CN116091481A - 一种小穗计数方法、装置、设备和存储介质 - Google Patents
一种小穗计数方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116091481A CN116091481A CN202310180913.5A CN202310180913A CN116091481A CN 116091481 A CN116091481 A CN 116091481A CN 202310180913 A CN202310180913 A CN 202310180913A CN 116091481 A CN116091481 A CN 116091481A
- Authority
- CN
- China
- Prior art keywords
- wheat
- ear
- image
- spike
- looking
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种小穗计数方法、装置、设备和存储介质,其中,方法包括:获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息;对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。本发明实施例的技术方案解决了现有技术中对麦穗中的小穗进行计数时,计数准确度低和计数成本高的问题,可以提高对麦穗中小穗进行计数的自动化程度,提高计数的准确度,降低计数成本。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种小穗计数方法、装置、设备和存储介质。
背景技术
小麦麦穗由多个小穗组成,每个小穗上结有数目不等的小穗。小穗的发育和分枝模式决定了麦穗结构和小穗产量。若能够准确测量小麦小穗数对解析小穗数的遗传机制,提升小麦产量具有十分重要的意义。
目前利用图像处理技术自动获得小穗数的过程中,传统图像分割方法计算结果容易受麦穗形态和麦芒的影响,对小穗生长紧密、重叠的麦穗计算效果很差;基于mask-RCNN模型的深度学习方法,需要人工标记大量麦穗图像中所有小穗的精细轮廓作为深度学习模型的训练数据和验证数据,标记成本高。
发明内容
本发明实施例提供了一种小穗计数方法、装置、设备和存储介质,可以提高对麦穗中小穗进行计数的自动化程度,提高计数的准确度,降低小穗计数成本。
第一方面,本发明实施例提供了一种小穗计数方法,该方法包括:
获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;
将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息;
对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
第二方面,本发明实施例提供了一种小穗计数装置,该装置包括:
麦穗图像预处理模块,用于获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;
小穗识别模块,用于将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息;
小穗计数模块,用于对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
第三方面,本发明实施例提供了一种计算机设备,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的小穗计数方法。
第四方面,本发明实施例提供了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任一实施例所述的小穗计数方法。
本发明实施例所提供的技术方案,通过获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息;对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。本发明实施例的技术方案解决了现有技术中对麦穗中的小穗进行计数时,计数准确度低和计数成本高的问题,可以提高对麦穗中小穗进行计数的自动化程度,提高计数的准确度,降低计数成本。
附图说明
图1是本发明实施例提供的一种小穗计数方法流程图;
图2是本发明实施例提供的一种小穗计数方法流程图;
图3是本发明实施例提供的一种待处理侧视麦穗图像的示意图;
图4是本发明实施例提供的一种侧视单麦穗图像的示意图;
图5是本发明实施例提供的一种在侧视单麦穗图像中识别小穗位置信息的示意图;
图6是本发明实施例提供的一种进行小穗计数的工作流程图;
图7是本发明实施例提供的一种小穗计数装置的结构示意图;
图8是本发明实施例提供的一种计算机设备的结构示意图。
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。
图1是本发明实施例提供的一种小穗计数方法流程图,本发明实施例可适用于对麦穗的小穗进行计数的场景中,该方法可以由小穗计数装置执行,该装置可以由软件和/或硬件的方式来实现。
