CN111860603A - 一种图片中稻穗的识别方法、装置、设备和存储介质 - Google Patents

一种图片中稻穗的识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111860603A
CN111860603A CN202010580198.0A CN202010580198A CN111860603A CN 111860603 A CN111860603 A CN 111860603A CN 202010580198 A CN202010580198 A CN 202010580198A CN 111860603 A CN111860603 A CN 111860603A
Authority
CN
China
Prior art keywords
rice
picture
ear
area
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.)
Pending
Application number
CN202010580198.0A
Other languages
English (en)
Inventor
曹英丽
马殿荣
于丰华
郑伟
李昂
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.)
Shenyang Agricultural University
Original Assignee
Shenyang Agricultural University
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 Shenyang Agricultural University filed Critical Shenyang Agricultural University
Priority to CN202010580198.0A priority Critical patent/CN111860603A/zh
Publication of CN111860603A publication Critical patent/CN111860603A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20076—Probabilistic image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像识别领域，具体涉及一种水稻图片中的稻穗的识别方法、装置、设备和存储介质。本发明公开了一种水稻图片中的稻穗的识别方法，包括：获取水稻图片；将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；根据每一个像素的类别确定出所述水稻图片中的稻穗区域。本申请的技术方案，不需要采用人工标注大量的样本来进行稻穗的识别，提高了稻穗识别的效率和准确性。

Description

一种图片中稻穗的识别方法、装置、设备和存储介质
技术领域
本发明涉及图像识别领域，具体涉及一种图片中的稻穗的识别方法、装置、设备和存储介质。
背景技术
为了识别图片中的稻穗，现有的稻穗分割算法都是基于有监督的学习算法；有监督的学习算法存在以下的缺点，包括：需要对进行训练的样本的图像进行手工的标记。而水稻图像的识别，由于水稻的光照，天气，稻田的环境等各种因素，从而造成图像识别困难；要想有比较高的识别的准确度，就需要大量的样本；样本的数量越多，模型训练的精度越高；但是成千上万张的图像做样本时，人工手工对每一个样本图像中的稻穗和非稻穗进行标记；非稻穗包括叶子，背景等。如此就会浪费大量的人力。
发明内容
本发明的目的在于提供一种水稻图片中的稻穗的识别方法、装置、设备和存储介质，用以解决采用有监督的算法进行稻穗识别时需要大量的人工对样本图像进行标注的问题。
为实现上述目的，本发明主要提供如下技术方案：
第一方面，本发明提供了一种图片中稻穗的识别方法，包括：
获取水稻图片；
将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
进一步地，类别包括：稻穗、叶子和背景。
进一步地，分类模型为贝叶斯模型。
进一步地，将所述水稻图片输入到分类模型之前，还包括：对水稻图片中的稻穗区域进行增强处理。
进一步地，还包括：
计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
第二方面，本发明还提供一种图片中稻穗的识别装置，包括：
获取模块，用于获取水稻图片；
处理模块，用于将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
进一步地，处理模块还用于，对水稻图片中的稻穗区域进行增强处理。
进一步地，处理模块还用于，计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
