CN111950436A - 一种玉米果穗表型测量方法及系统 - Google Patents
一种玉米果穗表型测量方法及系统 Download PDFInfo
- Publication number
- CN111950436A CN111950436A CN202010790068.XA CN202010790068A CN111950436A CN 111950436 A CN111950436 A CN 111950436A CN 202010790068 A CN202010790068 A CN 202010790068A CN 111950436 A CN111950436 A CN 111950436A
- Authority
- CN
- China
- Prior art keywords
- corn ear
- corn
- ear
- identified
- phenotype
- 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
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 328
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 328
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 328
- 235000005822 corn Nutrition 0.000 title claims abstract description 328
- 238000000034 method Methods 0.000 title claims abstract description 33
- 206010000210 abortion Diseases 0.000 claims abstract description 43
- 231100000176 abortion Toxicity 0.000 claims abstract description 43
- 201000010099 disease Diseases 0.000 claims abstract description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 32
- 238000000691 measurement method Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 210000005069 ears Anatomy 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007654 immersion Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000012800 visualization Methods 0.000 abstract description 4
- 238000009395 breeding Methods 0.000 abstract description 2
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012214 genetic breeding Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种玉米果穗表型测量方法及系统，将玉米果穗表型作为研究对象，根据其特点，通过设计玉米果穗图像的采集方案，使其在较短时间内可自动、快速地采集较好的玉米果穗图像，分析玉米果穗像的特点，构建玉米果穗主体图像提取模型，并计算果穗形状、籽粒穗行数、籽粒行粒数；通过卷积神经网络，实现了果穗败育、病害区域的计算；最后通过果穗表型参数数据，创建玉米果穗三维模型，进行可视化，通过上述研究，有效地解决了目前人工考种工作效率低下，主观误差大等问题。本发明实施例所采用的玉米果穗表型智能测量方法可以快速而准确得出玉米果穗表型参数结果，可以满足玉米选育过程中的自动化考种、科学选种等需求。
Description
技术领域
本发明涉及机器视觉识别技术领域，尤其涉及一种玉米果穗表型测量方法及系统。
背景技术
在农业种植领域，玉米果穗是影响玉米产量的主要因素。因此，对玉米果穗的性状考察不仅是是玉米品种鉴定的重要根据，也是玉米遗传育种的重要环节。不同的栽培和育种目标所要求的考种流程和重点指标不尽相同，在常规的玉米性状测试中，果穗称重、果穗长度、果穗直径、果穗形状、突尖长、穗行数、行粒数、籽粒厚度、籽粒类型、籽粒颜色、籽粒排列方式等都是常用的果穗性状。
由于玉米考种的指标多样性和复杂性，传统的考种方法大多依赖于手工操作，占用大量人力资源，工作效率低下，主观误差大。随着现代信息技术的快速发展，特别是计算机图形图像技术以及机械自动化技术在农业领域的深入应用，针对玉米考种问题，引入现代信息技术，设计和实现自动化玉米考种流水线的硬件和软件系统装置，对于推动现代种业与农业信息化发展有着巨大的促进作用。
发明内容
本发明实施例提供一种玉米果穗表型测量方法及系统，用以解决现有技术中人工对玉米果穗表型识别效率低下的缺陷，实现自动高效识别玉米果穗表型的目的。
根据本发明实施例的第一方面，提供了一种玉米果穗表型测量方法，包括：
根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；