如图1所示,小穗计数方法包括以下步骤:
S110、获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像。
其中,待处理侧视麦穗图像可以是需要进行图像处理的麦穗侧视图图像,侧视单麦穗图像是单个麦穗的侧视图像。待处理侧视麦穗图像中可以有多个麦穗,其中,每一个麦穗都是需要进行小穗计数的对象,可以通过对待处理侧视麦穗图像进行图像预处理可以得到侧视单麦穗图像。
图像预处理可以是对待处理侧视麦穗图像进行的剔除异常信息、提取关键信息等图像处理方式,具体的,可以通过对待处理侧视麦穗图像进行灰度化处理转换为单通量图像,并进行高斯滤波去噪,在去噪后的单通量图像上,进行灰度直方图分析,通过比较所有灰度值下背景和前景之间的类间方差,以类间方差最大的灰度值为阈值,对图像进行自动化阈值分割得到麦穗的初始二值图像,在初始二值图像上,进行形态学膨胀操作并去除小区域得到完整的麦穗二值化图像,再对麦穗二值化图像进行图像分析,确定包含单个侧视麦穗的矩形框,再利用该矩形框对待处理侧视麦穗图像进行裁剪,得到至少一个侧视单麦穗图像。
S120、将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息。
其中,小麦麦穗小穗数是重要的小麦穗部性状之一,目标小穗识别模型可以是用于对侧视单麦穗图像中小穗进行识别的模型,当通过小穗识别模型识别到侧视单麦穗图像中的小穗后,可以对小穗进行标记,并将标记点的位置信息作为小穗位置信息,即以小穗作为识别对象进行识别。
S130、对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
其中,在麦穗的正视图中,麦穗是正反两面的双层籽粒结构,而在麦穗侧视图中,虽然不能呈现出全部的籽粒结构,但是可以识别出全部的小穗结构。因此可以直接根据麦穗的侧视图分析得到的小穗位置信息的数量作为麦穗最终的小穗数量。
本发明实施例所提供的技术方案,通过获取待处理侧视麦穗图像,并对待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;将各侧视单麦穗图像输入到目标小穗识别模型,得到各侧视单麦穗图像中小穗位置信息;对小穗位置信息进行统计分析,得到各侧视单麦穗图像中麦穗的小穗数量。本发明实施例的技术方案解决了现有技术中对麦穗中的小穗进行计数时,计数准确度低和计数成本高的问题,可以提高对麦穗中小穗进行计数的自动化程度,提高计数的准确度,以及本实施例中的目标小穗识别模型的训练成本低,无需对样本进行大量的标注,可以降低小穗计数分析成本。
图2是本发明实施例提供的一种小穗计数方法流程图,本发明实施例可适用于对麦穗的小穗进行计数的场景中,本实施例在上述实施例的基础上,进一步的说明如何对小穗位置信息进行统计分析,得到侧视单麦穗图像中麦穗的小穗数量,以及如何训练小穗识别模型,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图2所示,小穗计数方法包括以下步骤:
S210、将预先标记有小穗标记点的侧视单麦穗图像作为模型训练样本,输入到初始小穗识别模型中,得到对应的小穗识别结果。
其中,侧视单麦穗图可以是单个麦穗的测试图,可以预先对侧视单麦穗图中的小穗进行人工标记,标记的对象是以一个小穗为一个整体,无需标注每一个籽粒或小穗的轮廓,很大程度上降低了模型训练过程中的样本准备成本。
初始小穗识别模型可以是一种未经过训练的原始小穗识别模型,可选的,可以选取P2PNET模型作为初始小穗识别模型,通过P2PNET模型中的VGG16-bn子网络模块对侧视单麦穗图像进行特征提取。
进一步的,通过初始小穗识别模型对模型训练样本中的小穗进行识别后,可以得到小穗识别结果,通过小穗识别结果可以得知初始小穗识别模型进行小穗识别的结果,以便于根据偏差值对初始小穗识别模型进行优化。
S220、基于所述小穗识别结果与预先标记的所述小穗标记点的对比分析结果,调整所述初始小穗识别模型的参数值,得到目标小穗识别模型。
其中,通过将小穗识别结果与预先标记的小穗标记点进行对比分析,可以得到初始小穗识别模型在进行小穗识别时的误差值,基于该误差值可以相应调整初始小穗识别模型的参数值,以使调整后初始小穗识别模型可以准确的识别侧视单麦穗图像中的小穗。目标小穗识别模型可以是能够较准确识别侧视单麦穗图像中小穗的模型,具体的,当调整后的初始小穗识别模型的小穗识别结果与预先标记的小穗标记点的误差趋近于一个固定值,满足预设的误差标准时,可以将调整后的初始小穗识别模型作为目标小穗识别模型。
在一个具体的模型训练实例中,可以预选准备100~200张侧视单麦穗图像作为模型训练样本,50~100张侧视单麦穗图像作为模型验证样本,使用ImageJ软件,对模型训练样本和模型验证样本中每张麦穗图像中的小穗进行人工标记,记录标记点位置,并将所有标记点在图像中的x,y坐标保存为标注文件;随后分别生成模型训练样本和模型验证样本的图像路径、标注文件路径的文本文件;再构建基于P2PNET的小穗自动计数模型,模拟人工标注,其中,主干网络采用VGG16_bn,利用VGG16_bn提取的特征图预测小穗标记点;在模型训练阶段,将经过小穗点标记的模型训练样本输入到初始练小穗识别模型中,并基于设置超参数初始对模型进行训练,调整超参数的数值。
