CN116757507B - 一种作物灌浆过程预测方法、系统、电子设备及存储介质 - Google Patents

一种作物灌浆过程预测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116757507B
CN116757507B CN202311015659.XA CN202311015659A CN116757507B CN 116757507 B CN116757507 B CN 116757507B CN 202311015659 A CN202311015659 A CN 202311015659A CN 116757507 B CN116757507 B CN 116757507B
Authority
CN
China
Prior art keywords
crop
grouting
dimensional
image
period
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
Application number
CN202311015659.XA
Other languages
English (en)
Other versions
CN116757507A (zh
Inventor
刘唯真
陈豪
袁晓辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202311015659.XA priority Critical patent/CN116757507B/zh
Publication of CN116757507A publication Critical patent/CN116757507A/zh
Application granted granted Critical
Publication of CN116757507B publication Critical patent/CN116757507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)

Abstract

本发明提供了一种作物灌浆过程预测方法、系统、电子设备及存储介质，其方法包括：获取作物在灌浆期初期的作物三维CT图像，并将所述灌浆期初期的作物三维CT图像输入训练完备的作物三维CT图像生成网络模型得到作物灌浆期内后续生长三维CT图像，基于分水岭算法对作物灌浆期内后续生长三维CT图像和灌浆期初期的作物三维CT图像进行处理得到作物灌浆期内不同时间点作物的籽粒的体积数据和不同时间点作物的籽粒的数量数据，通过灌浆进程模型对作物灌浆期内不同时间点作物的籽粒的体积数据和不同时间点作物的籽粒的数量数据进行拟合得到灌浆性状，解决了现有技术无法提取和分析体积等籽粒灌浆性状，也无法活体动态观测作物灌浆等生长发育情况的问题。

Description

一种作物灌浆过程预测方法、系统、电子设备及存储介质
技术领域
本发明涉及农业领域，尤其涉及一种作物灌浆过程预测方法、系统、电子设备及存储介质。
背景技术
传统上，作物籽粒灌浆性状测定主要依赖于人工，从栽培的多个作物植株上裁剪具有代表性麦穗，经脱粒后测定其籽粒体积、干重或鲜重等表型在灌浆期内的动态变化。显然，传统方法存在籽粒易破损、难以准确测量籽粒体积和重量、无法反映作物籽粒灌浆特性的空间分布等缺点，且作物的灌浆周期往往较长，若跟踪拍摄作物的整个灌浆期时间成本较高且传统测定方法无法观察同一个活体的灌浆进程。因此，传统方法已成为制约作物高产育种与灌浆机理研究的瓶颈。
随着技术的发展，开始有部分基于机器视觉的作物表型性状测量方法，主要包括两类：一类是以高通量数字化考种系统为代表，测量前需要先脱粒，然后获取二维籽粒图像进而提取作物籽粒性状；另一类方法选取一个作物，不需要脱粒，人工将作物平铺于扫描仪扫描成，获取作物二维图像，利用图像分析软件对图像进行去背景、识别分割，然后进行性状提取。通过作物的扫描图像可以获得作物组成性状。其需要人工将稻穗平铺于扫描仪扫描成像，获取作物二维图像后再进行识别和提取性状。然而，第一类方法测量前需要先脱粒，然后获取二维籽粒图像进而提取籽粒性状，不能进行原位的测定。第二类方法人工铺平作物时需要选择特殊时期，而且此步骤工作量大，另外，因为是平铺的，只能提取籽粒2D性状，无法提取和分析体积等籽粒灌浆性状，也无法活体动态观测籽粒灌浆等生长发育情况。由此可知，现有技术的存在观测籽粒灌浆等生长发育情况耗时较长，需要大量人力物力进行跟踪拍摄的问题。
发明内容
