CN113486773B - 棉花植株生长期识别方法、系统、存储介质及设备 - Google Patents
棉花植株生长期识别方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113486773B CN113486773B CN202110747385.8A CN202110747385A CN113486773B CN 113486773 B CN113486773 B CN 113486773B CN 202110747385 A CN202110747385 A CN 202110747385A CN 113486773 B CN113486773 B CN 113486773B
- Authority
- CN
- China
- Prior art keywords
- image
- cotton
- period
- cotton plant
- plants
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 240000002024 Gossypium herbaceum Species 0.000 title claims abstract description 73
- 235000004341 Gossypium herbaceum Nutrition 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 241001464837 Viridiplantae Species 0.000 claims abstract description 22
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000008635 plant growth Effects 0.000 claims abstract description 13
- 230000012010 growth Effects 0.000 claims description 27
- 229920000742 Cotton Polymers 0.000 claims description 21
- 241000196324 Embryophyta Species 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000005204 bell stage Effects 0.000 claims description 5
- 230000005200 bud stage Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 13
- 230000003698 anagen phase Effects 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 241000219146 Gossypium Species 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明涉及棉花植株生长期识别方法、系统、存储介质及设备，其中，棉花植株生长期识别方法包括以下步骤：棉花植株的图像信息经处理后利用绿色植株的面积占比，识别图像中处于苗期的棉花植株；将图像信息分割为设定数量的超像素区域，利用超像素区域的颜色特征识别处于花期、吐絮期与停止生长期的棉花植株；利用处于蕾期与铃期的棉花植株图像信息构建深度学习网络模型，基于已构建的深度学习网络模型，识别处于蕾期与铃期的棉花植株。针对棉花植株不同的时期具有的不同特征，使用不同的识别方法，既避免了单一使用传统的图像处理算法可能导致的低准确率情况，又避免了单一使用深度学习方法带来的数据需求量大以及模型体积过大等问题。
Description
技术领域
本发明涉及图像分类与识别领域，具体为棉花植株生长期识别方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
棉花是世界上最重要的经济作物之一，而生长期作为农业作物的主要生长信息之一，是农业领域关注的重点。从棉田中直接拍摄棉花图像用于棉花生长期的自动识别，对于监测棉花作物的生长状态并指导农作物田间农事活动有着非常重要的意义。