S230、获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像。
其中,待处理侧视麦穗图像可以是需要进行图像处理的麦穗侧视图图像,侧视单麦穗图像是单个麦穗的侧视图像。待处理侧视麦穗图像中可以有多个麦穗,其中,每一个麦穗都是需要进行小穗计数的对象,可以通过对待处理侧视麦穗图像进行图像预处理可以得到侧视单麦穗图像。
图像预处理可以是对待处理侧视麦穗图像进行的剔除异常信息、提取关键信息等图像处理方式,具体的,可以通过对待处理侧视麦穗图像进行灰度化处理转换为单通量图像,并进行高斯滤波去噪,在去噪后的单通量图像上,进行灰度直方图分析,通过比较所有灰度值下背景和前景之间的类间方差,以类间方差最大的灰度值为阈值,对图像进行自动化阈值分割得到麦穗的初始二值图像,在初始二值图像上,进行形态学膨胀操作并去除小区域得到完整的麦穗二值化图像,再对麦穗二值化图像进行图像分析,确定包含单个麦穗的矩形框,再利用该矩形框对待处理侧视麦穗图像进行裁剪,得到至少一个侧视单麦穗图像。
示例性的,图3是本发明实施例提供的一种待处理侧视麦穗图像的示意图,如图3所示,在待处理侧视麦穗图像中包含多个侧视麦穗。进一步的,在对待处理侧视麦穗图像进行预处理后可以得到侧视单麦穗图像,示例性的,图4是本发明实施例提供的一种侧视单麦穗图像的示意图,如图4所示,侧视单麦穗图像中麦穗的数量为一个。
S240、将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息。
其中,小麦麦穗的小穗数是重要的小麦穗部性状之一,当通过目标小穗识别模型识别到侧视单麦穗图像中的小穗后,可以对小穗进行标记,并将标记点的位置信息作为小穗位置信息,即以小穗作为识别对象进行识别。
示例性的,图5是本发明实施例提供的一种在侧视单麦穗图像中识别小穗位置信息的示意图,如图5所示,图中的标记点可以作为小穗位置信息。
S250、对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
在麦穗的正视图中,麦穗是正反两面的双层籽粒结构,而在麦穗侧视图中,虽然不能呈现出全部的籽粒结构,但是可以识别出全部的小穗结构。因此可以直接统计侧视单麦穗图像中的小穗位置信息的数量,并将小穗位置信息的数量作为侧视单麦穗图像中麦穗的小穗数量。
本发明实施例所提供的技术方案,通过将预先标记有小穗标记的侧视单麦穗图像作为模型训练样本,输入到待训练小穗识别模型中,进行模型训练;当待训练小穗识别模型的损失函数收敛时,完成模型训练过程,得到目标小穗识别模型;获取待处理侧视麦穗图像,并对待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;将各侧视单麦穗图像输入到目标小穗识别模型,得到各侧视单麦穗图像中小穗位置信息;对小穗位置信息进行统计分析,得到各侧视单麦穗图像中麦穗的小穗数量。本发明实施例的技术方案解决了现有技术中对麦穗中的小穗进行计数时,计数准确度低和计数成本高的问题,可以提高对麦穗中小穗进行计数的自动化程度,提高计数的准确度,降低计数成本。
图6是本发明实施例提供的又一种小穗计数方法流程图,本发明实施例可适用于对麦穗的性状进行分析的场景中,本实施例在上述实施例的基础上,进一步的说明如何识别麦穗的长度和宽度,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图6所示,小穗计数方法包括以下步骤:
S310、对所述待处理侧视麦穗图像进行二值化处理得到所述至少一个侧视单麦穗图像对应的去掉麦芒的侧视单麦穗二值图像。
其中,待处理侧视麦穗图像可以是需要进行图像处理的麦穗侧视图图像,侧视单麦穗图像可以是单个麦穗的侧视图像,待处理侧视麦穗图像中可以有多个麦穗,通过对待处理侧视麦穗图像进行裁剪可以得到侧视单麦穗图像。去掉麦芒的侧视单麦穗二值图像可以是单个无麦芒的麦穗二值图像,去掉麦芒的侧视单麦穗二值图像可以通过对待处理侧视麦穗图像进行图像二值化处理后得到,通过去掉麦芒处理,可以避免麦芒对麦穗的长度和宽度的识别造成影响。具体的,可以将待处理侧视麦穗图像转换为单通量图像,并进行高斯滤波去噪,在去噪后的单通量图像上,进行灰度直方图分析,通过比较所有灰度值下背景和前景之间的类间方差,以类间方差最大的灰度值为阈值,对图像进行自动化阈值分割得到麦穗的初始二值图像,再根据形态学膨胀操作去掉初始二值图像中的异常点,然后,通过进行形态学开操作、去除小区域和填充孔洞得到去掉芒的麦穗二值图像,随后,通过对麦穗二值图像进行裁剪可以得到侧视单麦穗二值图像。
S320、针对所述去掉麦芒的侧视单麦穗二值图像中麦穗的各像素点坐标信息进行主成分分析得到第一主成分方向的第一直线和第二主成分方向的第二直线。
其中,像素点坐标信息可以是去掉麦芒的侧视单麦穗二值图像中麦穗像素点的坐标信息,也即去掉麦芒的侧视单麦穗二值图像中白色区域像素点的坐标信息。主成分分析可以确定像素点的分布特征,从中可以确定去掉麦芒的侧视单麦穗二值图像中麦穗的质心坐标,并将经过质心的竖直方向作为第一主成分方向,将经过质心的水平方向作为第二主成分方向,即可以理解为第一直线可以是麦穗区域中经过麦穗质心的竖直方向的直线,第一直线可以是麦穗区域中经过麦穗质心的水平方向的直线。