提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；
将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；
其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
在上述技术方案的基础上，本发明实施例还可以作如下改进。
作为一个可能的实施方式，所述根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数包括：
对于待识别玉米果穗图像序列中的每一张图像，使用中值滤波、帧差法与浸水填充算法，提取每一张图像中玉米果穗的主体部分；
计算玉米果穗主体部分的最小外接矩形，进行旋转、裁剪修正，计算玉米果穗形状；
使用均值滤波提取玉米果穗主体部分的局部亮度信息，平衡玉米果穗主体部分图像的亮度，并应用OTSU阈值化方法生成二值图像；
从二值图像计算玉米果穗籽粒分布波形图，得到籽粒穗行数和籽粒行粒数；
根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状、籽粒穗行数和籽粒行粒数。
作为一个可能的实施方式，所述根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状包括：
对于任一张图像，计算玉米果穗从穗基部到顶端不同位置的直径与穗基部到顶端的整体长度的比值，得到多个比值；
根据不同位置对应的比值，得到玉米果穗形状。
作为一个可能的实施方式，所述根据每一张图像计算出籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的部分表型参数包括：
提取所述待识别玉米果穗图像序列的每一张图像中玉米果穗中部的籽粒穗行数，对从所有图像提取的玉米果穗中部的籽粒行数求取平均值，作为所述待识别玉米果穗的籽粒穗行数；
提取所述待识别玉米果穗图像序列的每一张图像中玉米果穗每行的粒数，求取平均值，作为所述待识别玉米果穗的籽粒行粒数。
作为一个可能的实施方式，通过如下方式训练所述卷积神经网络：
以每一张玉米果穗图像的灰度直方图和灰度共生矩阵为样本特征，对应玉米果穗的败育、病害程度参数为标签，对卷积神经网络进行训练。
作为一个可能的实施方式，还包括：
通过卷积神经网络识别出一批中每一个玉米果穗的败育、病害程度参数；
根据每一个玉米果穗的败育、病害程度参数，计算一批玉米果穗的结实率。
根据本发明实施例的第二方面，提供了一种玉米果穗表型测量系统，包括：
提取模块，用于从不同角度拍摄的根据待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；以及提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；
识别模块，用于将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，以对待识别果穗的败育、病害程度参数进行识别；
其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述玉米果穗表型测量方法的步骤。
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如上述任一种所述玉米果穗表型测量方法的步骤。
本发明实施例提供的玉米果穗表型测量方法及系统，将玉米果穗表型作为研究对象，根据其特点，通过设计玉米果穗图像的采集方案，使其在较短时间内可自动、快速地采集较好的玉米果穗图像，分析玉米果穗像的特点，构建玉米果穗主体图像提取模型，并计算果穗形状、籽粒穗行数、籽粒行粒数；通过卷积神经网络，实现了果穗败育、病害程度的计算；最后通过果穗表型参数数据，创建玉米果穗三维模型，进行可视化，通过上述研究，有效地解决了目前人工考种工作效率低下，主观误差大等问题。本发明实施例所采用的玉米果穗表型智能测量方法可以快速而准确得出玉米果穗表型参数结果，可以满足玉米种植过程中的自动化考种、科学选种等需求。
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是本发明实施例提供的一种玉米果穗表型测量方法的流程示意图；
图2是本发明实施例提供的一种玉米果穗表型测量系统的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
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。
参见图1，提供了本发明实施例的一种玉米果穗表型测量方法，包括：
根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；
提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；
将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；
其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
可以理解的是，本发明实施例基于机器视觉识别，需要对玉米果穗的表型参数进行自动识别。具体的，对于需要识别的玉米果穗(以下称为待识别玉米果穗)，采用拍摄设备从不同角度拍摄待识别玉米果穗图像序列，图像序列中包括同一个待识别玉米果穗的不同角度的图像。根据待识别玉米果穗的图像序列，提取待识别玉米果穗的部分表型参数，部分表型参数主要包括玉米果穗形状、籽粒穗行数和籽粒行粒数，根据玉米果穗的部分表型参数可以分析玉米果穗的长势和产量。