传统的棉花植株生长周期的观测方法需要根据棉花植株的株型、形态变化等特征进行生长期判断，并人工记载从播种到成熟整个生长过程中生长期出现的日期。人工观测虽简单易行，但不仅费时费力、效率低下，同时由于个人主观性较强，会受观测人员的技术水平、观测标准等因素的影响，测量精度难以保证，同时，不能实时提供棉花植株的生长信息，对精准农业的信息化发展带来诸多不便。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供棉花植株生长期识别方法、系统、存储介质及设备，将棉花的生长期划分为：苗期、蕾期、花期、铃期、吐絮期和停止生长期(成熟期)。利用图像信息中绿色植株面积占比识别处于苗期的棉花植株，利用超像素分割方法获取的颜色特征识别处于花期、吐絮期与停止生长期的棉花植株；利用处于蕾期与铃期的图片构建深度学习网络模型，经训练后识别图像中处于蕾期与铃期的棉花植株。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供棉花植株生长期识别方法，包括以下步骤：
获取棉花植株的图像；
图像经处理后利用图像中绿色植株的面积占比，识别图像中处于苗期的棉花植株；
将已获得的图像分割为设定数量的超像素区域，利用超像素区域的颜色特征识别处于花期、吐絮期与停止生长期的棉花植株；
利用处于蕾期与铃期的棉花植株图像构建深度学习网络模型，基于已构建的深度学习网络模型，识别处于蕾期与铃期的棉花植株。
利用图像中绿色植株的面积占比识别图像中处于苗期的棉花植株的过程包括：
去除图像中的背景区域，保留绿色植株区域。
利用每个像素的红色分量、绿色分量和蓝色分量获取植物图像的超绿灰度图。
基于超绿灰度图，将每个像素点的灰度值和阈值相比较，根据比较的结果将该像素划分为植物或者背景。
将已获得的图像分割为设定数量的超像素区域，利用超像素区域的颜色特征识别处于花期、吐絮期与停止生长期的棉花植株包括：对每个超像素区域提取H通道的颜色直方图，依据颜色特征在直方图中的设定区间，统计区间内各个像素点的频度，依据区间内像素点的频度总和，判断像素点对应的特征类别。
超像素区域的颜色特征包括，花期为乳白色花朵及红色花朵；吐絮期为白色棉絮与绿色植株；停止生长期为白色棉絮与棕黄色背景。
利用处于蕾期与铃期的棉花植株图像构建的深度学习网络模型，包括至少六个卷积层，每个卷积层包括至少四个操作层。
本发明的第二个方面提供实现上述方法的系统，包括：图像获取模块和识别模块；
图像获取模块获取棉花植株的图像，发送给识别模块，识别模块接收图像识别图像中处于苗期、蕾期、花期、铃期、吐絮期和停止生长期的棉花植株。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述棉花植株生长期识别方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，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，处理器执行所述程序时实现如上述棉花植株生长期识别方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、针对各个时期的特征设计的不同方法，苗期的识别仅使用了绿色植株占比指数这一参数进行识别，花期、吐絮期以及停止生长期基本只利用了颜色特征，识别速度很快，蕾期和铃期的识别使用了原型网络，相对于多分类任务来说，仅进行二分类无论对于模型体积还是数据量的需求都比较小，同时也能保证较高的准确率，而原型网络是一种小样本学习方法，进一步减少了训练所需的数据量。
2、针对棉花植株不同的时期具有的不同特征，使用不同的识别方法，更加灵活方便，既避免了单一使用传统的图像处理算法可能导致的低准确率情况，又避免了单一使用深度学习方法带来的数据需求量大以及模型体积过大等问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的棉花生长期识别流程示意图；
图2是本发明一个或多个实施例提供的棉花生长的三个时期判断流程示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，棉花植株的生长期目前仍然依靠人工进行识别和判断，会受观测人员的技术水平、观测标准等因素的影响，测量精度难以保证，不能实时提供棉花植株的生长信息，对精准农业的信息化发展带来诸多不便。
因此以下实施例中，将棉花植株的生长期依据生长时间划分为以下六个时期：苗期、蕾期、花期、铃期、吐絮期和停止生长期(成熟期)，根据各个时期的相应特征，给出了不同的识别判断方法。
实施例一：
如图1-2所示，基于图像识别的棉花植株生长期识别方法，包括以下步骤：
1、苗期的识别。
利用超绿算法以及OTSU阈值分割法，计算图像数据中绿色植株面积占比，利用该指标判断是否为苗期。
2、花期、吐絮期与停止生长期的识别。
使用SEEDS超像素分割方法，将每张图片分割成约90个超像素区域。
对每个超像素区域提取H通道颜色直方图，利用颜色特征对三个时期进行区分识别。
3、蕾期与铃期的识别。
将两个时期的图片数据按照类别整理为训练集与验证集，使用原型网络(prototypical networks)进行训练。
将图片输入训练好的网络模型中，得到输出进行识别。