S330、根据所述去掉麦芒的侧视单麦穗二值图像中麦穗的各轮廓点到所述第一直线和所述第二直线的距离确定所述去掉麦芒的侧视单麦穗二值图像中麦穗的麦长和麦宽。
其中,小麦麦穗的麦长和麦宽是重要的小麦穗部性状,麦长即为麦穗的最大长度,麦宽即为麦穗的最大宽度,麦长和麦宽可以根据去掉麦芒的侧视单麦穗二值图像中麦穗的各轮廓点到第一直线和第二直线的距离进行确定。具体的,可以将各轮廓点到第一直线的距离中的最大距离和最小距离的绝对值之和作为麦长或麦宽;将各轮廓点到第二直线的距离中的最大距离和最小距离的绝对值之和作为麦宽或麦长。
示例性的,当第一直线为麦穗竖直方向的直线,第二直线为麦穗水平方向的直线时,当各轮廓点到第一直线的有向距离可以记作dl1i,各轮廓点到第二直线的有向距离可以记作dl2i,可以将各轮廓点到第一直线的有向距离的最大值与最小值的绝对值之和作为麦穗的麦长,将各轮廓点到第二直线的有向距离的最大值和最小值的绝对值之和作为麦穗的麦宽。具体的,可以由以下公式进行表示:
L=max(dl2i)+|min(dl2i)|
W=max(dl1i)+|min(dl1i)|
其中,max(dl2i)表示轮廓点到第二直线的有向距离的最大值,|min(dl2i)|表示轮廓点到第二直线的有向距离的最小值的绝对值,两者的之和为麦长L;max(dl1i)表示轮廓点到第一直线的有向距离的最大值,|min(dl2i)|表示轮廓点到第一直线的有向距离的最小值的绝对值,两者的之和为麦宽W。
本发明实施例所提供的技术方案,通过对待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像对应的去掉麦芒的侧视单麦穗二值图像;针对去掉麦芒的侧视单麦穗二值图像中麦穗的各像素点坐标信息进行主成分分析得到第一主成分方向的第一直线和第二主成分方向的第二直线;根据去掉麦芒的侧视单麦穗二值图像中麦穗的各轮廓点到第一直线和第二直线的距离确定去掉麦芒的侧视单麦穗二值图像中麦穗的麦长和麦宽。本发明实施例的技术方案解决了现有技术中对麦穗的麦长和麦宽进行测量时,测量准确度低和测量成本高的问题,可以提高对麦穗的麦长和麦宽进行测量的自动化程度,提高测量的准确度,降低测量成本。
图7是本发明实施例提供的一种小穗计数装置的结构示意图,本发明实施例可适用于对麦穗的小穗进行计数的场景中,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图7所示,小穗计数装置包括:麦穗图像预处理模块310、控制参数确定模块320和控制参数确定模块330。
其中,麦穗图像预处理模块310,用于获取待处理侧视麦穗图像,并对待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;小穗识别模块320,用于将各侧视单麦穗图像输入到目标小穗识别模型,得到各侧视单麦穗图像中小穗位置信息;小穗计数模块330,用于对小穗位置信息进行统计分析,得到各侧视单麦穗图像中麦穗的小穗数量。
本发明实施例所提供的技术方案,通过获取待处理侧视麦穗图像,并对待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;将各侧视单麦穗图像输入到目标小穗识别模型,得到各侧视单麦穗图像中小穗位置信息;对小穗位置信息进行统计分析,得到各侧视单麦穗图像中麦穗的小穗数量。本发明实施例的技术方案解决了现有技术中对麦穗中的小穗进行计数时,计数准确度低和计数成本高的问题,可以提高对麦穗中小穗进行计数的自动化程度,提高计数的准确度,降低计数成本。
在一种可选的实施方式中,小穗计数模块330具体用于:统计小穗位置信息对应的小穗标记点的数量作为小穗数量。
在一种可选的实施方式中,小穗计数装置还包括:麦穗长宽识别模块,用于:对待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像对应的去掉麦芒的侧视单麦穗二值图像;针对去掉麦芒的侧视单麦穗二值图像中麦穗的各像素点坐标信息进行主成分分析得到第一主成分方向的第一直线和第二主成分方向的第二直线;根据去掉麦芒的侧视单麦穗二值图像中麦穗的各轮廓点到第一直线和第二直线的距离确定去掉麦芒的侧视单麦穗二值图像中麦穗的麦长和麦宽。
在一种可选的实施方式中,麦穗长宽识别模块具体用于:将各轮廓点到第一直线的距离中的最大距离和最小距离的绝对值之和作为麦长或麦宽;将各轮廓点到第二直线的距离中的最大距离和最小距离的绝对值之和作为麦宽或麦长。
在一种可选的实施方式中,小穗计数装置还包括:小穗识别模型训练模块,用于:将预先标记有小穗标记点的侧视单麦穗图像作为模型训练样本,输入到初始小穗识别模型中,得到对应的小穗标记点识别结果;基于所述小穗识别结果与预先标记的所述小穗标记点的对比分析结果,调整所述初始小穗识别模型的参数值,得到所述目标小穗识别模型。
在一种可选的实施方式中,初始小穗识别模型包括VGG16-bn网络结构。
