CN114140702A - 一种杂交水稻制种田去除杂株提高制种纯度的方法 - Google Patents
一种杂交水稻制种田去除杂株提高制种纯度的方法 Download PDFInfo
- Publication number
- CN114140702A CN114140702A CN202111360123.2A CN202111360123A CN114140702A CN 114140702 A CN114140702 A CN 114140702A CN 202111360123 A CN202111360123 A CN 202111360123A CN 114140702 A CN114140702 A CN 114140702A
- Authority
- CN
- China
- Prior art keywords
- hybrid
- plant
- plants
- rice
- seed production
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 97
- 235000009566 rice Nutrition 0.000 title claims abstract description 97
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 40
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000196324 Embryophyta Species 0.000 claims abstract description 312
- 241000209094 Oryza Species 0.000 claims abstract description 144
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 68
- 235000013339 cereals Nutrition 0.000 claims abstract description 16
- 238000009331 sowing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 36
- 238000005286 illumination Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 239000000843 powder Substances 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000002363 herbicidal effect Effects 0.000 claims description 7
- 239000004009 herbicide Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000012535 impurity Substances 0.000 description 12
- 238000005457 optimization Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000035784 germination Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003147 molecular marker Substances 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000010152 pollination Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 108010050181 aleurone Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/02—Apparatus for mechanical destruction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明涉及一种杂交水稻制种田去除杂株提高制种纯度的方法,根据父本、母本在不同区域制种的抽穗期调整播差期,使父母本花期相遇,进行杂交种制种;利用杂株识别模型在株型期识别并清除水稻植株中的杂株,其中,株型期包括分蘖期、拔节期、孕穗期;利用开花散粉杂株识别模型在不育系抽穗开花期识别并清除水稻植株中的不育系杂株;本发明在杂交水稻制种和亲本繁殖过程中,通过智能化快速识别杂株,不受人为因素影响,提高杂交水稻种子和亲本纯度;同时提升了机械化程度,显著降低了杂交水稻制种和亲本繁殖的劳动力成本,利于提高良种质量,保障粮食生产安全。