其中，玉米的表型参数还包括玉米果穗的败育、病害程度参数，对待识别玉米果穗的败育、病害程度参数进行识别时，是通过卷积神经网络识别的。具体的，提取待识别玉米果穗的灰度直方图和灰度共生矩阵，输入训练后的卷积神经网络中，输出待识别玉米果穗的败育、病害程度参数，其中，败育、病害程度参数主要是指玉米果穗的结实率。
待识别玉米果穗的部分表型参数和败育、病害程度参数构成待识别玉米果穗的整体表型参数。
本发明实施例将玉米果穗表型作为研究对象，根据其特点，通过设计玉米果穗图像的采集方案，使其在较短时间内可自动、快速地采集较好的玉米果穗图像，分析玉米果穗像的特点，构建玉米果穗主体图像提取模型，并计算果穗形状、籽粒穗行数、籽粒行粒数；通过卷积神经网络，实现了果穗败育、病害程度的计算；最后通过果穗表型参数数据，创建玉米果穗三维模型，进行可视化，通过上述研究，有效地解决了目前人工考种工作效率低下，主观误差大等问题。本发明实施例所采用的玉米果穗表型智能测量方法可以快速而准确得出玉米果穗表型参数结果，可以满足玉米种植过程中的自动化考种、科学选种等需求。
作为一种可能的实施方式，根据从不同角度拍摄的待识别玉米果穗图像序列，提取待识别玉米果穗的部分表型参数包括：对于待识别玉米果穗图像序列中的每一张图像，使用中值滤波、帧差法与浸水填充算法，提取每一张图像中玉米果穗的主体部分；计算玉米果穗主体部分的最小外接矩形，进行旋转、裁剪修正，计算玉米果穗形状；使用均值滤波提取玉米果穗主体部分的局部亮度信息，平衡玉米果穗主体部分图像的亮度，并应用OTSU阈值化方法生成二值图像；从二值图像计算玉米果穗籽粒分布波形图，得到籽粒穗行数和籽粒行粒数；根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状、籽粒穗行数和籽粒行粒数。
可以理解的是，在拍摄时，对于同一个待识别玉米果穗从不同的角度拍摄多张图像形成图像序列，对于每一张图像，均采用上述方法计算得出图像中玉米果穗形状、籽粒穗行数和籽粒行粒数，进而得出待识别玉米果穗的玉米果穗形状、籽粒穗行数和籽粒行粒数。
作为一种可能的实施方式，根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状包括：对于任一张图像，计算玉米果穗从穗基部到顶端不同位置的直径与穗基部到顶端的整体长度的比值，得到多个比值；根据不同位置对应的比值，得到玉米果穗形状。
可以理解的是，对于任一张图像中的玉米果穗，从玉米果穗的穗基部到顶端不同位置的直径是不同的，而穗基部到顶端的整体长度是固定的，这里穗基部到顶端的整体长度是指以玉米果穗的中心轴为基准的长度。本发明实施例计算玉米果穗的每一个不同位置的直径与穗基部到顶端的整体长度的比值，计算得到各个不同位置的比值，根据一些列比值，可以得到玉米果穗的形状。
作为一种可能的实施方式，根据每一张图像计算出籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的部分表型参数包括：提取待识别玉米果穗图像序列的每一张图像中玉米果穗中部的籽粒穗行数，对从所有图像提取的玉米果穗中部的籽粒行数求取平均值，作为待识别玉米果穗的籽粒穗行数；提取待识别玉米果穗图像序列的每一张图像中玉米果穗每一中等长度行的粒数，求取平均值，作为所述待识别玉米果穗的籽粒行粒数。
可以理解的是，对于拍摄的待识别玉米果穗的图像序列，对于任一张图像，在识别玉米果穗的籽粒穗行数时，主要是提取每一张图像中玉米果穗中部的籽粒穗行数，玉米果穗中部的籽粒穗行数比较准确，对从所有图像中提取的玉米果穗中部的籽粒穗行数求平均值，就可以得到待识别玉米果穗的籽粒穗行数；同样的，提取籽粒行粒数时，也是提取每一张图像中玉米果穗每一行的粒数，对从所有图像中提取的玉米果穗的籽粒穗行粒数求平均值，就可以得到待识别玉米果穗的籽粒穗行粒数。
提取出待识别榆木果穗的部分表型参数后，可大概绘制出玉米果穗的形状，可将识别出的每一个玉米果穗绘制为三维图进行显示。
作为一种可能的实施方式，通过如下方式训练所述卷积神经网络：
以每一张玉米果穗图像的灰度直方图和灰度共生矩阵为样本特征，对应玉米果穗的败育、病害程度参数为标签，对卷积神经网络进行训练。
可以理解的是，在对待识别玉米果穗的败育、病害程度参数进行识别时，是采用卷积神经网络进行识别的。其中，采用有监督学习方法对卷积神经网络进行训练，在训练的过程中，可以拍摄各种不同玉米果穗的多张图像，并提取每一张图像的灰度直方图和灰度共生矩阵作为蓄念样本特征，将每一张图像中玉米果穗的败育、病害程度参数作为标签对卷积神经网络进行训练。训练的过程与传统有监督学习的模型训练过程相似，即将每一组灰度直方图和灰度共生矩阵输入卷积神经网络中，输出对应的败育、病害程度参数，将卷积神经网络输出的败育、病害程度参数与标签中的败育、病害程度参数比较，计算损失，不断调整卷积神经网络的参数，直到损失小于一定阈值。
将待识别玉米果穗图像的灰度直方图和灰度共生矩阵输入训练后的卷积神经网络，输出待识别玉米果穗的败育、病害程度参数。
作为一种可能的实施方式，还包括：
通过卷积神经网络识别出一批中的每一个玉米果穗的败育、病害程度参数；
根据每一个玉米果穗的败育、病害程度参数，计算一批玉米果穗的结实率。
可以理解的是，对于一块土地，其产出的玉米果穗，都可以通过卷积神经网络识别出败育、病害程度参数，进而可以计算同一块土地上产出的玉米果穗的结实率。