第三方面，本发明还提供一种图片中稻穗的识别设备，所述图片中的稻穗的识别设备包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如下的步骤：
获取水稻图片；
将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
进一步地，所述处理器还用于：
对水稻图片中的稻穗区域进行增强处理。
进一步地，所述处理器还用于：
计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被执行如上述任一项所述的方法。
本发明至少具有如下优点：本发明的基于非监督贝叶斯学习的水稻穗影像分割算法。通过识别同一图像中穗像素和非穗像素的统计分布的内在差异实现穗检测，不需要训练阶段。利用统计分布的不同将像素分为不同的类别。该算法采用一种概率学习方法，该方法能够迭代地计算图像中每个像素属于不同类别的概率；类别包括稻穗，叶和背景。这种概率方法可以量化常规确定性方法中无法获得的检测结果的不确定性。在贝叶斯框架下，用一个多元高斯混合模型GMM代表一个图像的像素强度，GMM的每个分量对应一个类别。在该非监督学习方法中，模型的参数从每个独立的未标记无人机图像直接学得。不同的图像会有不同的模型参数，这使该算法能够适应在各种不同环境下拍摄的图像。使用Gibbs采样的Markov chain Monte Carlo(MCMC)学习和更新模型参数。试验结果表明该非监督贝叶斯学习方法能实现准确的无人机拍摄的水稻穗分割，并且优于现有的监督学习方法。
附图说明
图1为本发明提供的一种图片中稻穗的识别方法的流程图；
图2为本发明提供的一种图片中稻穗的识别装置的结构示意图；
图3为本发明提供的一种图片中稻穗的识别设备的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
大米是世界上消耗量最大的主食。超过一半的世界人口每天的卡路里依赖于大米。稻田的产量与稻穗直接相关，稻穗是植物中运送谷物的部分。快速稻穗识别有助于水稻产量预测、病害检测、营养价值评估、精准灌溉施肥等。随着无人机和机器学习技术的迅速发展，利用无人机在稻田上拍摄光学图像进行高通量稻田表型研究越来越受到人们的关注。
基于图像的稻穗表型依赖于准确的稻穗分割。图像拍摄环境复杂多样是稻穗分割面临的一个主要挑战。在不同环境下拍摄的图像有显著的差异，例如水的反射，光照，天气，杂乱的背景，穗的硬度，水稻生长期，水稻品种，拍摄高度等。这些因素都会影响稻穗识别精度。这要求稻穗分割算法能够适应复杂多样的图像拍摄环境。
近年来，基于图像的植物物候学受到越来越多的关注。现有技术中有一种使用人工神经网络(ANN)自动计算穗数的算法。该算法利用在转台上拍摄的水稻植株的多角度图像。该算法利用了水稻植株的多角度图像，在转台上旋转得到多角度图像。
还有使用卷积神经网络和超像素优化的深度学习方法，比如稻穗分割算法Panicle-SEG。该Panicle-SEG算法使用大量图像进行训练，包括盆栽和大田植物的图像，用于提高算法的鲁棒性。基于CNN的深度学习算法也被用于水稻穗检测，和高粱穗检测。光学图像还被用于抽穗期小麦的穗部检测，和水稻植株的开花动态研究。使用SVM进行检测。以上提到的算法都需要对样本进行大量的标记，需要耗费大量的人力。
以上的方法都是基于监督学习，需要大量的标记训练图像。当前尚没有监督学习方法被开发或应用于水稻穗分割。监督分割算法的性能很大程度上依赖于训练数据集的质量。由于水稻田的复杂环境，不同图像的像素统计特性有显著差异。例如，光照和天气条件对不同图像的稻穗像素的统计分布有极大的影响。甚至即使监督算法可以通过使用大量不同环境下拍摄的图像进行训练，使用单一训练模型几乎不可能捕捉到不同图像间的巨大差异。因此，在一个图像集上训练的算法，可能无法在其他拍摄于不同环境下的图像集表现良好。这促使本申请开发一种非监督学习算法，该算法能够学习、识别和适应每个图像的潜在统计特性，从而能够在所有情况下取得很大的表现。
基于此，本申请提出了一种图片中稻穗的识别方法，参见附图1所示的一种图片中稻穗的识别方法流程图；该方法包括：
步骤S101，获取水稻图片；
其中，水稻的图片可以通过无人机携带的摄像头拍摄获取。
无人机图像以RGB格式存储，每个像素表示为一个p＝3维的向量，分别对应红色，绿色和蓝色。将颜色的值归一化到0和1之间。
申请人发现当无人机的飞行高度小于等于1米时，有显著的下洗效应。在这种情况下，下洗效应使得相机难以对植物进行适当的聚焦，获得的图像也不清晰。而当高度为2米或更高时，几乎没有下洗效应。无人机拍摄的时间可以选择在上午10点到下午2点之间进行，尽量选择晴朗、无风的天气。可以分别在3m和6m高度拍摄图片。
步骤S102，将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；类别包括：稻穗、叶子和背景。
其中，本申请把图片中的每一个像素看成是独立的，相互之间没有关联；每一个图片是多个像素的集合；每一类像素看成是一个高斯分布；所以每一张图片是多个高斯分布的集合；本申请只要确定出图像中的每一类像素，就能够确定出每一个像素所归属的类。用贝叶斯方法得到每一个类别的像素的概率密度函数。只要穗像素和非穗像素具有不同的高斯分布，该算法就可以有效地识别出稻穗。