Description
技术领域
本发明属于农业技术领域,尤其是涉及识别杂株的方法领域。
背景技术
水稻是我国三大农作物之一,全国近半数人口以稻米作为主要粮食,杂交水稻的成功研究与大面积推广应用为我国乃至世界的粮食安全做出了巨大的贡献,杂交水稻质量的优劣直接关系到世界粮食安全,为了确保口粮绝对安全的战略底线,必须大力发展水稻种业,保障种子安全;种子纯度为种子质量好坏的衡量标准之一,根据国家标准的规定,杂交水稻种子必须保证达到96%以上的纯度指标;在杂交种生产过程中要严格去杂,当前杂交种子制种去杂还是以人工去杂为主,包括在播种至孕穗期间,根据亲本生长形态进行去杂,把制种田中与亲本不同叶色、不同株型的植株清除以及在抽穗开花期除去混杂在亲本中的异品种如常规种、保持系杂株及母本内串粉可育杂株等,尤其是抓好时机割除制种田不育系中的保持系植株,此期是除杂的关键时期,不及时去除杂株会导致种子纯度大幅降低。然而人工去杂劳动强度大,需要大量的劳动力,且需要有对杂株识别的经验,不同人由于观察角度不同、杂株识别能力不同等均会影响到去杂的效果,管理员对大面积制种田块的田间去杂效果也无法进行评判,导致种子纯度超标风险变大,种子生产成本变高或种子质量不合格致报废;因此,迫切需要研究水稻快速识别杂株的方法,保证生产种子的质量符合国家标准,保障杂交稻的纯度进而保障粮食生产安全。
发明内容
为了解决上述问题,本发明通过克服现有制种和繁殖过程中杂株识别和去杂难度大的问题,进而提供了一种用于水稻的快速识别杂株的方法。
本发明通过以下技术方案来实现上述目的:
一种杂交水稻制种田去除杂株提高制种纯度的方法,包括以下步骤;
步骤S1:根据父本、母本在不同区域制种的抽穗期调整播差期,使父母本花期相遇,进行杂交种制种;
步骤S2:利用杂株识别模型在株型期识别并清除水稻植株中的杂株,其中,株型期包括分蘖期、拔节期、孕穗期;
步骤S3:利用开花散粉杂株识别模型在不育系抽穗开花期识别并清除水稻植株中的不育系杂株。
作为本发明的进一步优化方案,所述步骤S2中利用杂株识别模型在株型期识别并清除水稻植株中的杂株的具体步骤包括:
步骤S21、在水稻株型期内利用无人机搭载CCD摄像机拍摄田间水稻植株,生成实时视频流数据;
步骤S22、从实时视频流数据中采集水稻图像,并将水稻图像通过杂株识别模型进行识别,检测图像中是否有杂株;
步骤S23、若检测到杂株时,输出杂株在图像中的位置坐标,否则返回步骤S22继续进行杂株检测;其中,杂株的位置坐标包括植株分布的行和列位置信息;
步骤S24、将杂株在图像中的位置坐标传输给杂株清除装置,杂株清除装置行进至杂株位置处,识别出杂株并进行清除。
作为本发明的进一步优化方案,所述步骤S3中利用开花散粉杂株识别模型在不育系抽穗开花期识别并清除水稻植株中的不育系杂株的具体步骤包括:
步骤S31、在不育系抽穗开花期,每天利用无人机搭载CCD摄像机拍摄田间水稻植株,生成实时视频流数据;
步骤S32、从实时视频流数据中采集水稻图像,并将水稻图像通过开花散粉杂株识别模型进行识别,检测图像中是否有开花散粉杂株;
步骤S33、若检测到开花散粉杂株时,输出开花散粉杂株在图像中的位置坐标,否则返回步骤S32继续进行开花散粉杂株检测;其中,开花散粉杂株的位置坐标包括植株分布的行和列位置信息;
步骤S34、将开花散粉杂株在图像中的位置坐标传输给杂株清除装置,杂株清除装置行进至开花散粉杂株位置处,识别出开花散粉杂株并进行清除。
作为本发明的进一步优化方案,从实时视频流数据中采集水稻图像后,先对水稻图像进行预处理,利用RETINEX算法消除环境光照的影响。
作为本发明的进一步优化方案,所述杂株识别模型和开花散粉杂株识别模型均采用卷积神经网络进行构建,且该卷积神经网络采用YOLOV3网络。
作为本发明的进一步优化方案,通过卷积神经网络构建杂株识别模型,具体包括以下步骤;
B1、采集水稻田间的水稻植株标本图像,包括正常植株和杂株样本图像,其中,杂株指的是株型不同、株高不同、叶形不同、穗形不同、粒形不同的植株;
B2、对采集的植株图像进行预处理,利用RETINEX算法消除环境光照影响,并删除拍摄效果差的异常图像;
