CN115222717B - 一种大豆种荚快速计数方法、装置及存储介质 - Google Patents
一种大豆种荚快速计数方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115222717B CN115222717B CN202210907639.2A CN202210907639A CN115222717B CN 115222717 B CN115222717 B CN 115222717B CN 202210907639 A CN202210907639 A CN 202210907639A CN 115222717 B CN115222717 B CN 115222717B
- Authority
- CN
- China
- Prior art keywords
- soybean
- image
- pod
- counting
- pods
- 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
- 244000068988 Glycine max Species 0.000 title claims abstract description 127
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001024327 Oenanthe <Aves> Species 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 235000009973 maize Nutrition 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 244000307697 Agrimonia eupatoria Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 235000000125 common agrimony Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/60—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
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种大豆种荚快速计数方法、装置及存储介质，所述方法包括步骤：对大豆种荚进行目标识别；根据所述目标识别获取初步计数结果；获取所述大豆种荚的图像；根据所述图像提取所述大豆种荚的特征；根据所述初步计数结果和所述特征构建大豆种荚计数模型；根据所述大豆种荚计数模型对所述大豆种荚进行计数。本申请提供的一种大豆种荚快速计数方法、装置及存储介质可以对大豆种荚进行快速计数，且成功率高，结果可靠。
Description
技术领域
本发明属于大豆育种技术领域，具体涉及一种大豆种荚快速计数方法、装置及存储介质。
背景技术
植物表型是基因和环境共同作用的结果，通过分析植物表型能够将不同植物基因型和环境的影响区分开来。传统表型性状的测量方法即人工测量，但是这种测量方法速度慢、花费高，同时存在主观误差。表型的准确、快速鉴定已成为现代育种的瓶颈。表型组学技术具有高效、精准、高通量获取表型参数的特点，对定位基因、分析基因与环境互作关系有重要意义。
在大豆育种过程中，豆荚数是反映产量的最重要表型参数之一。目前计算豆荚数的方法都是通过人工计数，存在耗费时间长、人工成本高、误差大的问题，而迅速获取豆荚数有利于加速优质基因的筛选和栽培技术的改善。
目前主要使用机器学习或图像处理自动分析农作物图片，实现对作物的快速识别和计数。Kumar(Kumar,A.,et al.,Efficient Maize Tassel-Detection Method usingUAV based remote sensing.Remote Sensing Applications:Society and Environment,2021.23)等使用无人机采集图像，通过k均值聚类(k-means clustering)实现了对玉米雄穗的识别。Wu(Wu,W.,et al.,Image analysis-based recognition and quantificationof grain number per panicle in rice.Plant Methods,2019.15:p.122)等使用图像处理技术和深度学习实现了对水稻籽粒的准确计数。Yang(Yang,B.,et al.,RapidDetection and Counting of Wheat Ears in the Field Using YOLOv4with AttentionModule.Agronomy,2021.11(6):p.1202)等采用一种改进的YOLO V4网络实现了对田间麦穗的准确识别。Lu(Lu,S.,et al.,Counting Dense Leaves under Natural Environmentsvia an Improved Deep-Learning-Based Object Detection Algorithm.Agriculture,2021.11(10))等使用一种改进的centernet网络对密集叶片进行识别，取得了较高的准确率。