在一种可选的实施方式中,目标小穗识别模型是基于P2PNET模型训练得到的模型。
本发明实施例所提供的小穗计数装置可执行本发明任意实施例所提供的小穗计数方法,具备执行方法相应的功能模块和有益效果。
图8为本发明实施例提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图8显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以任意具有计算能力的终端设备,可以与配置于小穗计数设备中。
如图8所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18可以是几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图8中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的小穗计数方法,该方法包括:
获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;
将所述各侧视单麦穗图像输入到目标小穗识别模型,得到所述各侧视单麦穗图像中小穗位置信息;
对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
本实施例提供了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本发明任意实施例所提供的小穗计数方法,包括:
获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;
将所述各侧视单麦穗图像输入到目标小穗识别模型,得到所述各侧视单麦穗图像中小穗位置信息;
对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,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)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种小穗计数方法,其特征在于,所述方法包括:
获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;
将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息;
对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
2.根据权利要求1所述的方法,其特征在于,所述对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量,包括:
统计所述小穗位置信息对应的小穗标记点的数量作为所述小穗数量。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述待处理侧视麦穗图像进行二值化处理得到所述至少一个侧视单麦穗图像对应的去掉麦芒的侧视单麦穗二值图像;
针对所述去掉麦芒的侧视单麦穗二值图像中麦穗的各像素点坐标信息进行主成分分析得到第一主成分方向的第一直线和第二主成分方向的第二直线;
根据所述去掉麦芒的侧视单麦穗二值图像中麦穗的各轮廓点到所述第一直线和所述第二直线的距离确定所述去掉麦芒的侧视单麦穗二值图像中麦穗的麦长和麦宽。
4.根据权利要求3所述的方法,其特征在于,所述根据所述去掉麦芒的侧视单麦穗二值图像中麦穗的各轮廓点到所述第一直线和所述第二直线的距离确定所述去掉麦芒的侧视单麦穗二值图像中麦穗的麦长和麦宽,包括:
将所述各轮廓点到所述第一直线的距离中的最大距离和最小距离的绝对值之和作为所述麦长或所述麦宽;
将所述各轮廓点到所述第二直线的距离中的最大距离和最小距离的绝对值之和作为所述麦宽或所述麦长。
5.根据权利要求1所述的方法,其特征在于,所述目标小穗识别模型的训练过程,包括:
将预先标记有小穗标记点的侧视单麦穗图像作为模型训练样本,输入到初始小穗识别模型中,得到对应的小穗识别结果;
基于所述小穗识别结果与预先标记的所述小穗标记点的对比分析结果,调整所述初始小穗识别模型的参数值,得到所述目标小穗识别模型。
6.根据权利要求5所述的方法,其特征在于,所述初始小穗识别模型包括VGG16-bn网络结构。
7.根据权利要求1-6中任一所述的方法,其特征在于,所述目标小穗识别模型是基于P2PNET模型训练得到的模型。
8.一种小穗计数装置,其特征在于,所述装置包括:
麦穗图像预处理模块,用于获取待处理侧视麦穗图像,并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像;
麦穗识别模块,用于将各所述侧视单麦穗图像输入到目标小穗识别模型,得到各所述侧视单麦穗图像中小穗位置信息;
