CN112487906A - 目标物父本处理方法和目标物母本检测方法 - Google Patents
目标物父本处理方法和目标物母本检测方法 Download PDFInfo
- Publication number
- CN112487906A CN112487906A CN202011325388.4A CN202011325388A CN112487906A CN 112487906 A CN112487906 A CN 112487906A CN 202011325388 A CN202011325388 A CN 202011325388A CN 112487906 A CN112487906 A CN 112487906A
- Authority
- CN
- China
- Prior art keywords
- picture
- target object
- target
- row
- parent
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims description 53
- 238000003672 processing method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 18
- 230000008774 maternal effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000009402 cross-breeding Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 96
- 240000008042 Zea mays Species 0.000 description 15
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 15
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 14
- 235000005822 corn Nutrition 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000008775 paternal effect Effects 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010152 pollination Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000007787 solid Substances 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
- G06V20/188—Vegetation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种目标物父本处理方法和目标物母本检测方法,涉及杂交育种的技术领域,包括获得在目标地块中采集的植株图片,所述植株图片中的植株沿行比种植形成父本行和母本行;根据分行检测方式确定所述植株图片中的所述父本行;隐藏所述父本行,确定隐藏所述父本行后的植株图片,通过隐藏父本行,实现检测母本行目标物的目的,提高检测精度。
Description
技术领域
本发明涉及杂交育种技术领域,尤其是涉及一种目标物父本处理方法和目标物母本检测方法。
背景技术
随着科学技术的发展,深度学习算法广泛应用于图像目标检测的领域中,通过训练模型从图像中识别出目标特征,来实现对目标对象进行检测目的。
然而,在一些植株杂交育种场合中,对于雌雄同株的作物来说,多采用行比模式种植,即父本行和母本行间隔种植,在这种场景下通过图像检测的方式检测植株的特征,由于识别的图像往往既包括父本植株又包括母本植株,仅基于深度学习算法无法准确识别出当前存在雄穗特征的是父本植株还是母本植株,进而无法准确检测母本雄穗特征或父本雄穗特征。因此,上述识别方法无法对母本雄穗去除情况进行准确检测。
发明内容
本发明的目的在于提供一种目标物父本处理方法和目标物母本检测方法,通过隐藏父本行,实现检测母本雄穗的目的,提高检测精度。
第一方面,本发明实施例提供了一种目标物父本处理方法,包括:
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,根据分行检测方式确定植株图片中的所述父本行的步骤,包括:
通过分行操作将所述植株图片分成多个单元行,确定当前图片每个单元行的目标物数量,持续执行以预设角度旋转所述植株图片后通过分行操作将旋转后的植株图片分成多个单元行,确定当前图片每个单元行的目标物数量,直至所述植株图片的旋转角度达到180°;
获得每张图片中每个单元行的目标物数量确定目标物数量集合;
根据所述目标物数量集合确定父本行。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据所有的目标物数量集合确定父本行步骤,包括:
若所述目标物数量大于目标物阈值时,则将所述目标物数量对应的单元行确定为父本行;
或者,
按照所述目标物数量的大小进行排序,将所述目标物数量最多的预设个数的所述目标物数量对应的单元行确定为父本行。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,通过分行操作将所述植株图片分成多个单元行的步骤,包括:
基于预设方向和预设行间距确定分行线,以所述分行线对所述植株图片进行分行操作,得到多个单元行。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,确定当前图片每个单元行的目标物数量的步骤,包括:
通过目标物模型识别当前图片中的目标物,并确定所述目标物数量,其中,所述目标物模型是通过预先经过深度学习历史目标物图片习得的。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,以预设角度旋转所述植株图片的步骤,包括:
以所述植株图片中固定点为旋转中心,按照固定预设角度将所述植株图片进行旋转,其中,所述固定点为所述植株图片上的任意点。
第二方面,本发明实施例还提供一种目标物母本检测方法,包括如上任一项所述的目标物父本处理方法,所述方法还包括:
基于隐藏所述父本行后的植株图片确定母本行的目标物。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,基于隐藏了所述父本行的植株图片确定母本行的目标物的步骤,包括:
并行识别多个隐藏所述父本行后的植株图片中的目标物,其中,所述父本行上的目标物为父本目标物,所述母本行上的目标物为母本目标物;
保存所述植株图片中识别的所述目标物为目标物图片,其中,所述目标物图片包括母本目标物图片、父本目标物图片中的一种或两种;
在检测界面中展示所述目标物图片;
从所述检测界面中并行筛选所述母本目标物图片;
提取所述母本目标物图片。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,从所述检测界面中并行筛选所述母本目标物图片的步骤,包括:
从所述目标物图片中并行筛选具有母本特征的母本目标物图片;
响应于用户的第一操作指令,通过并行筛选的方式筛选所述母本目标物图片,所述第一操作指令包括以下一种或多种:并行选择所述母本目标物图片、并行删除所述父本目标物图片、并行逆选所述母本目标物图片或所述父本目标物图片。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,在检测界面中展示所述目标物图片的步骤,包括:
根据图像参数对所述目标物图片进行排序,并按照顺序展示于检测界面,其中,所述图像参数包括RGB参数、HSV参数和图像纹理参数;
响应于用户针对所述目标物图片的第二操作指令,查看、放大或缩小所述目标物图片。
本发明实施例带来了一种目标物父本处理方法和目标物母本检测方法,通过分行检测方式确定植株图片中的父本行,将确定的父本行进行隐藏处理,隐藏了父本行的植株图片,之后将不再对该父本行进行目标物识别,即仅检测识别剩余其他行的目标物,以提高母本目标物的识别效率和准确性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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目标物父本处理方法流程图;
图2为本发明实施例提供的一种行比种植的植株示意图;
图3为本发明实施例提供的一种的无人机采集图像示意图;
图4为本发明实施例提供的一种基于植株图像的分行操作示意图;
图5为本发明实施例提供的另一种基于植株图像的分行操作示意图;
图6为本发明实施例提供的一种旋转图像示意图;
图7为本发明实施例提供的一种植株图片示意图;
图8为本发明实施例提供的一种检测界面示意图。
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,下面将结合附图对本发明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。
本实施例适用于杂交育种技术中,下面以玉米育种为例进行说明。玉米杂交制种一般采用“行比模式”,把父、母本行按一定比例交叉种植。即母本行连接种植若干行,父本行再连续种植若干行,之后母本行继续连接种植若干行,按照这样父、母本间隔的方式种植。
杂交育种通过采用去雄处理,即在授粉期间,将母本行的雄穗去除,只留下父本行的雄穗,授粉时,母本行植株株上结的果实都是父本的花粉和母本的卵子结合而成,如此实现杂交制种,从而增加母本行上玉米籽粒的养分,提高产量。如果母本行去雄不好,母本花粉授到自身的果穗上,形成自交种子,会极大影响种子纯度。
制种公司在培育种子时,对种子纯度的要求达99.7%以上。为了获取高纯度种子,种业公司需要彻底去除玉米母本的雄穗,目前采用机械去雄或人工去雄的方法,并且在去雄的同时,及时检测去雄效果,确保去雄率,并在纯度不满足要求时重新去雄。一种实施例中,通过人工智能图像识别的办法分析无人机拍摄的去雄后地块的图片来做去雄纯度检测可以极大地节省人力和时间并提高去雄检测效率。但是人工智能图像识别只能有效识别玉米雄穗,缺乏有效方式区分父、母本雄穗,即无法识别出当前具有雄穗的该植株属于父本行还是母本行,进而无法确定母本行雄穗的去除率。