与其他作物相比，大豆豆荚十分密集，豆荚之间遮挡严重，之前的深度学习模型提取这类严重重叠的特征能力不足，缺少对豆荚直接计数的报道。为了实现对豆荚或大豆籽粒的识别和计数，需要将豆荚从茎秆上摘下，按一定间隔将豆荚铺开，以避免重叠，但是这一过程消耗了大量时间，在计算豆荚数的效率上与人工计数无显著差异，不利于高通量获取大豆的产量性状。
发明内容
本发明提供了一种大豆种荚快速计数方法，所述方法包括步骤：
对大豆种荚进行目标识别；
根据所述目标识别获取初步计数结果；
获取所述大豆种荚的图像；
根据所述图像提取所述大豆种荚的特征；
根据所述初步计数结果和所述特征构建大豆种荚计数模型；
根据所述大豆种荚计数模型对所述大豆种荚进行计数。
优选地，所述获取所述大豆种荚的图像包括步骤：
采集所述大豆种荚的自然光图像；
对所述自然光图像进行大豆种荚标注；
对所述自然光图像进行图像增强。
优选地，所述对所述自然光图像进行大豆种荚标注包括步骤：
搜寻所述自然光图像中每个大豆种荚的边缘；
使用多边形标注贴合每个所述边缘；
获取所述自然光图像于标记完成后对应的数据交换格式文件；
获取所述数据交换格式文件对应的数据文件；
获取所述数据文件对应的灰度文件。
优选地，所述对所述自然光图像进行图像增强包括步骤：
对所述自然光图像进行随机水平翻转；
对所述自然光图像进行随机垂直翻转；
在预设倍数范围内对所述自然光图像进行随机缩放；
填充和调整所述自然光图像至预设尺寸。
优选地，所述根据所述图像提取所述大豆种荚的特征包括步骤：
提取所述图像中所述大豆种荚的形状特征；
提取所述图像中所述大豆种荚的纹理特征。
优选地，所述提取所述图像中所述大豆种荚的形状特征包括步骤：
将所述图像调整至预设尺寸；
获取所述图像中豆荚区域的二值图像；
将所述二值图像还原至所述预设尺寸；
计算所述二值图像中所有独立分离的豆荚区域的形状特征。
优选地，所述提取所述图像中所述大豆种荚的纹理特征包括步骤：
获取所述图像对应的自然光图像；
获取所述自然光图像对应的灰度文件；
构建所述灰度文件对应的灰度共生矩阵；
获取所述灰度共生矩阵的特征；
将所述特征作为所述纹理特征。
本申请还提供了一种大豆种荚快速计数装置，包括：
目标识别模块，用于对大豆种荚进行目标识别；
初步计数结果获取模块，用于根据所述目标识别获取初步计数结果；
图像获取模块，用于获取所述大豆种荚的图像；
特征提取模块，用于根据所述图像提取所述大豆种荚的特征；
大豆种荚计数模型构建模块，用于根据所述初步计数结果和所述特征构建大豆种荚计数模型；
计数模块，用于根据所述大豆种荚计数模型对所述大豆种荚进行计数。
本发明还提供了一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一所述大豆种荚快速计数方法。
本发明还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一所述大豆种荚快速计数方法。
本申请提供的一种大豆种荚快速计数方法、装置及存储介质可以对大豆种荚进行快速计数，且成功率高，结果可靠。
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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，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大豆种荚快速计数方法的流程示意图；
图2是本发明实施例提供的一种大豆种荚快速计数装置的结构示意图；
图3是本发明提供的一种电子设备的结构示意图；
图4是本发明提供的一种非暂态计算机可读存储介质的结构示意图；
图5是本发明实施例提供的崇州大豆种荚图像；
图6是本发明实施例提供的仁寿大豆种荚图像；
图7是本发明实施例提供的数据交换格式文件示意图；
图8是本发明实施例提供的数据文件示意图；
图9是本发明实施例提供的灰度文件示意图；
图10是本发明实施例提供的一种大豆种荚快速计数方法中大豆种荚计数模型的预测示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1，在本申请实施例中，本发明提供了一种大豆种荚快速计数方法，所述方法包括步骤：
S1：对大豆种荚进行目标识别；
在本申请实施例中，选用豆荚的数量、空间分布、颜色不同的大豆品种若干个，其中，部分品种于2021年6月收获于四川农业大学崇州现代农业研发基地，部分品种于2121年10月收获于四川农业大学仁寿实验基地。
S2：根据所述目标识别获取初步计数结果；
在本申请实施例中，人工对在仁寿收获439株大豆计数，作为豆荚数的真实值，首先采用YOLO X模型对豆荚进行计数。
S3：获取所述大豆种荚的图像；
在本申请实施例中，所述获取所述大豆种荚的图像包括步骤：
采集所述大豆种荚的自然光图像；
对所述自然光图像进行大豆种荚标注；
对所述自然光图像进行图像增强。