B3、使用标注工具在图像中用矩形框选取植株区域,标注正常植株和杂株的位置坐标,利用标注后的图像数据制作训练集;
B4、利用制作的训练集对卷积神经网络进行训练,生成杂株识别模型。
作为本发明的进一步优化方案,杂株清除装置包括除草剂喷施设备和水稻单株粉碎设备
作为本发明的进一步优化方案,所述步骤S24和步骤S34中杂株清除装置清除杂株包括使用水稻单株粉碎设备将杂株或开花散粉杂株进行粉碎。
本发明的有益效果在于:
1)本发明在杂交水稻制种和亲本繁殖过程中,通过智能化快速识别杂株,不受人为因素影响,提高杂交水稻制种纯度和亲本繁殖纯度;同时提升了机械化程度,显著降低了杂交水稻制种和亲本繁殖的劳动力成本,利于提高良种质量,保障粮食生产安全。
附图说明
图1是本发明的水稻杂株识别流程图;
图2是本发明的杂株识别模型训练流程图;
图3是本发明的水稻开花散粉杂株识别流程图;
图4是本发明的开花散粉杂株识别模型训练流程图;
图5是本发明的杂株清除装置结构示意图;
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
如图1至图5所示的一种杂交水稻制种田去除杂株提高制种纯度的方法;包括以下步骤:
步骤S1:根据父本、母本在不同区域制种的抽穗期调整播差期,使父母本花期相遇,进行杂交种制种;
步骤S2:利用杂株识别模型在株型期识别并清除水稻植株中的杂株,其中,株型期包括分蘖期、拔节期、孕穗期;
步骤S3:利用开花散粉杂株识别模型在不育系抽穗开花期识别并清除水稻植株中的不育系杂株。
其中,步骤S2中利用杂株识别模型在株型期识别并清除水稻植株中的杂株的具体步骤包括:
步骤S21、在水稻株型期内使用无人机搭载CCD摄像机距离地面2.5米-3米高度、与地面垂直或成一定角度(30-90度)拍摄田间水稻植株,生成实时视频流数据;
步骤S22、从实时视频流数据中采集水稻图像,并对水稻图像进行预处理,利用RETINEX算法消除环境光照的影响,具体的,对采集的水稻植株图像进行补偿处理,针对不同季节和天气条件下环境光照的剧烈变化对图像的影响,利用RETINEX算法消除光照的非均性,保持图像亮度和颜色的一致性,使采集的图像在不同光照环境下具有较好的稳定性;然后将水稻图像通过杂株识别模型进行识别,检测图像中是否有杂株;
步骤S23、若检测到杂株时,输出杂株在图像中的位置坐标,否则返回步骤S22继续进行杂株检测;其中,杂株的位置坐标包括植株分布的行和列位置信息;
步骤S24、将杂株在图像中的位置坐标传输给杂株清除装置,杂株清除装置行进至杂株位置处,识别出杂株并进行清除;
其中,杂株识别模型采用卷积神经网络进行构建,且该卷积神经网络采用YOLOV3网络,其准确率和运行速度均较高,再通过设置多个候选窗对网络进行优化,可有效提高对植株大小变化的适应能力;
通过卷积神经网络构建杂株识别模型,具体包括以下步骤;
B1、采集水稻田间的水稻植株标本图像,包括正常植株和杂株样本图像,其中,杂株指的是株型不同、株高不同、叶形不同、穗形不同、粒形不同的植株;采集时,分别在水稻生长的分蘖期、拔节期、孕穗期,利用无人机在植株上方与地面成一定角度(30-90度)拍摄;
各生育期需要采集的样本图像如下表:
B2、对采集的植株图像进行预处理,利用RETINEX算法消除环境光照影响,并删除拍摄效果差的异常图像;对采集的水稻植株图像进行补偿处理,针对不同季节和天气条件下环境光照的剧烈变化对图像的影响,利用RETINEX算法消除光照的非均性,保持图像亮度和颜色的一致性,使采集的图像在不同光照环境下具有较好的稳定性,确保最终训练集的可靠性;
B3、使用标注工具在图像中用矩形框选取植株区域,标注正常植株和杂株的位置坐标,利用标注后的图像数据制作训练集;
B4、利用制作的训练集对卷积神经网络进行训练,生成杂株识别模型;
此外,步骤S3中利用开花散粉杂株识别模型在不育系抽穗开花期识别并清除水稻植株中的不育系杂株原理与上述一般杂株的操作流程相同,而且开花散粉杂株识别模型也是采用卷积网络训练生成,不同的是,在制作训练集时,开花散粉杂株植株的样本图像指的是水稻开花的花粉囊大小不同、花粉粒大小不同、颜色不同及花丝长短不同的植株样本图像;
此外,当杂株模型识别出杂株后,会通过杂株清除装置行进至杂株位置处,识别出杂株并进行清除;具体的,该杂株清除装置包括可移动平台,可移动平台的底部设有行走组件,该行走组件可以采用行走轮或履带,优选的,该行走组件采用履带,便于清除装置在田间行走;