为了检测去雄后母本雄穗的去除情况,在一些实施例中,需要人工对每张图片进行筛选,以确认母本雄穗的去除情况,工作量与图片下载量均较大,效率极为低下;在另一种实施例中,通过人工去田间检查是否去雄彻底,但此种方式效率更低,作业条件恶劣,人力时间等成本较高。
对于行比种植的玉米育种来说,通过无人机拍摄去雄后地块的图片获得植株图像,然而该植株图像中一般包括父本行和母本行,此时的父本行保留玉米雄穗,母本行已经经过去雄操作,同时母本行的雄穗可能存在未去雄完全、遗漏的情况。通过上述图像识别方法无法快速有效地对母本行去雄情况进行检测。
基于此,本发明实施例提供的一种目标物父本处理方法和目标物母本检测方法,通过隐藏父本行,实现去雄后检测母本行雄穗的目的,提高检测精度。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种目标物父本处理方法进行详细介绍,可应用于服务器端。
图1为本发明实施例提供的一种目标物父本处理方法流程图。
参照图1,该目标物父本处理方法,包括以下步骤:
步骤S102,获得在目标地块中采集的植株图片,其中,所述植株图片中的植株沿行比种植形成父本行和母本行,并且植株图片包含多个,多个植株图片覆盖整个所述目标地块,以提高检测准确度。如图2所示,植株图片中包括父本行和母本行沿行比排列的植株,填充有黑色的为父本行植株,空心的为母本行植株。育种领域的去雄操作是需要去除所有母本行植株上的雄穗,而保留父本行植株上的雄穗,故需要检测母本行雄穗去除率。
需要说明的是,采集的植株图片,可以是几十至上百张或上千张覆盖全部种植地块的图片,或者在全部种植地块的若干个抽样地块采集覆盖全部抽样地块的植株图片,即,为了提高检测效率,所述目标地块为抽样地块,通过在整个地块中抽样选择若干个目标地块,减少了覆盖全部种植地块的植株图片数量,提高检测效率。
在一些实施例中,为了提高识别准确度,每个植株图片通过相同的方法采集,便于后续通过相同的模型识别,提高检测准确度。具体的,植株图片在植株正上方固定距离处拍摄采集,采集图像的姿态和方法的一致性可以保证后续识别的一致性,减小模型训练的难度。需要说明的是,采集到的植株图片无需坐标信息,也可以实现之后的步骤。在一些实施例中,该采集的植株图片中具有坐标信息,可以依据此坐标信息对识别出的母本目标物(母本雄穗)进行单独处理。
步骤S104,根据分行检测方式确定所述植株图片中的所述父本行;
示例性的,图2中在植株行中的方框是相机采集到的植株图片,包含父本行和母本行,其父本行和母本行平行并且平行于图片边界线。在一些实施例中,参考图3,在植株行中的方框是相机采集到的植株图片,父本行、母本行与图片边界线不平行,父本行、母本行的长度不一致,父本行较短,但是存在较多雄穗,其中,星形代表存在雄穗,空心星形代表存在母本行雄穗,实心星形代表存在父本行雄穗。通过分行检测方式可以适应不同情况的植株图片,以便于有效识别父本行。
为了准确检测父本行,在一些实施例中,步骤S104,包括:
步骤1.1),通过分行操作将所述植株图片分成多个单元行,确定当前图片每个单元行的目标物数量,持续执行以预设角度旋转所述植株图片后通过分行操作将旋转后的植株图片分成多个单元行,确定当前图片每个单元行的目标物数量,直至所述植株图片的旋转角度达到180°;
其中,基于预设方向和预设行间距确定分行线,以所述分行线对所述植株图片进行分行操作,得到多个单元行。在植株图片上以固定的预设行间距进行分行,如图5所示,该单元行1-10中的目标物雄穗数量分别为:(0,0,1,0,0,0,0,0,1,1)。其中预设行间距为合适的间距,需要根据实际父本行和/或母本行的间距而确定,以提高检测准确度。如果预设行间距太大了,分行的单元行可能存在2行或者不同行植株,造成误检,如图4所示,单元行1-4的目标物雄穗数量分别为:(1,0,0,2),单元行过大,导致单元行4中存在分别属于两行的植株,容易检测不准确;如果预设行间距太小,无法准确检测行,在父本行和/或母本行种植歪了时,容易检测不到行。
需要说明的是,本发明实施例以两个相邻分行线限定单元行,该单元行中的作物被认定为是同一行的作物。图6为图5中植株图片以预设角度角度旋转后的图片,通过预设方向和预设行间距的分行线分别对图5和图6中的植株图片进行分行,可以看到,图6中的分行线明显更加合适。其中,预设方向不做限制,只要是固定的方向即可。
在一些可选的实施例中,以所述植株图片的固定点为旋转中心,按照固定预设角度将所述植株图片进行旋转,其中,所述固定点为所述植株图片上的任意点。具体的,以植株图片的中心点为旋转中心,以便执行分行步骤,使得操作更加简便。如图6所示,单元行1-10的目标物雄穗数量分别为:(0,0,0,1,0,0,0,0,0,2);以植株图片中心点并且以固定预设角度旋转,其中,固定预设角度可优选为5°。持续旋转该植株图片并统计每张图片的中每个单元行的目标物数量(雄穗数量),直至当前的植株图片与最初的植株图片间的旋转角度达到180°,即该植株图片的旋转角度达到180°。