在对各个生长期的识别中，会出现例如一张图片中同时存在花朵(花期)和棉铃(铃期)两种分别对应不同生长时期的特征，此时将生长期识别为生长期时间靠后的时期，例如在上述例子中，将生长期识别为铃期。因此在本实施例的生长期识别过程中，总体遵循时间上从后往前的识别顺序。
具体过程如下：
1、苗期的识别
本实施例中，苗期定义为从播种出苗到现蕾之间的这一段时期，其特征为整株植株都呈绿色，且相比于其他时期植株较为矮小，叶片面积也比较小，因此图片中绿色植株部分的占比比较小，因此可以直接使用绿色植被占比指数来识别这一时期。
选取初蕾期图片，首先使用超绿算法来去除掉无关的背景区域，保留绿色植株区域。对于彩色图像而言，绿色植物和背景区域在R,G,B三个颜色分量上的取值存在着不同的特点。通过将原始图像分离成三个独立的通道，然后选择不同的彩色特征组合，对图像中的每个像素点进行转换，可以达到增强图像中目标作物与背景对比度的目的，本实施例中采用的特征组合方式如公式(1)，R,G,B分别代表每个像素的红色分量、绿色分量和蓝色分量。使用计算得到的ExG值来组成植物图像的超绿灰度图，其计算方式如公式(1)。
ExG＝2*G-R-B (1)
得到灰度图后，为将植物和无关背景分割，需先确定一个阈值，然后将每个像素点的灰度值和阈值相比较，根据比较的结果将该像素划分为植物或者背景。最大类间方差法(OSTU法)不需要人为设定其他参数，是一种自动选择阈值的方法，其计算过程简单、稳定。因此本实施例使用了OTSU算法进行阈值分割。
分割得到二值图像后，绿色植株对应的部分为白色，矩阵中值为255，统计其在整个矩阵中的占比，通过对10张初蕾期图片进行统计并求取平均值，保留两位有效数字后为0.39。由于使用了初蕾期图片进行求取阈值，其时期已经偏向蕾期，因此本实施例中将该值向前调整为0.35。
在识别过程中，通过计算图像中绿色植株占比值，若该值小于0.35，则认为其处于苗期。
2、花期、吐絮期与停止生长期的识别
对于花期、吐絮期与停止生长期三个时期而言，各个时期棉花植株特征部位比较明显：花期阶段，棉花植株花蕾开出花朵，其呈现乳白色，开花后不久转成红色随后凋谢；吐絮期阶段，棉铃发育成熟并开裂露出棉絮，棉絮呈现白色；停止生长期阶段，棉铃吐絮完成，同时棉花枝叶由绿色转为枯黄。
本实施例中，设计各个时期的对应特征如下：花期以花朵的乳白色及红色特征代表；吐絮期以棉絮的白色与植株的绿色代表；停止生长期以棉絮的白色与背景的棕黄色代表。根据上述特征，在这一部分的识别中，采用提取超像素区域的颜色特征进行识别。
超像素分割就是在图像中将具有一直特征的局部区域，作为图像处理的子单元，相比于普通图像分割方法以像素为基本单位，超像素大大降低了图像处理的计算复杂度，提升了效率。本实施例中使用了SEEDS(Superpixels Extracted via Energy-DrivenSampling)超像素分割方法，它是目前分割图像表现最好的超像素分割方法之一。
首先在数据集中对三个生长期的图片分别随机采样5张，进行超像素分割以及超像素区域的颜色直方图特征提取，对所有数据进行人工观察和统计，得出各颜色特征在直方图中主要分布为：白色棉絮0-30；乳白色花朵85-95；红色花朵110-130；棕黄色背景90-110；绿色植株背景75-85。
由此设计出本部分的识别方法，首先将所有图片调整为480×480大小，之后使用SEEDS超像素分割算法对图片进行分割，本实施例中将SEEDS算法中的超像素数目为设置为90，在此参数下分割得到的超像素大小比较均匀合适。随后将图片的颜色空间转为HSV颜色空间，对每个超像素区域提取H通道的颜色直方图，最后按照上文中的设定的各个区间，统计区间内各个像素点的频度，区间内像素点的频度总和大于0.5，则将该像素点归为对应的特征类别。
对一张图片识别的具体过程如下：
Step1设该图片的超像素集合为U，某个超像素为Si,i∈[0,90]，Si∈U，初始将U中所有超像素的状态设置为未查询。同时设置各特征的标签：l_white、l_mwhite、l_red、l_brown、l_green，初始值都为0；
Step2从集合U取一个元素，设该超像素对应颜色直方图中区间[a,b]上的的频度之和为Fa-b。则之后作如下处理：
如果F0-30>0.5，则l_white＝l_white+1；
否则如果F85-95>0.5，则l_mwhite＝l_mwhite+1；
否则如果F110-130>0.5，则l_red＝l_red+1；
否则如果F90-110>0.5，则l_brown＝l_brown+1；
否则如果F75-85>0.5，则l_green＝l_green+1；
该超像素处理完成，将该超像素出栈，检查U中是否有未查询元素，如有则重复进入Step2，否则进入下一步；
Step3使用该图片的所有标签值，进入判断识别流程，如图2所示；
Step4识别结束。
3、蕾期与铃期的识别