在可移动平台的前端设有摄像机,在可移动平台的中部设有至少一个机械臂,其中,该机械臂采用多自由度机械臂便于同时进行两组清除工作,提升工作效率;在机械臂的端部上同时设有植株粉碎装置和除草剂喷施装置,其中,植株粉碎装置包括用于粉碎杂株的粉碎刀体和设于粉碎刀体下方的抓手;同时,在可移动平台设有除草剂存储罐,且除草剂喷施装置与除草剂存储罐联通;
使用时,当杂株清除装置行进到标记的杂株位置处,利用抓手将杂株固定抓住,此时水稻单株的杆部会伸至粉碎刀体处,然后通过粉碎刀体将杂株粉碎,然后可以进一步的采用除草剂进行处理,有效的杀死该杂株;
进一步的,验证采用上述装置和方法来进行水稻智能化杂株识别与清除及效果;
实施例一
本实施例中用到的水稻种子三系杂交水稻品种“荃优丝苗”及其父本“五山丝苗”,母本“荃9311A”。
一、材料种植
2021年5月于水稻制种基地分别对“荃优丝苗”的父本“五山丝苗”和母本“荃9311A”进行播种,其中母本“荃9311A”鉴定纯度为99.6%。6月份对父母本进行移栽并种植于3个田块(田块A、田块B和田块C,面积均为2000平方米):其中父本“五山丝苗”于5月8日播种,6月18日移栽;母本“荃9311A”于5月26日播种,6月21日移栽;父母本同田种植(父本1行:母本10行),行株距18cm×21cm。田块A为利用本发明方法去除杂株提高制种纯度;田块B为对照田块,杂交制种过程中采用人工去杂方法提高制种纯度;田块C不去杂,仅利用本发明中水稻杂株快速识别软件进行株型期以及成熟期杂株快速识别和利用开花散粉杂株自动识别软件进行不育系开花散粉杂株识别,并通过杂株自动识别软件鉴定杂株并计算纯度。
二、分蘖期至开花期杂株快速识别并清除
1、田块A分别于父本“五山丝苗”和母本“荃9311A”分蘖期7月5日、拔节期7月20日、孕穗中期8月1日、孕穗末期8月10日四次通过无人机搭载CCD摄像机距离地面2.5米-3米高度、与地面垂直或成一定角度(30-90度)拍摄田间水稻植株,生成实时视频流数据;从实时视频流数据中采集一张水稻图像;
采集水稻样本图像包含有正常植株和杂株,杂株是指株型紧散不同、株高不同、叶形不同、穗形不同、粒形不同、生长速差异大的植株。分别在水稻生长的分蘖期、拔节期、孕穗期、成熟期,利用无人机在植株上方与地面成一定角度(30-90度)拍摄;
对水稻图像进行预处理,对采集的水稻植株图像进行补偿处理,针对不同季节和天气条件下环境光照的剧烈变化对图像的影响,利用RETINEX算法消除环境光照的影响,主要为利用RETINEX算法消除光照的非均性,保持图像亮度和颜色的一致性,使采集的图像在不同光照环境下具有较好的稳定性;
将图像输入杂株识别模型(通过训练卷积神经网络生成杂株识别模型:采集水稻田间的水稻植株标本图像,包括正常植株和杂株(株型不同、株高不同、叶形不同、穗形不同、粒形不同的植株)样本图像;对采集的植株图像进行预处理,利用RETINEX算法消除环境光照影响,并删除拍摄效果差的异常图像;标注正常植株和杂株的位置,利用标注后的图像制作训练集;定义所用的卷积神经网络,利用训练集对网络进行训练;训练结束后,生成杂株识别模型),检测图像中是否有杂株,当检测到杂株时,输出杂株在图像中的位置坐标,最终显示杂株的位置,并与水稻生产技术专家进行杂株的相关性符合,确定为杂株;通过杂株清除装置进行杂株自动清除和粉碎;
2、田块A在母本“荃9311A”开花期8月15日、8月17日、8月19日、8月21日、8月23日及8月25日,每天上午和下午利用无人机搭载CCD摄像机距离地面2.5米-3米高度、与地面垂直或成一定角度(30-90度)拍摄田间水稻植株,生成实时视频流数据;从实时视频流数据中采集一张水稻图像;
采集水稻样本图像中包含有正常植株和开花散粉杂株。开花散粉杂株根据水稻开花的花粉囊大小、花粉粒大小、颜色及花丝长短来判断。利用无人机在植株上方与地面成一定角度(30-90度)拍摄,采集的样本图像用于训练卷积神经网络。对水稻图像进行预处理,对采集的水稻植株图像进行补偿处理,针对不同季节和天气条件下环境光照的剧烈变化对图像的影响,利用RETINEX算法消除环境光照的影响,主要为利用RETINEX算法消除光照的非均性,保持图像亮度和颜色的一致性,使采集的图像在不同光照环境下具有较好的稳定性;