在一些实施例中,以预设角度旋转所述植株图片的步骤,包括以预设角度相对旋转所述植株图片,即,通过将分行线以预设角度相对于植株图片进行旋转,基于该方法,直至所述植株图片的旋转角度达到180°的步骤,包括植株图片的相对旋转角度达到180°,或者分行线的旋转角度达到180°。如此,通过不同的方法对植株图片进行旋转,提高适用性。此时,以分行线固定点为旋转中心,按照固定预设角度将分行线进行旋转,具体的,分行线的中心点为旋转中心,使算法更加简单。
为了提高效率和适用性,通过自动识别的方法确定当前图片每个单元行的目标物数量。具体的,通过目标物模型识别当前图片中的目标物,并确定所述目标物数量,其中,所述目标物模型是通过预先经过深度学习历史目标物图片习得的。服务器端可以预先通过深度学习历史玉米雄穗图片,获得玉米雄穗模型,基于玉米雄穗模型进而处理植株图片的单元行,识别每个单元行的玉米雄穗(目标物),根据识别出的玉米雄穗统计每个单元行玉米雄穗数量。在其他实施例中,通过人工方法识别每张图片中每个单元行的玉米雄穗并统计数量,但是这种方法效率低下。可选的,在自动识别每个单元行的目标物后,通过人工方法检查或抽查,以提高识别准确度。
步骤1.2),获得每张图片中每个单元行的目标物数量确定目标物数量集合。基于前述步骤获得每张图片每个单元行的目标物数量进行统计,得到目标物数量集合,便于后续分析处理。其中,可以对每张图片和每个单元行进行编号,每个目标物数量都对应有唯一的编码,例如(图1,单元行1),以便于分析溯源,确定单元行和植株图片的关联性。
步骤1.3),根据所述目标物数量集合确定父本行。
其中,若所述目标物数量大于目标物阈值时,则将所述目标物数量对应的单元行确定为父本行;
或者,
按照所述目标物数量的大小进行排序,将所述目标物数量最多的预设个数的所述目标物数量对应的单元行确定为父本行。
在一些实施例中,由于父本行植株的雄穗保留,母本行植株的雄穗经过去雄处理,因此可知父本行的雄穗相比于母本行的雄穗的数量较多。当单元行统计得到的雄穗数量(目标物数量)大于雄穗阈值(目标物阈值)时,则认定该单元行是父本行。其中,目标物阈值基于植株图片中目标物的数量进行确定。在图片大小一致的前提下,采集方法一致的情况下(在植株正上方固定距离处),根据固定距离调整目标物阈值,若采集图片的固定距离较高,此时图片中包含较多的作物,则增加目标物阈值,若采集图片固定距离较低,此时含作物较少,则减小目标物阈值。例如,当固定图片大小、固定距离采集图片的对应的地块实际面积为4*3m时,此时目标物阈值为2。当对应图片中单元行中识别的雄穗大于2时,则认定为父本行。
或者,按照目标物数量将每个所述单元行进行排序,将所述目标物数量最多的预设个数的所述目标物数量对应的单元行确定为父本行。示例性地,将所有的目标物数量排序,将数量较多的预设个数的几个雄穗数量对应的单元行作为父本行。一般将数量最大的那个单元行作为父本行,或者取数量第一大和第二大的为父本行,以提高父本行检测效率和准确率。
步骤S106,隐藏所述父本行,确定隐藏所述父本行后的植株图片。通过将植株图片中的父本行隐藏的方法,减少了父本雄穗的干扰,直接提高后续母本雄穗检测的准确度,保证母本雄穗检测的精度。
通过上述实施例中的方法,可以快速准确得检测得到父本行,本实施例还提供一种目标物母本检测方法,包括如上任一项所述的目标物父本处理方法,以及,基于隐藏所述父本行后的植株图片确定母本行的目标物。通过快速确定父本行,以隐藏的方式减少父本行的雄穗的影响,便于母本目标物的检测,提高母本雄穗检测效率。
在一些实施例中,虽然可以检查一部分父本行,但是存在识别的父本中没有雄穗或雄穗数量不到雄穗阈值的情况,无法准确确定所有的父本行,故无法确认剩下的单元行都是母本行,需要通过下面的方法进一步识别母本行的雄穗,以便确定母本目标物的去除率。
一种实施例中,该方法包括:
并行识别多个隐藏所述父本行后的植株图片中的目标物,其中,所述父本行上的目标物为父本目标物,所述母本行上的目标物为母本目标物;
保存所述植株图片中识别的所述目标物为目标物图片,其中,所述目标物图片包括母本目标物图片、父本目标物图片中的一种或两种;
在检测界面中展示所述目标物图片;
从所述检测界面中筛选所述母本目标物图片;
提取所述母本目标物图片。
其中,植株图片如图7所示,图7中白色方框为识别出的目标物,即玉米雄穗。
为了提高检测效率,通过并行识别目标物的方式,同时处理多个隐藏所述父本行后的植株图片,并且基于目标物模型自动识别目标物,极大加快了检测速度,此时,检测到的目标物可以包括母本目标物和父本目标物,即母本雄穗和父本雄穗。
在通过并行识别方法确定目标物后,保存目标物为目标物图片,如图8中白色框图所示,以便减小数据下载量,提高检测效率。此后,为了提高后续检测筛选效率,在检测界面以规律排列的方式展示保存的目标物图片,如图8所示(此处相同的目标物图片仅为排布示例,实际目标物图片不同)。一种实施例中,展示所有的目标物图片,以便进一步提高检测效率。