参见图2，提供了本发明实施例的一种玉米果穗表型测量系统，包括：
提取模块21，用于根据待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；以及提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；
识别模块22，用于将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，以对待识别果穗的败育、病害程度参数进行识别；
其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
可以理解的是，本发明实施例提供的玉米果穗表型测量系统与前述实施例提供的玉米果穗表型测量方法相对应，玉米果穗表型测量系统的相关技术特征可参考玉米果穗表型测量方法的相关技术特征，在此不再赘述。
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，以执行玉米果穗表型测量方法，该方法包括：根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
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，服务器，或者网络设备等)执行本发明各个实施例所述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 Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供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玉米果穗表型测量方法，该方法包括：根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
又一方面，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玉米果穗表型测量方法，该方法包括：根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
本发明实施例提供的玉米果穗表型测量方法及系统，通过设计玉米果穗图像的采集方案，使其在较短时间内可自动、快速地采集较好的玉米果穗图像，分析玉米果穗像的特点，构建玉米果穗主体图像提取模型，并计算果穗形状、籽粒穗行数、籽粒行粒数；通过卷积神经网络，实现了果穗败育、病毒程度的计算；最后通过果穗表型参数数据，创建玉米果穗三维模型，进行可视化，通过上述研究，有效地解决了目前人工考种工作效率低下，主观误差大等问题。本发明实施例所采用的玉米果穗表型智能测量方法可以快速而准确得出玉米果穗表型参数结果，可以满足玉米种植过程中的自动化考种、科学选种等需求。
以上所描述的装置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，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 (9)
1.一种玉米果穗表型测量方法，其特征在于，包括：
根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；
提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；
将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；
其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
2.根据权利要求1所述的玉米果穗表型测量方法，其特征在于，所述根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数包括：
对于待识别玉米果穗图像序列中的每一张图像，使用中值滤波、帧差法与浸水填充算法，提取每一张图像中玉米果穗的主体部分；
计算玉米果穗主体部分的最小外接矩形，进行旋转、裁剪修正，计算玉米果穗形状；
使用均值滤波提取玉米果穗主体部分的局部亮度信息，平衡玉米果穗主体部分图像的亮度，并应用OTSU阈值化方法生成二值图像；
从二值图像计算玉米果穗籽粒分布波形图，得到籽粒穗行数和籽粒行粒数；
根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状、籽粒穗行数和籽粒行粒数。
3.根据权利要求2所述的玉米果穗表型测量方法，其特征在于，所述根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状包括：
对于任一张图像，计算玉米果穗从穗基部到顶端不同位置的直径与穗基部到顶端的整体长度的比值，得到多个比值；
根据不同位置对应的比值，得到玉米果穗形状。
4.根据权利要求2所述的玉米果穗表型测量方法，其特征在于，所述根据每一张图像计算出籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的部分表型参数包括：
提取所述待识别玉米果穗图像序列的每一张图像中玉米果穗中部的籽粒穗行数，对从所有图像提取的玉米果穗中部的籽粒行数求取平均值，作为所述待识别玉米果穗的籽粒穗行数；
提取所述待识别玉米果穗图像序列的每一张图像中玉米果穗每一长度行的粒数，求取平均值，作为所述待识别玉米果穗的籽粒行粒数。
5.根据权利要求1所述的玉米果穗表型测量方法，其特征在于，通过如下方式训练所述卷积神经网络：