有鉴于此，本发明提供一种作物灌浆过程预测方法，用于解决存在观测籽粒灌浆等生长发育情况耗时较长，需要大量人力物力进行跟踪拍摄的问题。
为解决上述问题，本发明提一种作物灌浆过程预测方法，包括：
获取训练完备的作物三维CT图像生成网络模型；
获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；
基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；
通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状。
在一些可能实现的方式中，所述获取训练完备的作物三维CT图像生成网络模型，包括：
获取目标数量作物在灌浆期内不同时间点的作物三维CT图像，并将所述目标数量作物在灌浆期内不同时间点的作物三维CT图像分为训练样本集和测试样本集；
通过训练样本集对预设的对抗网络模型进行训练，得到初始作物三维CT图像生成网络模型；
通过测试样本集对所述初始作物三维CT图像生成网络模型进行测试，当初始作物三维CT图像生成网络模型的计算SSIM和FID到设定阈值时，确定所述初始作物三维CT图像生成网络模型为训练完备的作物三维CT图像生成网络模型。
在一些可能实现的方式中，所述对抗网络模型，包括：生成器和判别器；
所述生成器由一个全连接层、四个上采样块和卷积层组成；
所述卷积层为三维卷积层，所述卷积层基于3D子流形稀疏卷积进行卷积运算；
所述判别器均由一个输入层、一个隐藏层、一个输出层以及稠密连接层组成。
在一些可能实现的方式中，所述获取作物在灌浆期任意一时间段内的作物三维CT图像，包括：
建立作物CT的动态扫描流程；
基于所述作物CT的动态扫描流程对所述作物进行CT扫描，获得作物在灌浆期任意一时间段内的作物CT图像；
基于所述作物在灌浆期任意一时间段内的作物CT图像进行三维重建得到所述作物在灌浆期任意一时间段内的作物三维CT图像。
在一些可能实现的方式中，所述基于所述作物在灌浆期任意一时间段内的作物CT图像进行三维重建得到所述作物在灌浆期任意一时间段内的作物三维CT图像，包括：
对所述作物在灌浆期任意一时间段内的作物CT图像进行增强植株区域与背景噪声的对比度处理得到第一作物CT图像；
对所述第一作物CT图像进行滤波处理得到第二作物CT图像；
将所述第二作物CT图像通过基于图像特征点匹配的方法进行图像配准与拼接得到作物二维断层图像，并基于所述作物二维断层图像沿z轴方向逐层堆叠，完成三维重建得到所述灌浆期初期的作物三维CT图像。
在一些可能实现的方式中，所述基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据，包括：
通过高阈值分割和图像腐蚀对所述作物灌浆期内后续生长三维CT图像进行处理获取作物籽粒的核心位置并进行核心标记；
基于所述核心标记通过分水岭算法对所述作物灌浆期内后续生长三维CT图像中密集粘连籽粒的分割得到分割后的作物籽粒三维图像；
基于所述作物籽粒的核心位置和所述分割后的作物籽粒三维图像通过距离标记算法计算籽粒其他部分到核心的距离；
基于籽粒其他部分到核心的距离对分割后的籽粒进行体积测量得到不同时间点作物的籽粒的体积；
基于分割后的作物籽粒三维图像对作物数量进行统计得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据。
在一些可能实现的方式中，所述通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状，包括：
对灌浆进程模型进一阶求导得到灌浆速率方程；
基于所述灌浆速率方程和所述不同时间点作物的籽粒的体积和数量数据得到灌浆性状。
另一方面，本发明还提供了一种作物灌浆过程预测系统，所述系统，包括：
模型获取模块，获取训练完备的作物三维CT图像生成网络模型；
作物三维CT图预测模块，获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；
籽粒数据获取模块，基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；
灌浆性状提取模块，通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状。
另一方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意一项所述的一种作物灌浆过程预测方法中的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述任意一项所述的一种作物灌浆过程预测方法中的步骤。