母本目标物和父本目标物的角色会根据不同的环境而调换,故需要对目标物图片进一步筛选确认。为了区分母本目标物和父本目标物,从所述目标物图片中并行筛选具有母本特征的母本目标物图片,其中,母本特征为反应母本目标物的任意特征,以母本雄穗为例,母本特征包括母本雄穗颜色、母本雄穗形状、叶子颜色等等,需要说明的是,母本特征不限于母本目标物本身的特征,也可以包括环境特征、生长特征,只要能母本特征识别出母本雄穗即可,同时,识别母本目标物图片时,不仅可以采用一种母特征,还可采用多种母本特征,综合考虑确定母本目标物图片,以提高识别准确率。
进一步的,响应于用户的第一操作指令,通过并行确认的方式确定所述母本目标物图片,所述第一操作指令包括以下一种或多种:并行选择所述母本目标物图片、并行删除所述父本目标物图片、并行逆选所述母本目标物图片或所述父本目标物图片。存在父母本雄穗差异非常小的情况,通过机器学习无法准确识别,但是通过人工基于母本特征可以从图片中非常快速地区分两者的区别,故通过人工并行识别的方式,快速确定母本目标物,提高母本目标物检测准确度。
需要说明的是,检测界面的排布、展示对并行识别母本目标物起到了促进作用,特别是人工并行识别母本目标物起到了极大的促进作用,由于从植株图片中截图了目标物图片(小图),剔除了不必要因素,仅留下需要确认的目标物图片,并且多个目标物图片通过排布的方式同时展示于检测界面,无需下载大量图片,使得用户可以直观方便地并行识别确定母本目标图,无需一一下载图片、一一判断母本目标物,提高检测效率和准确度。作为一种可选的实施例,根据图像参数对所述目标物图片进行排序,其中,所述图像参数包括RGB参数、HSV参数和图像纹理参数;在又一种实施例中,响应于用户针对所述目标物图片的第二操作指令,查看、放大或缩小所述目标物图片。通过在检测界面排序、筛选、标注、删除目标物图片,辅助提高母本目标物的确认效率。示例性地,在上述筛选过程中,可以根据作业人员的操作进行批量父本目标物(父本雄穗)的删除,也可以进行批量母本目标物(母本雄穗)的提取。此外,检测界面的排序、筛选、标注、删除等操作可以单独使用也可以多种一起使用,例如,可以通过颜色等因素进行筛选,同时配合批量标注操作,加快筛选速度,提高检测效率。在删除或提取错误时,还可以恢复前一步操作,提高用户体验,避免操作失误。进一步的,还可以对已经筛选的图片进行逆选,提高适用性和筛选速度。
为了提高用户体验,在提取母目标物图片的步骤之后,所述方法还包括:基于母本目标物图片的数量和所述目标地块的植株数量,获得所述目标地块的母本目标物去除率。即通过提取或者剩余的母目标物图片,实现母本雄穗检测,进一步,基于采集到的目标地块的植株数量,可以确定地块中植株的去雄纯度。本实施例中快速获得母本目标物去除率,以便于判断去雄是否彻底,是否需要继续去雄,提高检测时效性,使得检测结果可以现场应用,避免由于检测时间漫长而植株生长造成的检测结果不准确。
本发明实施例提供的目标物母本处理方法,与上述实施例提供的目标物父本处理方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例所提供的目标物父本、母本处理方法、装置以及系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,处理器执行计算机程序时实现上述实施例提供的目标物父本处理方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例的目标物父本处理方法的步骤。
Claims (10)
1.一种目标物父本处理方法,其特征在于,包括:
获得在目标地块中采集的植株图片,其中,所述植株图片中的植株沿行比种植形成父本行和母本行;
根据分行检测方式确定所述植株图片中的所述父本行;
隐藏所述父本行,确定隐藏所述父本行后的植株图片。
2.根据权利要求1所述的目标物父本处理方法,其特征在于,根据分行检测方式确定植株图片中的所述父本行的步骤,包括:
通过分行操作将所述植株图片分成多个单元行,确定当前图片每个单元行的目标物数量,持续执行以预设角度旋转所述植株图片后通过分行操作将旋转后的植株图片分成多个单元行,确定当前图片每个单元行的目标物数量,直至所述植株图片的旋转角度达到180°;
获得每张图片中每个单元行的目标物数量确定目标物数量集合;
根据所述目标物数量集合确定父本行。
3.根据权利要求2所述的目标物父本处理方法,其特征在于,根据所有的目标物数量集合确定父本行步骤,包括:
若所述目标物数量大于目标物阈值时,则将所述目标物数量对应的单元行确定为父本行;
或者,
按照所述目标物数量的大小进行排序,将所述目标物数量最多的预设个数的所述目标物数量对应的单元行确定为父本行。
4.根据权利要求2所述的目标物父本处理方法,其特征在于,通过分行操作将所述植株图片分成多个单元行的步骤,包括:
基于预设方向和预设行间距确定分行线,以所述分行线对所述植株图片进行分行操作,得到多个单元行。
5.根据权利要求2所述的目标物父本处理方法,其特征在于,确定当前图片每个单元行的目标物数量的步骤,包括:
通过目标物模型识别当前图片中的目标物,并确定所述目标物数量,其中,所述目标物模型是通过预先经过深度学习历史目标物图片习得的。