将图像开花散粉杂株识别模型(通过训练卷积神经网络生成杂株识别模型:采集水稻田间的水稻植株标本图像,包括正常植株和开花散粉杂株的样本图像;对采集的植株图像进行预处理,利用RETINEX算法消除环境光照影响,并删除拍摄效果差的异常图像;标注正常植株和杂株的位置,利用标注后的图像制作训练集;定义所用的卷积神经网络,利用训练集对网络进行训练;训练结束后,生成开花散粉杂株识别模型),检测图像中是否有杂株,当检测到开花散粉杂株时,输出杂株在图像中的位置坐标,最终显示开花散粉杂株的位置,并与水稻生产技术专家进行杂株的相关性符合,确定为杂株;通过杂株清除装置进行杂株自动清除和粉碎。
田块B在上述各个时期采用人工去杂方法识别杂株并清除杂株。
田块C为分别于母本“荃9311A”分蘖期7月5日、拔节期7月20日、孕穗中期8月1日、孕穗末期8月10日四次利用水稻杂株自动识别软件同田块A同样的方法识别杂株和显示杂株的位置(在此不做重复描述),并与水稻生产技术专家进行杂株的相关性符合,确定为杂株,计算杂株率为0.6%,纯度99.4%;
在母本“荃9311A”开花期8月15日、8月17日、8月19日、8月21日、8月23日及8月25日,每天上午和下午利用水稻开花散粉杂株自动识别软件同田块A同样的方法识别杂株和显示杂株的位置(在此不做重复描述),并与水稻生产技术专家进行杂株的相关性符合,确定为杂株,计算杂株率为0.5%,纯度99.5%。
上述田块父本“五山丝苗”授粉结束后将其割除。
三、纯度鉴定
对应上述田块A、田块B和田块C水稻成熟期间分别收获杂交种“荃优丝苗”,随机抽取“荃优丝苗”种子发芽,随机取发芽一周后的384株叶片抽提DNA,进行室内SSR分子标记鉴定纯度,得出田块A的384株中有4株杂株(串粉株),制种纯度为99.0%;田块B的384株中有11株杂株(8株串粉株和3株母本),制种纯度为97.1%;田块C的384株中有16株杂株(14株串粉株和2株母本),制种纯度为95.8%。
结果表明,本发明方法识别杂株率达到99.8%-100%,相比较于人工识别杂株和去杂方法可提高制种纯度,实现机械化智能化操作,降低劳动力成本进而降低制种成本。
实施例二
本实施例中用到的水稻种子为两系杂交水稻品种“荃两优丝苗”及其父本“五山丝苗”,母本“荃211S”。
一、材料种植
2021年5月于另一个水稻制种基地分别对“荃两优丝苗”的父本“五山丝苗”和母本“荃211S”进行播种,6月份对父母本进行移栽并种植于2个田块(田块A和田块B,面积均为2000平方米):其中父本“五山丝苗”于5月15日播种,6月15日移栽;母本“荃211S”于5月30日播种,6月20日移栽;父母本同田种植(父本1行:母本8行),行株距18cm×21cm。田块A为利用本发明方法提高制种纯度;田块B为对照田块,杂交制种过程中采用人工去杂方法提高制种纯度。
二、分蘖期至开花期杂株快速识别并清除
1、田块A分别于父本“五山丝苗”和母本“荃211S”分蘖期7月4日、拔节期7月18日、孕穗中期7月26日及孕穗末期8月10日分四次通过无人机搭载CCD摄像机距离地面2.5米-3米高度、与地面垂直或成一定角度(30-90度)拍摄田间水稻植株,生成实时视频流数据;从实时视频流数据中采集一张水稻图像;
采集水稻样本图像包含有正常植株和杂株。杂株是指株型紧散不同、株高不同、叶形不同、穗形不同、粒形不同、生长速差异大的植株。分别在水稻生长的分蘖期、拔节期、孕穗期、成熟期,利用无人机在植株上方与地面成一定角度(30-90度)拍摄,采集的样本图像用于训练卷积神经网络;
对水稻图像进行预处理,对采集的水稻植株图像进行补偿处理,针对不同季节和天气条件下环境光照的剧烈变化对图像的影响,利用RETINEX算法消除环境光照的影响,主要为利用RETINEX算法消除光照的非均性,保持图像亮度和颜色的一致性,使采集的图像在不同光照环境下具有较好的稳定性;
将图像输入杂株识别模型(通过训练卷积神经网络生成杂株识别模型:采集水稻田间的水稻植株标本图像,包括正常植株和杂株(株型不同、株高不同、叶形不同、穗形不同、粒形不同的植株)样本图像;对采集的植株图像进行预处理,利用RETINEX算法消除环境光照影响,并删除拍摄效果差的异常图像;标注正常植株和杂株的位置,利用标注后的图像制作训练集;定义所用的卷积神经网络,利用训练集对网络进行训练;训练结束后,生成杂株识别模型),检测图像中是否有杂株,当检测到杂株时,输出杂株在图像中的位置坐标,最终显示杂株的位置,并与水稻生产技术专家进行杂株的相关性符合,确定为杂株;通过杂株清除装置进行杂株自动清除和粉碎。
2、田块A在母本“荃211S”开花期8月14日、8月16日、8月18日、8月20日、8月22日及8月24日,每天上午和下午每天上午和下午利用无人机搭载CCD摄像机距离地面2.5米-3米高度、与地面垂直或成一定角度(30-90度)拍摄田间水稻植株,生成实时视频流数据;从实时视频流数据中采集一张水稻图像;
