗的方法，具有检测速度快和准确率高的优势。最终的检测结果，如下表2所示：
表2部分有效分蘖检测结果
以上所述，仅为本发明专利较佳的实施例，对本发明而言仅仅是说明性，而非限制性，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。
Claims (7)
1.一种水稻有效穗快速检测方法，其特征在于，通过水稻成熟期的水稻有效分蘖数来获取水稻有效穗数，包括以下步骤：
S1：采集水稻稻茬图像；
S2：利用深度卷积神经网络方法检测水稻的有效分蘖，计算水稻有效穗数；
所述S1的具体步骤为：
A1：采用镰刀将整株成熟期的水稻割下，留茬高度为2-3厘米；
A2：将割下的成熟期水稻移开，远离稻茬位置；
A3：用移动采集设备拍下整株稻茬样本图像，距离地面的拍照高度为13-20厘米；
A4：对采集完的稻茬样本图像进行图像预处理操作，所述图像预处理操作包括数据清洗和数据格式转换；
所述S2的具体步骤为：
B1：利用LabelImg图像标注软件标注稻茬样本图像，建立水稻稻茬图像基础数据库，所述基础数据库包括训练集、测试集和验证集；
B2：为了更好检测目标，利用三种不同纵横比和三种不同尺寸的锚框进行测试，最后得出纵横比为1∶1的锚框是最优锚框；
B3：为了得到最优的水稻有效分蘖检测模型，在其他参数保持一致的前提下，采用三种不同的主干网络并以两种不同的训练方式对水稻稻茬图像进行训练，一共得到六种模型；
B4：从六种模型中选出最优的水稻有效分蘖快速检测模型，并进行参数优化，得到最终的水稻有效分蘖快速检测模型。
2.根据权利要求1所述的一种水稻有效穗快速检测方法，其特征在于，所述S2中B1的具体内容为：
C1：PASCAL VOC数据集图像的最长边是500像素，为保持图像尺寸的一致性，将稻茬样本图像格式转化成PASCAL VOC格式，即用算法将稻茬图像的最长边缩放至500像素，最短边按原图像的纵横比进行相应的缩放；
C2：用算法将缩放之后的稻茬样本图像进行统一编号；
C3：用1abelImg图像标注软件对预处理完的稻茬样本图像进行人工数据标注；当有效分蘖横截面被遮挡的面积超过85％或者位于图像边缘的有效分蘖横截面面积小于15％时，有效分蘖将不进行标注；从有效分蘖旁边长出的新芽也不进行标注；当有效分蘖横截面的颜色是白色、绿色或者浅棕色的时候都标注为有效分蘖；
C4：为了提高模型的鲁棒性和防止过拟合，特殊情况的样本图像也会被标注；
C5：用算法将标注完的稻茬样本数据按0.56∶0.24∶0.2的比例随机分为训练集、验证集和测试集。
3.根据权利要求2所述的一种水稻有效穗快速检测方法，其特征在于，步骤S2中B3包括：将三种不同的主干网络-ZF，VGG16和CGG_CNN_1024_M嵌入到Faster-RCNN模型中，并用两种不同的训练方式分别进行训练，最终得出六种模型，从六种模型中选出最佳模型。
4.根据权利要求3所述的一种水稻有效穗快速检测方法，其特征在于，步骤S2中B4包括：保持其他参数一致的前提下，通过分别改变批次大小为256、128、64以及32，学习率为0.1、0.01、0.001、0.0001，对步骤S2中B3选出来的模型分别进行训练，得出最终得最优模型。
5.根据权利要求4所述的一种水稻有效穗快速检测方法，其特征在于，所述C4中所述的特殊情况的样本图像包括光照不均匀、水反光、模糊和阴暗。
6.根据权利要求5所述的一种水稻有效穗快速检测方法，其特征在于，所述两种不同的训练方式包括交替训练法和端到端训练法。
7.根据权利要求6所述的一种水稻有效穗快速检测方法，其特征在于，所述移动采集设备选用智能手机或者照相机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010211220.4A CN111462058B (zh) | 2020-03-24 | 2020-03-24 | 一种水稻有效穗快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010211220.4A CN111462058B (zh) | 2020-03-24 | 2020-03-24 | 一种水稻有效穗快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111462058A CN111462058A (zh) | 2020-07-28 |
| CN111462058B true CN111462058B (zh) | 2024-01-05 |
Family
ID=71679806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010211220.4A Active CN111462058B (zh) | 2020-03-24 | 2020-03-24 | 一种水稻有效穗快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111462058B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111898677A (zh) * | 2020-07-30 | 2020-11-06 | 大连海事大学 | 一种基于深度学习的浮游生物自动检测方法 |
| CN112034111B (zh) * | 2020-11-03 | 2021-02-19 | 中国农业科学院农业环境与可持续发展研究所 | 一种鉴定水稻品种高产低排的方法 |
| CN112544242B (zh) * | 2020-12-10 | 2021-11-09 | 华中农业大学 | 基于ai云计算的水稻全自动脱粒及产量分析系统 |
| CN114066887B (zh) * | 2022-01-11 | 2022-04-22 | 安徽高哲信息技术有限公司 | 大米垩白区域检测方法、装置、设备及存储介质 |