6.根据权利要求2所述的目标物父本处理方法,其特征在于,以预设角度旋转所述植株图片的步骤,包括:
以所述植株图片中固定点为旋转中心,按照固定预设角度将所述植株图片进行旋转,其中,所述固定点为所述植株图片上的任意点。
7.一种目标物母本检测方法,其特征在于,包括权利要求1~6任意一项所述的目标物父本处理方法,所述方法还包括:
基于隐藏所述父本行后的植株图片确定母本行的目标物。
8.根据权利要求7所述的目标物母本检测方法,其特征在于,基于隐藏了所述父本行的植株图片确定母本行的目标物的步骤,包括:
并行识别多个隐藏所述父本行后的植株图片中的目标物,其中,所述父本行上的目标物为父本目标物,所述母本行上的目标物为母本目标物;
保存所述植株图片中识别的所述目标物为目标物图片,其中,所述目标物图片包括母本目标物图片、父本目标物图片中的一种或两种;
在检测界面中展示所述目标物图片;
从所述检测界面中并行筛选所述母本目标物图片;
提取所述母本目标物图片。
9.根据权利要求8所述的目标物母本检测方法,其特征在于,从所述检测界面中并行筛选所述母本目标物图片的步骤,包括:
从所述目标物图片中并行筛选具有母本特征的母本目标物图片;
响应于用户的第一操作指令,通过并行筛选的方式筛选所述母本目标物图片,所述第一操作指令包括以下一种或多种:并行选择所述母本目标物图片、并行删除所述父本目标物图片、并行逆选所述母本目标物图片或所述父本目标物图片。
10.根据权利要求8所述的目标物母本检测方法,其特征在于,在检测界面中展示所述目标物图片的步骤,包括:
根据图像参数对所述目标物图片进行排序,并按照顺序展示于检测界面,其中,所述图像参数包括RGB参数、HSV参数和图像纹理参数;
响应于用户针对所述目标物图片的第二操作指令,查看、放大或缩小所述目标物图片。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011325388.4A CN112487906A (zh) | 2020-11-23 | 2020-11-23 | 目标物父本处理方法和目标物母本检测方法 |
PCT/CN2020/131745 WO2022104866A1 (zh) | 2020-11-23 | 2020-11-26 | 目标物父本处理方法和目标物母本检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011325388.4A CN112487906A (zh) | 2020-11-23 | 2020-11-23 | 目标物父本处理方法和目标物母本检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112487906A true CN112487906A (zh) | 2021-03-12 |
Family
ID=74933152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011325388.4A Pending CN112487906A (zh) | 2020-11-23 | 2020-11-23 | 目标物父本处理方法和目标物母本检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112487906A (zh) |
WO (1) | WO2022104866A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN107945175A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 图像的评价方法、装置、服务器及存储介质 |
US9959771B1 (en) * | 2015-12-18 | 2018-05-01 | Amazon Technologies, Inc. | Unmanned aerial vehicle routing using real-time weather data |
CN109087312A (zh) * | 2018-07-25 | 2018-12-25 | 深圳高科新农技术有限公司 | 一种无人机航线自动规划方法和系统 |
CN111062314A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 图像选取方法、装置、计算机可读存储介质及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9430839B2 (en) * | 2014-03-31 | 2016-08-30 | Regents Of The University Of Minnesota | Unsupervised framework to monitor lake dynamics |
CN106373150A (zh) * | 2016-08-15 | 2017-02-01 | 中国农业大学 | 一种基于高分辨率遥感数据纹理分析的制种玉米识别方法 |
-
2020