在本申请实施例中，大豆种荚的自然光图像于自然光下拍摄，使用黑色吸光布作为背景。为了增强数据集，每株大豆正反两面各拍摄一次，每个品种拍摄5-10株。如图5，崇州大豆种荚图像使用佳能Canon 700D相机拍摄，图像大小为4752*3168pixel，共获得570张图片。如图6，仁寿大豆种荚图像使用Canon 750D相机拍摄，图像大小为5184*2916pixel，共获得878张图片。而后对自然光图像进行大豆种荚标注，并进行图像增强。
在本申请实施例中，所述对所述自然光图像进行大豆种荚标注包括步骤：
搜寻所述自然光图像中每个大豆种荚的边缘；
使用多边形标注贴合每个所述边缘；
获取所述自然光图像于标记完成后对应的数据交换格式文件；
获取所述数据交换格式文件对应的数据文件；
获取所述数据文件对应的灰度文件。
在本申请实施例中，当对自然光图像进行大豆种荚标注时，采用Labelme人工标注每张图片的每个豆荚。如图7，每个豆荚都用一个贴合其边缘的多边形标注,，多边形由顶点的坐标表示，可以得到自然光图像于标记完成后对应的数据交换格式文件；将数据交换格式文件转化为数据文件(图8)和灰度文件(图9)，其中，数据交换格式文件和数据文件用于训练目标检测网络，灰度文件用于训练U-net网络。
在本申请实施例中，崇州大豆种荚图像的570张图片均被标注，用于深度学习模型的训练和验证，按照9：1的比例随机地划分数据集。从仁寿大豆种荚图像中随机选择100张图片进行标注，作为深度学习模型的测试集。
在本申请实施例中，U-net网络由加密层、解密层和分类层组成。本申请实施例中使用VGG-16作为中枢提取特征；而后使用反卷积进行上采样；使用大小1*1卷积核对最终的特征层卷积，将特征层的通道数调整为分类的类别数，本申请实施例中只需要区分豆荚和其他无关区域，所以分类层中通道数为2。
在本申请实施例中，所述对所述自然光图像进行图像增强包括步骤：
对所述自然光图像进行随机水平翻转；
对所述自然光图像进行随机垂直翻转；
在预设倍数范围内对所述自然光图像进行随机缩放；
填充和调整所述自然光图像至预设尺寸。
在本申请实施例中，为了避免模型过拟合，采用以下方法对自然光图像进行增强：首先依次随机水平和垂直翻转自然光图像；而后在0.8倍-1.6倍的范围内随机缩放自然光图像，并使用填充和调整的方法将自然光图像的大小调整至1024*1024pixel。
S4：根据所述图像提取所述大豆种荚的特征；
在本申请实施例中，所述根据所述图像提取所述大豆种荚的特征包括步骤：
提取所述图像中所述大豆种荚的形状特征；
提取所述图像中所述大豆种荚的纹理特征。
在本申请实施例中，在使用目标检测网络对豆荚检测和计数时，丢失了图像中的许多信息，这些信息对反映豆荚数量，反映豆荚的重叠情况(准确计算豆荚数量)有重要意义，为了还原丢失的信息，提高豆荚计数的准确度，引入豆荚区域的形状特征和纹理特征。
在本申请实施例中，所述提取所述图像中所述大豆种荚的形状特征包括步骤：
将所述图像调整至预设尺寸；
获取所述图像中豆荚区域的二值图像；
将所述二值图像还原至所述预设尺寸；
计算所述二值图像中所有独立分离的豆荚区域的形状特征。
在本申请实施例中，将图片大小调整至1024pixel*1024pixel，输入训练好的U-net模型，得到豆荚区域的二值图像，将二值图像大小还原为原图大小，使用调整后的二值图像计算图中所有独立分离的豆荚区域的周长、投影面积、周长与面积之比。然后将所有分离的豆荚区域视为一个整体，计算整体的外接矩形宽、外接矩形高、外接圆半径、外接矩形面积、外接圆面积、投影面积与外接矩形面积之比、宽高之比、凸包面积、形状率(FormRatio)、圆形率(Circularity Ratio)、紧凑度(Compactness Ratio)。
在本申请实施例中，形状率紧凑度、圆形率紧凑度、外接圆紧凑度定义如下：
其中，A为豆荚区域的投影面积，L为外接矩形最长边的长度，P为周长AC为外接圆面积。
在本申请实施例中，所述提取所述图像中所述大豆种荚的纹理特征包括步骤：
获取所述图像对应的自然光图像；
获取所述自然光图像对应的灰度文件；
构建所述灰度文件对应的灰度共生矩阵；
获取所述灰度共生矩阵的特征；
将所述特征作为所述纹理特征。
在本申请实施例中，采用灰度共生矩阵中的小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差矩、灰度直方图方差、灰度直方图熵共15个特征作为灰度图像的纹理特征。
S5：根据所述初步计数结果和所述特征构建大豆种荚计数模型；
S6：根据所述大豆种荚计数模型对所述大豆种荚进行计数。
在本申请实施例中，本申请提取了15个形状特征和15个纹理特征，以及YOLO X检测得到的豆荚数，基于这些特征构建豆荚计数模型。具体地，以Python作为编程语言，以scikit-learn作为机器学习框架，比较了MLP、Catboost、Random Forest、Light GBM、XGBoost等常见机器学习算法的预测效果。为使不同量纲的特征处于同一数值量级，使用归一化对机器学习模型的特征进行预处理。
在本申请实施例中，采用R2，MAE评价目标检测模型的计数效果,筛选出最佳的模型以及模型参数，表达式如下:
其中，np为目标检测模型预测的豆荚数，nt为人工计数获得的豆荚数，n p为预测的豆荚数的平均值。
在本申请实施例中，将U-net分割出的豆荚区域与人工标注的结果进行对比，使用IoU，Precision，Recall，F1-score作为评价指标。IoU反映了预测结果和真实样本间的重合情况，取值范围为[0,1],IoU越接近1，预测结果与真实样本间的重合比例越大，模型分割效果越好。Precision是预测结果中真实样本的比例，Precision越高说明模型的准确性越高。Recall是真实样本中被正确分割的像素点所占的比例，数值越大分割出的豆荚完整性越高。F1-score综合考虑了Precision和Recall，F1-score大，表明模型能准确地识别背景和前景。
在本申请实施例中，IoU、Recall、F1-score的定义分别如下：
式中，TP为被正确分割的豆荚像素点，FP为被模型错误判断为豆荚像素点的背景，FN为未被模型正确分割的豆荚像素点。
在本申请实施例中，由于大豆豆荚之间遮挡较多，一张图片往往不能显示出一株植株上所有豆荚，即图像中可见豆荚数小于或等于实际豆荚数。因此，在豆荚重叠严重的区域，网络误识别的概率也会相应增加，但通过网络的误识别，可以在一定程度上弥补被遮挡的豆荚。
在本申请实施例中，使用不同的IoU阈值进行非极大值抑制得到豆荚数不同，阈值大，误识别多，预测出的豆荚数多，阈值小，误识别少，预测出的豆荚数少。通过比较了不同IoU阈值(0.5-0.9)下预测豆荚数与实际豆荚数间的相关性和差异。为了增加网络的误识别，同时由于豆荚间形态差异大，遮挡程度不同，为了在较少训练样本的情况下提高预测的准确性，在预测时采用了较小的置信区间(0.1 and 0.2)，结果如图9所示。
在本申请实施例中，如图10，可以看到，当IoU为0.5时，Precision最大。当IoU从0.5增加至0.6后，Precision下降，误识别增多，除Centernet外，R2均略微上升，MAE下降，其中，Confidence＝0.2时，YOLO X的MAE由10.73下降到8.093，说明误识别有助于网络预测出真实的豆荚数量。
当Confidence＝0.2,IoU＝0.6时，YOLO X的R2较大，为0.8739，MAE最小，为8.093，所以,使用此时YOLO X的预测结果进一步构建豆荚数预测模型。
如图2，在本申请实施例中，本申请还提供了一种大豆种荚快速计数装置，所述方法包括步骤：
目标识别模块10，用于对大豆种荚进行目标识别；
初步计数结果获取模块20，用于根据所述目标识别获取初步计数结果；
图像获取模块30，用于获取所述大豆种荚的图像；
特征提取模块40，用于根据所述图像提取所述大豆种荚的特征；
大豆种荚计数模型构建模块50，用于根据所述初步计数结果和所述特征构建大豆种荚计数模型；
计数模块60，用于根据所述大豆种荚计数模型对所述大豆种荚进行计数。
本申请提供的一种大豆种荚快速计数装置可以执行上述步骤提供的一种大豆种荚快速计数方法。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备100的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(ROM)102中的程序或者从存储装置108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM 103中，还存储有电子设备100操作所需的各种程序和数据。处理装置101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
通常，以下装置可以连接至I/O接口105：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备100，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从ROM 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
下面参考图4，其示出了适于用来实现本公开实施例的计算机可读存储介质的结构示意图，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现如上述中任一所述的多尺度构件模型有限元网格生成方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
本申请提供的一种大豆种荚快速计数方法、装置及存储介质可以对大豆种荚进行快速计数，且成功率高，结果可靠。
总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。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。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (7)
1.一种大豆种荚快速计数方法，其特征在于，所述方法包括步骤：
对大豆种荚进行目标识别；
根据所述目标识别采用YOLO X模型获取初步计数结果；
获取所述大豆种荚的图像；
根据所述图像提取所述大豆种荚的特征；