以每一张玉米果穗图像的灰度直方图和灰度共生矩阵为样本特征，对应玉米果穗的败育、病害程度参数为标签，对卷积神经网络进行训练。
6.根据权利要求1所述的玉米果穗表型测量方法，其特征在于，还包括：
通过卷积神经网络识别出一批中的每一个玉米果穗的败育、病害程度参数；
根据每一个玉米果穗的败育、病害程度参数，计算一批玉米果穗的结实率。
7.一种玉米果穗表型测量系统，其特征在于，包括：
提取模块，用于根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；以及提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；
识别模块，用于将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，以对待识别果穗的败育、病害程度参数进行识别；
其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述玉米果穗表型测量方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述玉米果穗表型测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010790068.XA CN111950436A (zh) | 2020-08-07 | 2020-08-07 | 一种玉米果穗表型测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010790068.XA CN111950436A (zh) | 2020-08-07 | 2020-08-07 | 一种玉米果穗表型测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950436A true CN111950436A (zh) | 2020-11-17 |
Family
ID=73331743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010790068.XA Pending CN111950436A (zh) | 2020-08-07 | 2020-08-07 | 一种玉米果穗表型测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950436A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935963A (zh) * | 2021-10-08 | 2022-01-14 | 广东省农业科学院果树研究所 | 一种荔枝种胚发育程度的图像识别检测方法及系统 |
| CN115345880A (zh) * | 2022-10-18 | 2022-11-15 | 浙江托普云农科技股份有限公司 | 基于玉米果穗单侧扫描图的玉米果穗性状估测方法及装置 |
| CN117876466A (zh) * | 2024-03-13 | 2024-04-12 | 浙江托普云农科技股份有限公司 | 基于视觉的玉米果穗表型参数计算方法、系统及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093456A (zh) * | 2012-12-25 | 2013-05-08 | 北京农业信息技术研究中心 | 基于图像的玉米果穗性状指标计算方法 |
| 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 |
| CN108876903A (zh) * | 2018-05-24 | 2018-11-23 | 北京农业信息技术研究中心 | 一种基于玉米雄穗三维表型的玉米品种区分方法及系统 |
| US20190057237A1 (en) * | 2017-08-18 | 2019-02-21 | Shenzhen GOODIX Technology Co., Ltd. | Method and apparatus for acquiring fingerprint image and terminal device |
| CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 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 |
-
2020
- 2020-08-07 CN CN202010790068.XA patent/CN111950436A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093456A (zh) * | 2012-12-25 | 2013-05-08 | 北京农业信息技术研究中心 | 基于图像的玉米果穗性状指标计算方法 |
| 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 |
| US20190057237A1 (en) * | 2017-08-18 | 2019-02-21 | Shenzhen GOODIX Technology Co., Ltd. | Method and apparatus for acquiring fingerprint image and terminal device |