步骤S103，根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
其中，分类模型为贝叶斯模型。
本发明的上述的方法，通过贝叶斯模型来确定图片中的水稻的稻穗区域，与现有技术相比，不需要进行人工标注大量的训练的样本。
在一种实施方式中，类别的数量根据照明条件确定；类别的数量k不可以太高。太高会影响性能。
关于类别，在不同的光照条件下，由于反射、扩散和阴影，叶片像素可能对应于多个类别。在这种情况下，可以增加类别k的数目，并且在检测之前可以组合彼此接近的一些簇。
下面详细介绍一下关于贝叶斯模型的数学原理：
假设每个无人机图像包含n个像素。图像的第i个像素用一个p维向量表示：
xi＝[xi1，xi2，…，xip]T，for i＝1，…，n (1)
aT表示矩阵的转置。对于一般的光学相机，本申请有p＝3，三个维度分别对应红、绿、蓝的像素强度。因此无人机图像可以表示为n个像素的集合 X＝[x1，x2，…，xn]。
每个像素被分为k个类别中的一个，比如穗、叶、泥土、水等。定义一个独立的隐变量序列zi∈{1，2，…，k}，i＝1，2，…，n。该隐变量用于指示分类结果，即zi＝j 表示第i个像素属于第j类。定义z＝[z1，z2，…，zn]T。假设隐变量服从多项分布，则zi的概率质量函数(PMF)表示为
π(zi＝j)＝qj， (2)
其中，qj是i像素属于j类的先验概率。
在贝叶斯推断中，先验概率向量
Figure BDA0002552902330000071
是未知的，通常假设为服从Dirichlet分布的随机向量：
π(q)＝Dir(α) (3)
其中
Figure BDA0002552902330000072
代表Dirichlet分布的参数。
该非监督分类器的目标就是基于无人机图像数据X识别zi的值，i＝1～n。最小化分类误差的最佳分类器是最大后验概率(MAP)分类器，zi的后验概率最大化为
Figure BDA0002552902330000081
其中，
Figure BDA0002552902330000082
是分类结果，Pr(zi|X)是zi在给定无人机数据X条件下的后验概率。通常直接计算后验概率Pr(zi＝j|X)也是很困难的。本申请提出使用贝叶斯混合模型和MCMC迭代地学习后验概率和相应的概率分布。
用多元贝叶斯混合模型表示图像的像素强度的概率分布，每个混合模型的分量对应一个可能的类别。第i个像素的概率密度函数(pdf)表示为：
Figure BDA0002552902330000083
其中，f(xi|zi＝j，θj)是i像素属于j类条件下，xi的似然函数。θj是j 类对应的分布参数。在贝叶斯推断下，θj被认为是未知且随机的，其先验分布为π(θj)。
本申请采用多元高斯混合模型(GMM)，假设似然函数服从均值向量为
Figure BDA0002552902330000084
和协方差矩阵为
Figure BDA0002552902330000085
的高斯分布：
Figure BDA0002552902330000086
其中，Φj是精度矩阵，是协方差矩阵的逆。用精度矩阵代替协方差矩阵能减少学习过程中矩阵运算的次数。对应的分布参数是θj＝{μj，Φj}。在贝叶斯框架下，均值向量μj和精度矩阵Φj是未知且随机的。
则贝叶斯后验概率可表示为：
Figure BDA0002552902330000087
该后验概率的计算需要对高维参数进行多级积分，这通常是相当困难的。本申请提出使用Gibbs采样的非监督贝叶斯学习来解决上述问题，细节在下一节给出。
Gibbs采样的非监督贝叶斯学习：
在这部分，用高斯混合模型的非监督贝叶斯学习方法对无人机图像的像素进行分类。分类是通过分析和识别不同类别像素的统计特性进行的，无需训练阶段。
如(4)和(7)，分类器需要知道后验概率。Gibbs采样的MCMC能够通过从联合分布
Figure BDA0002552902330000091
中迭代采样获得Pr(zi＝j|xi)的近似值。
对于给定的X，联合分布的T次采样结果表示为
Figure BDA0002552902330000092
Figure BDA0002552902330000093
Figure BDA0002552902330000094
根据大数定律，当T→∞，
Figure BDA0002552902330000095
其中，
Figure BDA0002552902330000096
是一个指示函数，如果ε为true，则
Figure BDA0002552902330000097
否则为0。 Gibbs采样的MCMC的基本思想是基于不同变量的后验分布，在上一次获取样本的基础上迭代采样。
为了开始迭代采样，需要初始化未知变量和参数的值。将k-means聚类的结果用于初始化。k-means算法将像素
Figure BDA0002552902330000098
分到k个类别中。第j类的像素集为
Figure BDA0002552902330000101