采集水稻样本图像中包含有正常植株和开花散粉杂株。开花散粉杂株根据水稻开花的花粉囊大小、花粉粒大小、颜色及花丝长短来判断。利用无人机在植株上方与地面成一定角度(30-90度)拍摄。采集的样本图像用于训练卷积神经网络。对水稻图像进行预处理,对采集的水稻植株图像进行补偿处理,针对不同季节和天气条件下环境光照的剧烈变化对图像的影响,利用RETINEX算法消除环境光照的影响,主要为利用RETINEX算法消除光照的非均性,保持图像亮度和颜色的一致性,使采集的图像在不同光照环境下具有较好的稳定性;
将图像开花散粉杂株识别模型(通过训练卷积神经网络生成杂株识别模型:采集水稻田间的水稻植株标本图像,包括正常植株和开花散粉杂株的样本图像;对采集的植株图像进行预处理,利用RETINEX算法消除环境光照影响,并删除拍摄效果差的异常图像;标注正常植株和杂株的位置,利用标注后的图像制作训练集;定义所用的卷积神经网络,利用训练集对网络进行训练;训练结束后,生成开花散粉杂株识别模型。),检测图像中是否有杂株,当检测到开花散粉杂株时,输出杂株在图像中的位置坐标,最终显示开花散粉杂株的位置,并与水稻生产技术专家进行杂株的相关性符合,确定为杂株;通过杂株清除装置进行杂株自动清除和粉碎。
田块B在上述各个时期采用人工去杂方法清除杂株。
父本“五山丝苗”授粉结束后将其割除。
三、纯度鉴定
对应上述田块A和田块B水稻成熟期间分别收获杂交种“荃两优丝苗”,随机抽取“荃两优丝苗”种子发芽,随机取发芽一周后的384株叶片抽提DNA,进行室内SSR分子标记鉴定纯度,得出田块A的384株中有中有2株杂株(串粉株),制种纯度为99.5%;田块B的384株中有12株杂株(8株串粉株和4株母本),制种纯度为96.9%;
对比上述实施例1和实施例2的结果可以看出,无论是三系水稻品种还是两系水稻品种采用本本申请的方式都可以满足极高的制种纯度。
本发明在杂交水稻制种和亲本繁殖过程中,通过智能化快速识别杂株,不受人为因素影响,提高杂交水稻种子和亲本纯度;同时提升了机械化程度,显著降低了杂交水稻制种和亲本繁殖的劳动力成本,利于提高良种质量,保障粮食生产安全。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:包括以下步骤;
步骤S1:根据父本、母本在不同区域制种的抽穗期调整播差期,使父母本花期相遇,进行杂交种制种;
步骤S2:利用杂株识别模型在株型期识别并清除水稻植株中的杂株,其中,株型期包括分蘖期、拔节期、孕穗期;
步骤S3:利用开花散粉杂株识别模型在不育系抽穗开花期识别并清除水稻植株中的不育系杂株。
2.根据权利要求1所述的一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:所述步骤S2中利用杂株识别模型在株型期识别并清除水稻植株中的杂株的具体步骤包括:
步骤S21、在水稻株型期内利用无人机搭载CCD摄像机拍摄田间水稻植株,生成实时视频流数据;
步骤S22、从实时视频流数据中采集水稻图像,并将水稻图像通过杂株识别模型进行识别,检测图像中是否有杂株;
步骤S23、若检测到杂株时,输出杂株在图像中的位置坐标,否则返回步骤S22继续进行杂株检测;其中,杂株的位置坐标包括植株分布的行和列位置信息;
步骤S24、将杂株在图像中的位置坐标传输给杂株清除装置,杂株清除装置行进至杂株位置处,识别出杂株并进行清除。
3.根据权利要求2所述的一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:所述步骤S3中利用开花散粉杂株识别模型在不育系抽穗开花期识别并清除水稻植株中的不育系杂株的具体步骤包括:
步骤S31、在不育系抽穗开花期,每天利用无人机搭载CCD摄像机拍摄田间水稻植株,生成实时视频流数据;
步骤S32、从实时视频流数据中采集水稻图像,并将水稻图像通过开花散粉杂株识别模型进行识别,检测图像中是否有开花散粉杂株;
步骤S33、若检测到开花散粉杂株时,输出开花散粉杂株在图像中的位置坐标,否则返回步骤S32继续进行开花散粉杂株检测;其中,开花散粉杂株的位置坐标包括植株分布的行和列位置信息;
步骤S34、将开花散粉杂株在图像中的位置坐标传输给杂株清除装置,杂株清除装置行进至开花散粉杂株位置处,识别出开花散粉杂株并进行清除。