| CN108876903A (zh) * | 2018-05-24 | 2018-11-23 | 北京农业信息技术研究中心 | 一种基于玉米雄穗三维表型的玉米品种区分方法及系统 |
| CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 孙晔: ""基于高光谱成像技术的水蜜桃果实病害检测研究"", 《中国博士学位论文全文数据库》, 31 July 2020 (2020-07-31) * |
| 程术希: ""基于光谱和成像技术的作物病害不同侵染期 快速检测方法研究"", 中国博士学位论文全文数据库, 31 January 2015 (2015-01-31), pages 6 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935963A (zh) * | 2021-10-08 | 2022-01-14 | 广东省农业科学院果树研究所 | 一种荔枝种胚发育程度的图像识别检测方法及系统 |
| CN113935963B (zh) * | 2021-10-08 | 2022-05-13 | 广东省农业科学院果树研究所 | 一种荔枝种胚发育程度的图像识别检测方法及系统 |
| CN115345880A (zh) * | 2022-10-18 | 2022-11-15 | 浙江托普云农科技股份有限公司 | 基于玉米果穗单侧扫描图的玉米果穗性状估测方法及装置 |
| CN117876466A (zh) * | 2024-03-13 | 2024-04-12 | 浙江托普云农科技股份有限公司 | 基于视觉的玉米果穗表型参数计算方法、系统及装置 |
| CN117876466B (zh) * | 2024-03-13 | 2024-06-25 | 浙江托普云农科技股份有限公司 | 基于视觉的玉米果穗表型参数计算方法、系统及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950436A (zh) | 一种玉米果穗表型测量方法及系统 | |
| 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 | |
| CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
| CN108198185B (zh) | 眼底病灶图像的分割方法及、装置、存储介质、处理器 | |
| CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
| CN112150477B (zh) | 脑影像动脉全自动分割方法及装置 | |
| CN117726052B (zh) | 基于分形维数的产量预测方法、装置、设备及介质 | |
| 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 | |
| CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| Buayai et al. | Supporting table grape berry thinning with deep neural network and augmented reality technologies | |
| CN117975143A (zh) | 一种基于深度学习的水果识别与采摘方法 | |
| CN111753903B (zh) | 一种基于叶脉拓扑特征的大豆品种识别方法 | |
| Kusumi et al. | Three-dimensional fruit growth analysis clarifies developmental mechanisms underlying complex shape diversity in persimmon fruit | |
| CN109781940B (zh) | 大田作物抗倒伏能力鉴定方法及装置 | |
| CN110766053A (zh) | 基于双路卷积神经网络的玉米制种果穗筛分方法及装置 | |
| CN113935963B (zh) | 一种荔枝种胚发育程度的图像识别检测方法及系统 | |
| CN114332667A (zh) | 玉米株型识别方法、装置、电子设备及存储介质 | |
| CN109859167A (zh) | 黄瓜霜霉病严重度的评估方法及装置 | |
| CN112446893A (zh) | 肝脏图像的轮廓分割方法和装置 | |
| CN111611822A (zh) | 信息入库方法、装置、系统、电子设备及存储介质 | |
| US20240265517A1 (en) | Green coffee bean identification method and green coffee bean identification system | |
| CN115331216B (zh) | 核桃果实成熟度聚类识别方法、装置及系统和存储介质 | |
| CN114581626B (zh) | 植物三维表型解析方法及装置 | |
| CN117935250B (zh) | 一种对自然形态的稻穗进行表型提取的方法 | |
| CN116912887B (zh) | 一种肉鸡育种管理方法及系统 |
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 |