基数为
Figure BDA0002552902330000102
z(0)初始化方法为
Figure BDA0002552902330000103
q(0)
初始化为：
Figure BDA0002552902330000104
定义矩阵
Figure BDA0002552902330000105
包含所有zi＝j的像素xi。使用最大似然估计基于xj估计未知参数θj。在GMM框架下，未知参数为θj＝{μj，Φj}，
将它们初始化为：
Figure BDA0002552902330000106
Figure BDA0002552902330000107
GMM的Gibbs采样，具体的算法如下，该算法记为算法1：
Figure BDA0002552902330000108
Gibbs采样用于从联合分布
Figure BDA0002552902330000111
中迭代采样。采样的结果用于估计后验概率，如式(8)。
在GMM中，未知模型参数是θj＝{μj，Φj}for j＝1，2，…，k。在贝叶斯框架下，μj和Φj假设是未知且随机的，它们的值将从数据中学得。均值向量μj的先验假设为均值向量为τj且精度矩阵为Ωj的高斯分布：
Figure BDA0002552902330000113
参数τj和Ωj会在Gibbs采样过程中迭代更新。
精度矩阵Φj的非信息先验定义为：
π(Φj)∝|Φj|(p+1)/2 (13)；
在迭代Gibbs抽样过程中，不同变量的每次采样都是基于它们各自的后验分布和其他变量的当前状态。因此Gibbs采样的进行需要知道所有兴趣参数的全条件后验分布，包括
Figure BDA0002552902330000115
和
Figure 1
所有参数的全条件后验分布如下。(14)-(17)的详细推导见附录。
Posterior Distribution of q
以nj表示第j个类别的像素数，则
q|z～Dir(α+n). (14)
其中，n＝[n1，n2，…，nk]T。
Posterior Distribution ofΦj(non-informative Prior)
Figure BDA0002552902330000121
其中，
Figure BDA0002552902330000129
Figure BDA0002552902330000123
是自由度为nj的Wishart分布。
Posterior Distribution of μj
Figure BDA0002552902330000124
其中
Figure BDA0002552902330000125
Figure BDA0002552902330000126
Posterior Distribution of zj
Figure BDA0002552902330000127
其中
Figure BDA0002552902330000128
在算法1中总结了GMM的Gibbs抽样算法。
随着迭代次数增大，采得的样本收敛于它们的联合分布。在这个过程中，模型参数直接从数据中习得，无需训练阶段。Gibbs采样算法的输出用于估计后验概率Pr(zi＝j|x)，再用后验概率估计
Figure BDA0002552902330000131
基于MCMC的无监督贝叶斯学习，算法2如下：
Figure BDA0002552902330000132
其中，初始化值为z(0)，
Figure BDA0002552902330000133
在Gibbs采样中，迭代初期产生的采样通常不代表真实的联合分布。因此，通常在估算过程中丢弃前T0-1个采样，如式(18)。
需要强调的是，混合成分没有自然顺序，我们有必要对它们进行标记以进行后验识别。在本算法中，按均值递增排序，对类别进行标记，假定穗有最高均值。
需要强调的是，由于混合组分之间没有自然的顺序，因此有必要对它们进行标记，以便进行后验识别。在该算法中，元件的标签是按照所有颜色通道的总平均值排序的，即在该假设下，穗类的所有通道总平均值最高
预处理和后处理，参见如下的算法3：
Figure BDA0002552902330000141
为了解释不同的光照条件和异常物体的存在，分类是从相对较多的类簇数 k＞3开始的。在k＞3分类后，进行两个额外的步骤来合并相近的簇并检测和消除异常。算法3给出了详细信息。
在步骤1中(合并类簇)，如果两个均值为μj＝[μj，r，μj，g，μj，b]T和μi＝[μi，r，μi，g，μi，b]T的簇的欧几里得距离，D(μi，μj)＝||μi-μj||，小于一个预先定义的阈值∈m，则将它们合并为一个类簇，其中||a||表示向量a的 l2范数。
在步骤2中(异常检测)，如果簇i的3个通道的全均值， mi＝∑j∈{r，g，b}μi，j，高于一个预先定义的阈值∈a；阈值可以为0.9，则确定簇i为异常。
在一种实施方式中，将所述水稻图片输入到分类模型之前，还包括：对水稻图片中的稻穗区域进行增强处理。
在一种实施方式中，识别出稻穗区域后，方法还包括：
计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