4.根据权利要求2或3所述的一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:从实时视频流数据中采集水稻图像后,先对水稻图像进行预处理,利用RETINEX算法消除环境光照的影响。
5.根据权利要求4所述的一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:所述杂株识别模型和开花散粉杂株识别模型均采用卷积神经网络进行构建,且该卷积神经网络采用YOLOV3网络。
6.根据权利要求5所述的一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:通过卷积神经网络构建杂株识别模型,具体包括以下步骤;
B1、采集水稻田间的水稻植株标本图像,包括正常植株和杂株样本图像,其中,杂株指的是株型不同、株高不同、叶形不同、穗形不同、粒形不同的植株;
B2、对采集的植株图像进行预处理,利用RETINEX算法消除环境光照影响,并删除拍摄效果差的异常图像;
B3、使用标注工具在图像中用矩形框选取植株区域,标注正常植株和杂株的位置坐标,利用标注后的图像数据制作训练集;
B4、利用制作的训练集对卷积神经网络进行训练,生成杂株识别模型。
7.根据权利要求2或3所述的一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:所述杂株清除装置包括除草剂喷施设备和水稻单株粉碎设备。
8.根据权利要求7所述的一种杂交水稻制种田去除杂株提高制种纯度的方法,其特征在于:杂株清除装置清除杂株步骤中包括使用水稻单株粉碎设备将杂株或开花散粉杂株进行粉碎。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360123.2A CN114140702A (zh) | 2021-11-17 | 2021-11-17 | 一种杂交水稻制种田去除杂株提高制种纯度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111360123.2A CN114140702A (zh) | 2021-11-17 | 2021-11-17 | 一种杂交水稻制种田去除杂株提高制种纯度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140702A true CN114140702A (zh) | 2022-03-04 |
Family
ID=80390408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111360123.2A Pending CN114140702A (zh) | 2021-11-17 | 2021-11-17 | 一种杂交水稻制种田去除杂株提高制种纯度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140702A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107114171A (zh) * | 2017-06-08 | 2017-09-01 | 天津市农作物研究所 | 一种利用不育系种子丸化技术辨别杂株的方法 |
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 |
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 |
CN109997687A (zh) * | 2019-05-08 | 2019-07-12 | 四川千乡生物科技有限公司 | 一种水稻三系不育系高纯度繁殖方法 |
CN113111773A (zh) * | 2021-04-10 | 2021-07-13 | 山东沂蒙交通发展集团有限公司 | 一种基于深度学习的路面障碍物智能识别设备 |
-
2021
- 2021-11-17 CN CN202111360123.2A patent/CN114140702A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107114171A (zh) * | 2017-06-08 | 2017-09-01 | 天津市农作物研究所 | 一种利用不育系种子丸化技术辨别杂株的方法 |
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 |