蕾期与铃期两个时期相比，其植株整体都呈绿色，花蕾与绿色棉铃与周围叶片相似度很高。同时在铃期阶段，棉铃周围仍包裹有花朵凋谢后剩余的花蕾外皮，其纹理特征与早期的花蕾基本相同，所以对这两个时期进行人工设计并提取特征进行区分识别变得较为困难。本实施例中采用一种基于深度学习的原型网络(prototypical networks)对这两个时期进行分类识别。
原型网络是一种小样本的学习方法，对于每个类别只需要很少的样本数据。它将每个类别中的样本数据映射到一个新的特征空间当中，并且提取他们的“均值”来表示为该类的原型(prototype)。其使用欧式距离作为度量，训练使得某类别数据到本类原形表示的距离为最近，到其他类原形表示的距离较远。
将蕾期与铃期的图片数据进行整理，分为训练集与测试集，两个数据集合中每个类别的图片数目分别都为15，每张图片的分辨率为480×480。本实施例中原型网络结构基于原有的原型网络进行了调整在原本网络4个经典卷积层的基础上，又加入额外的两层，由6个卷积层组成，每一层包含四个操作：(1)卷积操作：使用64个3×3的卷积核，padding为1，stride为1；(2)批归一化处理；(3)Relu激活；(4)2×2 maxpooling最大池化操作。最后使用Flatten层操作将前面四层的输出展开为一维向量，作为输出的特征进行距离度量。其结构如表1所示。
表1原型网络结构参数表
同时原型网络的具体实现基于元学习，因此本实施例中将每个小任务的类别数目设置为2，支持集的图片数目设置为5，查询集的图片数目同样设置为5。在训练时设置100轮的训练次数，学习率设置为0.001，优化算法采用Adam优化算法，在训练过程中实时比较并保存最好的模型。训练完成后将图片输入网络模型，得到网络输出向量，与各个类的原型进行距离度量，从而分类识别蕾期与铃期两个生长期。
上述过程中，基于超像素分割及深度学习中的少样本学习方法，针对棉花植株不同的时期具有的不同特征，使用不同的识别方法，更加灵活方便，既避免了单一使用传统的图像处理算法可能导致的低准确率情况，又避免了单一使用深度学习方法带来的数据需求量大以及模型体积过大等问题。
针对各个时期的特征设计的不同方法，苗期的识别仅使用了绿色植株占比指数这一参数进行识别，花期、吐絮期以及停止生长期基本只利用了颜色特征，识别速度很快，蕾期和铃期的识别使用了原型网络，相对于多分类任务来说，仅进行二分类无论对于模型体积还是数据量的需求都比较小，同时也能保证较高的准确率，而原型网络是一种小样本学习方法，进一步减少了训练所需的数据量。综合三种方法，本发明中提出的棉花植株生长期识别方法具有灵活快速、准确度高及鲁棒性强的优点。
实施例二：
本实施例给出实现上述实施例的系统，包括：图像获取模块和识别模块；
图像获取模块获取棉花植株的图像信息，发送给识别模块，识别模块接收图像信息识别图像中处于苗期、蕾期、花期、铃期、吐絮期和停止生长期的棉花植株。
图像获取模块不限制具体的结构形式，例如，可以使用飞行器以航拍的方式获取棉花植株的图像信息，或是使用固定位置的相机获取棉花植株的图像信息。
针对棉花植株不同的时期具有的不同特征，使用不同的识别方法，更加灵活方便，既避免了单一使用传统的图像处理算法可能导致的低准确率情况，又避免了单一使用深度学习方法带来的数据需求量大以及模型体积过大等问题。
实施例三：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一给出的棉花植株生长期识别方法中的步骤。
针对棉花植株不同的时期具有的不同特征，使用不同的识别方法，更加灵活方便，既避免了单一使用传统的图像处理算法可能导致的低准确率情况，又避免了单一使用深度学习方法带来的数据需求量大以及模型体积过大等问题。
实施例四：
一种计算机设备，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，处理器执行程序时实现实施例一给出的棉花植株生长期识别方法中的步骤。
针对棉花植株不同的时期具有的不同特征，使用不同的识别方法，更加灵活方便，既避免了单一使用传统的图像处理算法可能导致的低准确率情况，又避免了单一使用深度学习方法带来的数据需求量大以及模型体积过大等问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.棉花植株生长期识别方法，其特征在于：包括以下步骤：
获取棉花植株的图像；
图像经处理后利用图像中绿色植株的面积占比，识别图像中处于苗期的棉花植株；
将已获得的图像分割为设定数量的超像素区域，利用超像素区域的颜色特征识别处于花期、吐絮期与停止生长期的棉花植株，具体为：将已获得的图像分割为设定数量的超像素区域，利用超像素区域的颜色特征识别处于花期、吐絮期与停止生长期的棉花植株，包括，对每个超像素区域提取H通道的颜色直方图，依据颜色特征在直方图中的设定区间，统计区间内各个像素点的频度，依据区间内像素点的频度总和，判断像素点对应的特征类别；