其中，可以预选设定单位面积的区域的稻穗的重量，用单位面积的稻穗的重量乘以稻穗区域的面积就得到了该图片中的水稻产量。
其中，区域面积的计算可以采用用每一个像素的面积乘以单个像素的面积的方法来实现。
第二方面，本发明还提供一种图片中稻穗的识别装置，参见附图2所示的一种图片中稻穗的识别装置的结构示意图；该装置包括：
获取模块21，用于获取水稻图片；
处理模块22，用于将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
在一种实施方式中，处理模块22还用于，对水稻图片中的稻穗区域进行增强处理。
在一种实施方式中，处理模块22还用于，计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
第三方面，本发明还提供一种图片中稻穗的识别设备，参见附图3所示的一种图片中稻穗的识别设备的结构示意图；该设备包括：至少一个处理器31 和至少一个存储器32；
所述存储器32用于存储一个或多个程序指令；
所述处理器31，用于运行一个或多个程序指令，用以执行如下的步骤：
获取水稻图片；
将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
在一种实施方式中，所述处理器31还用于：
对水稻图片中的稻穗区域进行增强处理。
在一种实施方式中，所述处理器31还用于：
计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被执行如上述任一项所述的方法。
本发明所公开的实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行上述的方法。
在本发明中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称 RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的 RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器 (Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器 (DirectRambus RAM，简称DRRAM)。
本发明描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种图片中稻穗的识别方法，其特征在于，包括：
获取水稻图片；
将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
2.如权利要求1所述的图片中稻穗的识别方法，其特征在于，类别包括：稻穗、叶子和背景。
3.如权利要求1所述的图片中稻穗的识别方法，其特征在于，分类模型为贝叶斯模型。
4.如权利要求3所述的图片中稻穗的识别方法，其特征在于，将所述水稻图片输入到分类模型之前，还包括：对水稻图片中的稻穗区域进行增强处理。
5.如权利要求1所述的图片中稻穗的识别方法，其特征在于，还包括：
计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
6.一种图片中稻穗的识别装置，其特征在于，包括：
获取模块，用于获取水稻图片；
处理模块，用于将所述水稻图片输入到分类模型，基于所述分类模型确定所述水稻图片中的每一个像素的类别；
根据每一个像素的类别确定出所述水稻图片中的稻穗区域。
7.如权利要求6所述的图片中稻穗的识别装置，其特征在于，处理模块还用于，对水稻图片中的稻穗区域进行增强处理。
8.如权利要求6所述的图片中稻穗的识别装置，其特征在于，处理模块还用于，
计算所述稻穗区域的面积；
根据预先设定的单位区域面积对应的产量和所述稻穗区域的面积来计算所述图片中的水稻产量。
9.一种图片中稻穗的识别设备，其特征在于，所述图片中的稻穗的识别设备包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-5任一项所述的方法。
10.一种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包含一个或多个程序指令，所述一个或多个程序指令用于被执行如权利要求1-5任一项所述的方法。
CN202010580198.0A 2020-06-23 2020-06-23 一种图片中稻穗的识别方法、装置、设备和存储介质 Pending CN111860603A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010580198.0A CN111860603A (zh) 2020-06-23 2020-06-23 一种图片中稻穗的识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010580198.0A CN111860603A (zh) 2020-06-23 2020-06-23 一种图片中稻穗的识别方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN111860603A true CN111860603A (zh) 2020-10-30