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 |
CN109997687A (zh) * | 2019-05-08 | 2019-07-12 | 四川千乡生物科技有限公司 | 一种水稻三系不育系高纯度繁殖方法 |
CN113111773A (zh) * | 2021-04-10 | 2021-07-13 | 山东沂蒙交通发展集团有限公司 | 一种基于深度学习的路面障碍物智能识别设备 |
Non-Patent Citations (1)
Title |
---|
李宁等: "基于计算机视觉的水稻杂株识别", 《农机化研究》, 18 May 2020 (2020-05-18), pages 1 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4009441B2 (ja) | 作物育成評価システム | |
CN113994885A (zh) | 一种杂交玉米制种节本去杂去雄保纯的方法 | |
Tian et al. | Machine vision identification of tomato seedlings for automated weed control | |
DE202007019655U1 (de) | Vorrichtung zur Bestimmung des Starts des Blühen von Pflanzen | |
CN104025998B (zh) | 利用杂交诱导单倍体选育玉米自交系的方法 | |
KR20220082952A (ko) | 작물 이미지 빅데이터를 이용한 영농 자동화 시스템 | |
CN110073968A (zh) | 一种高油耐盐花生的快速培育方法 | |
CN110447532B (zh) | 一种耐高温棉花的选育方法 | |
Campbell et al. | Effect of water availability and genetic diversity on flowering phenology, synchrony and reproductive investment in summer squash | |
CN110119901A (zh) | 一种芦笋种植综合管理平台及其管理办法 | |
CN107347625B (zh) | 强雌性自交系lc-03在南瓜育种中的应用 | |
CN114140702A (zh) | 一种杂交水稻制种田去除杂株提高制种纯度的方法 | |
CN110100722B (zh) | 一种紫叶白花甘蓝型景观油菜常规品种的选育方法 | |
CN112119907A (zh) | 一种洋葱全不育制种方法 | |
CN115119746B (zh) | 一种抗倒伏水稻不育系的筛选与鉴定方法及其在育种中的应用 | |
CN112005876A (zh) | 一种利用棉花核不育杂交种选育抗病虫优质棉品种的方法 | |
CN105284591A (zh) | 适应长江流域棉区种植的有限果枝型短季棉的育种方法 | |
CN110064601A (zh) | 一种蔬菜嫁接用苗检测分级系统和分级方法 | |
Hristova-Cherbadzhi et al. | Evaluation of variation on sunflower single crosses | |
CN104813923B (zh) | 一种三品种双交培育玫瑰品种的方法 | |
CN112616648A (zh) | 一种优化甘薯集团杂交方案的方法及其应用 | |
CN112699805A (zh) | 蔬菜病虫害防治智能识别系统 | |
Genaidy et al. | Increase the economic value of the jojoba (Simmondsia chinensis) yield using evaluation of distinctive clones grown under the Egyptian environmental conditions. | |
CN110268974A (zh) | 一个杏品种的授粉技术方案 | |
CN113924965B (zh) | 一种工厂化植物生产的系统及方法 |
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 |