与现有技术相比，本发明有益效果包括：本发明通过获取训练完备的作物三维CT图像生成网络模型；获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状。
本发明通过CT扫描获取作物在灌浆期任意一时间段内的作物三维CT图像，并通过训练完备的作物三维CT图像生成网络模型预测出作物灌浆期后续生长三维CT图像，进而通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状，得到作物未来的生长情况，大大减少了对作物的观测时间，为育种提供了数据支持，减少了作物育种的时间，同时减少CT扫描次数，减小了CT对作物生长的影响，提高了对作物在灌浆期的监测的准确性，解决了现有技术存在观测籽粒灌浆等生长发育情况耗时较长，需要大量人力物力进行跟踪拍摄的问题。
附图说明
图1为本发明提供的一种作物灌浆过程预测方法一实施例的流程图；
图2为本发明提供的一种作物CT图的一实施例示意图；
图3为本发明提供的一种作物单穗三维CT图的一实施例示意图；
图4为本发明提供的一种作物籽粒三维CT图的一实施例示意图；
图5为本发明提供的一种作物CT图像处理流程的一实施例流程图；
图6a为本发明提供的一种作物三维CT图像生成网络模型一实施例中生成器的结构示意图；
图6b为本发明提供的一种作物三维CT图像生成网络模型一实施例中判别器的结构示意图；
图7为本发明提供的一种作物灌浆过程预测系统的一个实施例结构示意图；
图8为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
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，所描述的实施例仅仅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，本邻域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。
应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本邻域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本邻域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
在陈述具体实施例之前，需要说明的是，本发明提及的作物，包括但不限于小麦、水稻和燕麦等禾本植物。
本发明实施例提供了一种作物灌浆过程预测方法、装置、电子设备及存储介质，以下进行说明。
图1为本发明提供的一种作物灌浆过程预测方法一实施例的流程图，其包括以下步骤：
S101、获取训练完备的作物三维CT图像生成网络模型；
S102、获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；
S103、基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；
S104、通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状。
与现有技术相比，本发明通过获取训练完备的作物三维CT图像生成网络模型；获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状。
本发明通过CT扫描获取作物在灌浆期任意一时间段内的作物三维CT图像，并通过训练完备的作物三维CT图像生成网络模型预测出作物灌浆期后续生长三维CT图像，进而通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状，得到作物未来的生长情况，大大减少了对作物的观测时间，为育种提供了数据支持，减少了作物育种的时间，同时减少CT扫描次数，减小了CT对作物生长的影响，提高了对作物在灌浆期的监测的准确性，解决了现有技术存在观测籽粒灌浆等生长发育情况耗时较长，需要大量人力物力进行跟踪拍摄的问题。
需要说明的是，所述CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕被扫描物体的某一部位作一个的断面扫描。
在本发明的优选的实施例中，所述获取训练完备的作物三维CT图像生成网络模型，包括：