Family

ID=72989336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010580198.0A Pending CN111860603A (zh) 2020-06-23 2020-06-23 一种图片中稻穗的识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111860603A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008250908A (ja) * 2007-03-30 2008-10-16 Toshiba Corp 映像判別方法および映像判別装置
CN107316289A (zh) * 2017-06-08 2017-11-03 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
CN110796011A (zh) * 2019-09-29 2020-02-14 湖北工程学院 一种基于深度学习的稻穗识别方法、系统、装置及介质
CN111241939A (zh) * 2019-12-31 2020-06-05 沈阳农业大学 一种基于无人机数码影像的水稻产量估测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008250908A (ja) * 2007-03-30 2008-10-16 Toshiba Corp 映像判別方法および映像判別装置
CN107316289A (zh) * 2017-06-08 2017-11-03 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
CN110796011A (zh) * 2019-09-29 2020-02-14 湖北工程学院 一种基于深度学习的稻穗识别方法、系统、装置及介质
CN111241939A (zh) * 2019-12-31 2020-06-05 沈阳农业大学 一种基于无人机数码影像的水稻产量估测方法

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN109961089B (zh) 基于度量学习和元学习的小样本和零样本图像分类方法
CN111814584B (zh) 基于多中心度量损失的多视角环境下车辆重识别方法
CN110363122B (zh) 一种基于多层特征对齐的跨域目标检测方法
CN107133569B (zh) 基于泛化多标记学习的监控视频多粒度标注方法
CN114202672A (zh) 一种基于注意力机制的小目标检测方法
CN112232241B (zh) 一种行人重识别方法、装置、电子设备和可读存储介质
CN112446423B (zh) 一种基于迁移学习的快速混合高阶注意力域对抗网络的方法
CN110619059B (zh) 一种基于迁移学习的建筑物标定方法
Silva-Rodriguez et al. Self-learning for weakly supervised gleason grading of local patterns
CN109033978B (zh) 一种基于纠错策略的cnn-svm混合模型手势识别方法
WO2022062419A1 (zh) 基于非督导金字塔相似性学习的目标重识别方法及系统
CN112633382A (zh) 一种基于互近邻的少样本图像分类方法及系统
CN113111716B (zh) 一种基于深度学习的遥感影像半自动标注方法和装置
CN109492610B (zh) 一种行人重识别方法、装置及可读存储介质
CN109472733A (zh) 基于卷积神经网络的图像隐写分析方法
CN112926403A (zh) 基于层次聚类与困难样本三元组的无监督行人重识别方法
CN115410088A (zh) 一种基于虚拟分类器的高光谱图像领域自适应方法
Wang et al. A novel sparse boosting method for crater detection in the high resolution planetary image
CN111352926B (zh) 数据处理的方法、装置、设备及可读存储介质
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN114627424A (zh) 一种基于视角转化的步态识别方法和系统
CN108921872B (zh) 一种适用于长程跟踪的鲁棒性视觉目标跟踪方法
CN111339950B (zh) 一种遥感图像目标检测方法
CN116206208B (zh) 一种基于人工智能的林业病虫害快速分析系统

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