小穗计数模块,用于对所述小穗位置信息进行统计分析,得到各所述侧视单麦穗图像中麦穗的小穗数量。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的小穗计数方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的小穗计数方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180913.5A CN116091481A (zh) | 2023-02-16 | 2023-02-16 | 一种小穗计数方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180913.5A CN116091481A (zh) | 2023-02-16 | 2023-02-16 | 一种小穗计数方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091481A true CN116091481A (zh) | 2023-05-09 |
Family
ID=86212106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310180913.5A Pending CN116091481A (zh) | 2023-02-16 | 2023-02-16 | 一种小穗计数方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091481A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455912A (zh) * | 2023-12-23 | 2024-01-26 | 安徽农业大学 | 一种基于三平面镜的玉米穗粒全景计数方法及计数系统 |
-
2023
- 2023-02-16 CN CN202310180913.5A patent/CN116091481A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455912A (zh) * | 2023-12-23 | 2024-01-26 | 安徽农业大学 | 一种基于三平面镜的玉米穗粒全景计数方法及计数系统 |
CN117455912B (zh) * | 2023-12-23 | 2024-03-19 | 安徽农业大学 | 一种基于三平面镜的玉米穗粒全景计数方法及计数系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705405B (zh) | 目标标注的方法及装置 | |
CN107945198B (zh) | 用于标注点云数据的方法和装置 | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
CN110020592A (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN112085022B (zh) | 一种用于识别文字的方法、系统及设备 | |
CN112380981A (zh) | 人脸关键点的检测方法、装置、存储介质及电子设备 | |
CN113012200B (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
CN110647886A (zh) | 兴趣点标注方法、装置、计算机设备和存储介质 | |
CN114549993A (zh) | 实验中线段图像的评分方法、系统、设备及可读存储介质 | |
CN116091481A (zh) | 一种小穗计数方法、装置、设备和存储介质 | |
CN112232354A (zh) | 一种文字识别方法、装置、设备及存储介质 | |
CN116433692A (zh) | 一种医学图像分割方法、装置、设备和存储介质 | |
CN113762455A (zh) | 检测模型训练方法、单字检测方法、装置、设备及介质 | |
CN113177957B (zh) | 一种细胞图像的分割方法、装置、电子设备及存储介质 | |
CN113936232A (zh) | 一种碎屏识别方法、装置、设备和存储介质 | |
CN118262388A (zh) | 一种指纹识别方法、装置、电子设备以及存储介质 | |
CN114120071A (zh) | 一种带有对象标注框图像的检测方法 | |
CN117197479A (zh) | 一种应用玉米果穗外表面的图像分析方法、装置、计算机设备及存储介质 | |
CN114387600B (zh) | 文本特征识别方法、装置、计算机设备和存储介质 | |
CN111753625B (zh) | 一种行人检测方法、装置、设备及介质 | |
CN115359008A (zh) | 显示界面的测试方法及装置、存储介质、电子设备 | |
CN112348112B (zh) | 图像识别模型的训练方法、训练装置及终端设备 | |
CN114519782A (zh) | 一种路沿提取方法及装置 | |
CN113469086A (zh) | 建筑平面图中的区域划分方法、装置、设备及介质 | |
CN109815307B (zh) | 位置确定方法、装置、设备和介质 |
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 |