利用处于蕾期与铃期的棉花植株图像构建深度学习网络模型，基于已构建的深度学习网络模型，识别处于蕾期与铃期的棉花植株，具体为：采用一种基于深度学习的原型网络对这两个时期进行分类识别。
2.如权利要求1所述的棉花植株生长期识别方法，其特征在于：利用图像中绿色植株的面积占比识别图像中处于苗期的棉花植株的过程包括，去除图像中的背景区域，保留绿色植株区域。
3.如权利要求2所述的棉花植株生长期识别方法，其特征在于：利用图像中绿色植株的面积占比识别图像中处于苗期的棉花植株的过程还包括，利用每个像素的红色分量、绿色分量和蓝色分量获取植物图像的超绿灰度图。
4.如权利要求2所述的棉花植株生长期识别方法，其特征在于：利用图像中绿色植株的面积占比识别图像中处于苗期的棉花植株的过程还包括，基于超绿灰度图，将每个像素点的灰度值和阈值相比较，根据比较的结果将该像素划分为植物或者背景。
5.如权利要求1所述的棉花植株生长期识别方法，其特征在于：所述超像素区域的颜色特征包括，花期为乳白色花朵及红色花朵；吐絮期为白色棉絮与绿色植株；停止生长期为白色棉絮与棕黄色背景。
6.如权利要求1所述的棉花植株生长期识别方法，其特征在于：利用处于蕾期与铃期的棉花植株图像构建的深度学习网络模型，包括至少六个卷积层，每个卷积层包括至少四个操作层。
7.基于权利要求1所述方法实现棉花植株生长期识别的系统，包括：图像获取模块和识别模块；
图像获取模块获取棉花植株的图像，发送给识别模块；识别模块识别图像中处于苗期、蕾期、花期、铃期、吐絮期和停止生长期的棉花植株。
8.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-6中任一项所述的棉花植株生长期识别方法中的步骤。
9.一种计算机设备，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权利要求1-6中任一项所述的棉花植株生长期识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747385.8A CN113486773B (zh) | 2021-07-01 | 2021-07-01 | 棉花植株生长期识别方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747385.8A CN113486773B (zh) | 2021-07-01 | 2021-07-01 | 棉花植株生长期识别方法、系统、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113486773A CN113486773A (zh) | 2021-10-08 |
| CN113486773B true CN113486773B (zh) | 2024-03-12 |
Family
ID=77939336
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110747385.8A Active CN113486773B (zh) | 2021-07-01 | 2021-07-01 | 棉花植株生长期识别方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486773B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
| CN109522797A (zh) * | 2018-10-16 | 2019-03-26 | 华南农业大学 | 基于卷积神经网络的水稻秧苗及苗期杂草识别方法和系统 |
| CN110610506A (zh) * | 2019-09-17 | 2019-12-24 | 北京中环易达设施园艺科技有限公司 | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 |
| CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
| CN111753834A (zh) * | 2019-03-29 | 2020-10-09 | 中国水利水电科学研究院 | 基于深度神经网络的种植地块结构语义分割方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11037291B2 (en) * | 2016-05-13 | 2021-06-15 | Basf Se | System and method for detecting plant diseases |
-
2021
- 2021-07-01 CN CN202110747385.8A patent/CN113486773B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