根据所述初步计数结果和所述特征构建大豆种荚计数模型；
根据所述大豆种荚计数模型对所述大豆种荚进行计数；
所述根据所述图像提取所述大豆种荚的特征包括步骤：
提取所述图像中所述大豆种荚的形状特征，
提取所述图像中所述大豆种荚的纹理特征；
所述提取所述图像中所述大豆种荚的形状特征包括步骤：
将所述图像调整至预设尺寸；
获取所述图像中豆荚区域的二值图像；
将所述二值图像还原至所述预设尺寸；
计算所述二值图像中所有独立分离的豆荚区域的形状特征；
所述形状特征包括豆荚区域的周长、投影面积、周长与面积之比，以及将所有分离的豆荚区域视为一个整体，计算整体的外接矩形宽、外接矩形高、外接圆半径、外接矩形面积、外接圆面积、投影面积与外接矩形面积之比、宽高之比、凸包面积、形状率、圆形率、紧凑度；
所述提取所述图像中所述大豆种荚的纹理特征包括步骤：
获取所述图像对应的自然光图像；
获取所述自然光图像对应的灰度文件；灰度文件用于训练U-net网络；
构建所述灰度文件对应的灰度共生矩阵；
获取所述灰度共生矩阵的特征；
将所述特征作为所述纹理特征；所述纹理特征包括小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度方差、梯度方差、相关、灰度熵、梯度熵、混合熵、惯性、逆差矩、灰度直方图方差、灰度直方图熵。
2.根据权利要求1所述的大豆种荚快速计数方法，其特征在于，所述获取所述大豆种荚的图像包括步骤：
采集所述大豆种荚的自然光图像；
对所述自然光图像进行大豆种荚标注；
对所述自然光图像进行图像增强。
3.根据权利要求2所述的大豆种荚快速计数方法，其特征在于，所述对所述自然光图像进行大豆种荚标注包括步骤：
搜寻所述自然光图像中每个大豆种荚的边缘；
使用多边形标注贴合每个所述边缘；
获取所述自然光图像于标记完成后对应的数据交换格式文件；
获取所述数据交换格式文件对应的数据文件；
获取所述数据文件对应的灰度文件。
4.根据权利要求2所述的大豆种荚快速计数方法，其特征在于，所述对所述自然光图像进行图像增强包括步骤：
对所述自然光图像进行随机水平翻转；
对所述自然光图像进行随机垂直翻转；
在预设倍数范围内对所述自然光图像进行随机缩放；
填充和调整所述自然光图像至预设尺寸。
5.一种执行权利要求1~4任一项所述大豆种荚快速计数方法的装置，其特征在于，所述装置包括步骤：
目标识别模块，用于对大豆种荚进行目标识别；
初步计数结果获取模块，用于根据所述目标识别获取初步计数结果；
图像获取模块，用于获取所述大豆种荚的图像；
特征提取模块，用于根据所述图像提取所述大豆种荚的特征；
大豆种荚计数模型构建模块，用于根据所述初步计数结果和所述特征构建大豆种荚计数模型；
计数模块，用于根据所述大豆种荚计数模型对所述大豆种荚进行计数。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述任一权利要求1-4所述大豆种荚快速计数方法。
7.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述任一权利要求1-4所述大豆种荚快速计数方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210907639.2A CN115222717B (zh) | 2022-07-29 | 2022-07-29 | 一种大豆种荚快速计数方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210907639.2A CN115222717B (zh) | 2022-07-29 | 2022-07-29 | 一种大豆种荚快速计数方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115222717A CN115222717A (zh) | 2022-10-21 |
| CN115222717B true CN115222717B (zh) | 2023-05-16 |
Family
ID=83613082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210907639.2A Active CN115222717B (zh) | 2022-07-29 | 2022-07-29 | 一种大豆种荚快速计数方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115222717B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115690107B (zh) * | 2023-01-03 | 2023-04-07 | 浙江托普云农科技股份有限公司 | 基于图像处理的豆荚果粒高通量计数方法、系统及装置 |
| CN116434066B (zh) * | 2023-04-17 | 2023-10-13 | 安徽农业大学 | 基于深度学习的大豆豆荚考种方法、系统及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063816B (zh) * | 2018-08-28 | 2024-02-13 | 武汉古奥基因科技有限公司 | 一种豆荚数量统计装置及方法 |