| CN115690585B (zh) * | 2022-11-11 | 2023-06-06 | 中国科学院空天信息创新研究院 | 一种基于数字相片提取小麦分蘖数的方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
| CN109886155A (zh) * | 2019-01-30 | 2019-06-14 | 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 |
| CN110569747A (zh) * | 2019-08-20 | 2019-12-13 | 南京农业大学 | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 |
-
2020
- 2020-03-24 CN CN202010211220.4A patent/CN111462058B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
| CN109886155A (zh) * | 2019-01-30 | 2019-06-14 | 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 |
| CN110569747A (zh) * | 2019-08-20 | 2019-12-13 | 南京农业大学 | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 丁启朔 等.基于机器视觉的稻茬麦单茎穗高通量表型分析.《中国农业科学》.2020,第53卷(第1期),第42-54页. * |
| 安江勇 ; 黎万义 ; 李茂松 ; .基于Mask R-CNN的玉米干旱卷曲叶片检测.中国农业信息.2019,(05),第 70-78页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111462058A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
| CN109086826B (zh) | 基于图像深度学习的小麦干旱识别方法 | |
| CN106780537B (zh) | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 | |
| CN114387520B (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
| Miao et al. | Automatic stem-leaf segmentation of maize shoots using three-dimensional point cloud | |
| CN103190224B (zh) | 基于计算机视觉技术的玉米果穗考种方法、系统和装置 | |
| CN110472575A (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
| CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
| CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
| Han et al. | Developing a system for three-dimensional quantification of root traits of rice seedlings | |
| Hsieh et al. | Fruit maturity and location identification of beef tomato using R-CNN and binocular imaging technology | |
| Constantino et al. | Plant height measurement and tiller segmentation of rice crops using image processing | |
| CN115661647A (zh) | 一种树木栽种生长状况的定时巡检方法 | |
| CN106023235B (zh) | 一种农作物有效籽粒个数测量的方法 | |
| CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
| CN116883309A (zh) | 一种大豆表型获取方法 | |
| CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
| CN116824405A (zh) | 一种无人机航拍视角下基于改进YOLOv8的青皮核桃目标检测方法 | |
| CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 | |
| CN114266975B (zh) | 无人机遥感图像的荔枝果实检测与计数方法 | |
| CN110298824A (zh) | 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法 | |
| CN116524344A (zh) | 一种基于rgb-d信息融合的番茄串采摘点检测方法 | |
| CN112775032B (zh) | 一种水果分拣方法、装置及柔性机器人 |
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 |