- 2020-11-23 CN CN202011325388.4A patent/CN112487906A/zh active Pending
- 2020-11-26 WO PCT/CN2020/131745 patent/WO2022104866A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9959771B1 (en) * | 2015-12-18 | 2018-05-01 | Amazon Technologies, Inc. | Unmanned aerial vehicle routing using real-time weather data |
CN107480706A (zh) * | 2017-07-24 | 2017-12-15 | 中国农业大学 | 一种制种玉米田遥感识别方法及装置 |
CN107945175A (zh) * | 2017-12-12 | 2018-04-20 | 百度在线网络技术(北京)有限公司 | 图像的评价方法、装置、服务器及存储介质 |
CN109087312A (zh) * | 2018-07-25 | 2018-12-25 | 深圳高科新农技术有限公司 | 一种无人机航线自动规划方法和系统 |
CN111062314A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 图像选取方法、装置、计算机可读存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2022104866A1 (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | A novel image processing algorithm to separate linearly clustered kiwifruits | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
Roscher et al. | Automated image analysis framework for high-throughput determination of grapevine berry sizes using conditional random fields | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
WO2021208407A1 (zh) | 目标物检测方法、装置和图像采集方法、装置 | |
CN114066842A (zh) | 穗头数统计方法、系统、装置及存储介质 | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
CN112990103A (zh) | 一种基于机器视觉的串采二次定位方法 | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
de Silva et al. | Towards agricultural autonomy: crop row detection under varying field conditions using deep learning | |
US20220405863A1 (en) | Information processing device, information processing method, and program | |
WO2022104867A1 (zh) | 目标物的特征检测方法和装置 | |
Soares et al. | Plantation Rows Identification by Means of Image Tiling and Hough Transform. | |
CN116612191B (zh) | 一种车载式采摘机器人自动定位方法及装置 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN112487906A (zh) | 目标物父本处理方法和目标物母本检测方法 | |
Heylen et al. | Counting strawberry flowers on drone imagery with a sequential convolutional neural network | |
CN115937314A (zh) | 一种油茶果生长姿态检测方法 | |
CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
CN114782807A (zh) | 目标区域的宽度确定方法及相关装置 | |
CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN117848975B (zh) | 一种农业遥感图像分析方法及系统 |
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 |