| CN109522797A (zh) * | 2018-10-16 | 2019-03-26 | 华南农业大学 | 基于卷积神经网络的水稻秧苗及苗期杂草识别方法和系统 |
| CN111753834A (zh) * | 2019-03-29 | 2020-10-09 | 中国水利水电科学研究院 | 基于深度神经网络的种植地块结构语义分割方法和装置 |
| CN110610506A (zh) * | 2019-09-17 | 2019-12-24 | 北京中环易达设施园艺科技有限公司 | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 |
| CN111681253A (zh) * | 2020-06-09 | 2020-09-18 | 山东大学 | 基于颜色与形态特征的叶片图像分割方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 田间环境下果蔬采摘快速识别与定位方法研究进展;项荣 等;农业机械学报;第44卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113486773A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619632B (zh) | 一种基于Mask R-CNN的芒果实例对抗分割方法 | |
| Palacios et al. | Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions | |
| Li et al. | Immature green citrus fruit detection and counting based on fast normalized cross correlation (FNCC) using natural outdoor colour images | |
| CN108629289B (zh) | 农田的识别方法及系统、应用于农业的无人机 | |
| CN109583301A (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
| CN111507967A (zh) | 一种自然果园场景下的芒果高精度检测方法 | |
| CN106991449B (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
| CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
| CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
| CN113252584B (zh) | 基于5g传输的作物生长检测方法及系统 | |
| CN112541383B (zh) | 杂草区域的识别方法和装置 | |
| CN113486773B (zh) | 棉花植株生长期识别方法、系统、存储介质及设备 | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
| Victorino et al. | Grapevine yield prediction using image analysis-improving the estimation of non-visible bunches | |
| Bhatt et al. | Unsupervised Image Segmentation using Convolutional Neural Networks for Automated Crop Monitoring. | |
| CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 | |
| TWI785436B (zh) | 自航拍影像偵測物體之系統、偵測航拍影像內物體之方法及其非暫態電腦可讀取媒體 | |
| Amemiya et al. | Appropriate grape color estimation based on metric learning for judging harvest timing | |
| KR20220168875A (ko) | 인공지능을 이용하여 벼 도복 피해면적을 산정하는 장치 및 방법 | |
| CN113128514A (zh) | 一种棉花害虫定位与分类识别方法及系统 | |
| CN114549939B (zh) | 一种基于图像特征提取的树木病虫害图片分类方法 | |
| CN111126117B (zh) | 信息处理方法和装置 |
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 |