| CN208766708U (zh) * | 2018-08-28 | 2019-04-19 | 武汉古奥基因科技有限公司 | 一种豆荚数量统计装置 |
| CN111462223B (zh) * | 2020-04-22 | 2023-05-26 | 安徽大学 | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 |
| CN112183448B (zh) * | 2020-10-15 | 2023-05-12 | 中国农业大学 | 一种基于三级分类和多尺度fcn的脱荚大豆图像分割方法 |
| CN114724141A (zh) * | 2022-04-06 | 2022-07-08 | 东北农业大学 | 一种基于机器视觉的大豆豆荚数量统计方法 |
-
2022
- 2022-07-29 CN CN202210907639.2A patent/CN115222717B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115222717A (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115222717B (zh) | 一种大豆种荚快速计数方法、装置及存储介质 | |
| CN108520229B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN110458107B (zh) | 用于图像识别的方法和装置 | |
| CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
| CN107944450B (zh) | 一种车牌识别方法及装置 | |
| US8792722B2 (en) | Hand gesture detection | |
| US8750573B2 (en) | Hand gesture detection | |
| CN111178183B (zh) | 人脸检测方法及相关装置 | |
| CN109740639B (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
| US20160005171A1 (en) | Image Analysis Device, Image Analysis System, and Image Analysis Method | |
| CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
| CN111723815B (zh) | 模型训练方法、图像处理方法、装置、计算机系统和介质 | |
| Yu et al. | An integrated rice panicle phenotyping method based on X-ray and RGB scanning and deep learning | |
| CN108509921B (zh) | 用于生成信息的方法和装置 | |
| CN110222582B (zh) | 一种图像处理方法和相机 | |
| CN112990318B (zh) | 持续学习方法、装置、终端及存储介质 | |
| CN108229289B (zh) | 目标检索方法、装置和电子设备 | |
| CN115424171A (zh) | 火焰和烟雾检测方法、装置和存储介质 | |
| Leinonen et al. | Unsupervised classification of snowflake images using a generative adversarial network and K-medoids classification | |
| Ozdemir et al. | Comparison of deep learning techniques for classification of the insects in order level with mobile software application | |
| CN111124863A (zh) | 智能设备性能测试方法、装置及智能设备 | |
| Zhao et al. | Rice seed size measurement using a rotational perception deep learning model | |
| CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
| CN110827261B (zh) | 图像质量检测方法及装置、存储介质及电子设备 | |
| CN114639058A (zh) | 火灾烟雾图像检测方法、装置、设备及存储介质 |
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 |