获取目标数量作物在灌浆期内不同时间点的作物三维CT图像，并将所述目标数量作物在灌浆期内不同时间点的作物三维CT图像分为训练样本集和测试样本集；
通过训练样本集对预设的对抗网络模型进行训练，得到初始作物三维CT图像生成网络模型；
通过测试样本集对所述初始作物三维CT图像生成网络模型进行测试，当初始作物三维CT图像生成网络模型的计算SSIM和FID到设定阈值时，确定所述初始作物三维CT图像生成网络模型为训练完备的作物三维CT图像生成网络模型。
在具体的实施例中，所述利用所述测试样本集对调整超参数后的作物三维CT图像生成网络模型进行测试，通过结构相似性（SSIM）和Frechet起始距离（FID）评分评估生成的CT图像的质量和保真度。当SSIM和FID达到设定阈值时，得到所述训练完备的作物三维CT图像生成网络模型。
需要说明的是，所述SSIM全称为“Structural Similarity Index”，中文意思即为结构相似性，是衡量图像质量的指标之一。
进一步，需要说明的是，所述FID的全称是（Fréchet Inception Distance），用于衡量两个多元正态分布的距离，数值越小越好，FID是从原始图像的计算机视觉特征的统计方面，来衡量两组图像的相似度，是计算真实图像和生成图像的特征向量之间距离的一种度量。
在本发明的优选的实施例中，所述对抗网络模型，包括：生成器和判别器；
所述生成器由一个全连接层、四个上采样块和卷积层组成；
所述卷积层为三维卷积层，所述卷积层基于3D子流形稀疏卷积进行卷积运算；
所述判别器均由一个输入层、一个隐藏层、一个输出层以及稠密连接层组成。
在具体的实施例中，请参阅图6a、6b，图6a为本发明提供的一种作物三维CT图像生成网络模型一实施例中生成器的结构示意图，图6b为本发明提供的一种作物三维CT图像生成网络模型一实施例中判别器的结构示意图，所述CT图像预测模型结合GAN和RNN作为基本构型，包括生成器和判别器。以3D深度可分离卷积作为基本算子。其中生成器模块由全连接层、四个上采样块和卷积层组成。生成器和所述判别器均由一个输入层、隐藏层、输出层以及稠密连接层组成。
如图6a所示，生成器以一个作物三维CT图像作为输入，经过RNN模块提取出其时间序列特征，接在时间序列特征末尾处连接上一个符合高斯分布的随机噪声，并将其输入到稠密连接层中，通过多次3D反卷积来完成三维CT图像的生成，并将预测的三维CT图像作为输出；
如图6b所示，判别器以一个作物三维CT图像在末尾处分别连接真实的预测三维CT图像以及生成器预测出来的三维CT图像作为输入，经过RNN提取出其时间序列特征并输入到稠密连接层中，经过多次卷积后得到两张图像的真实概率；
在判别器的稠密连接层中，采用了稀疏特征抑制模块，使得作物的特征能更好地被提取；
其中，评价生成图像质量的指标，包括：
图像质量和保真度通过计算结构相似性（SSIM）和Frechet起始距离（FID）评分评估。SSIM值表示两个图像在亮度、对比度和结构方面的相似性，其值介于0~1，较高的SSIM值指示两个图像之间的较高相似性。FID值计算特征空间中真实的图像与生成图像之间的距离。FID值越小，虚拟图像的质量越高。SSIM和FID的计算公式见公式：
其中x和y分别是真实的和虚像。和/>分别是图像x和y的平均值。/>和/>分别表示两个图像的标准差，/>是x和y的协方差。/>和/>是两个图像的协方差矩阵。
其中，稀疏特征抑制模块，包括：
在卷积的点乘相加操作之后，使用哈希表遍历输入特征图的零值区域，将输入特征图的对应区域归零，从而抑制了稀疏特征的膨胀问题。假设为卷积核边长，卷积步长为/>，输入通道为/>，输出通道为/>，子流形稀疏卷积可以表示为/>。对于，输出/>以及输入/>满足约束条件：
(/>-1)/2/>
稀疏特征抑制具体操作是，针对输入中的零值区域建立零值表/>，对卷积输出/>进行以下处理：
。
在本发明的优选的实施例中，所述获取作物在灌浆期任意一时间段内的作物三维CT图像，包括：
建立作物CT的动态扫描流程；
基于所述作物CT的动态扫描流程对所述作物进行CT扫描，获得作物在灌浆期任意一时间段内的作物CT图像；
基于所述作物在灌浆期任意一时间段内的作物CT图像进行三维重建得到所述作物在灌浆期任意一时间段内的作物三维CT图像。
在具体的实施例中，所述作物CT的动态扫描流程，包括：
步骤1.1：选取作物品种；
步骤1.2：种植作物；
步骤1.2.1：在温室条件下，将作物样本采用盆栽方式进行单株种植；
步骤1.3：以天为时间单位动态采集作物灌浆期CT图像；
步骤1.3.1：在作物开花若干天后（根据作物的品种不同确定天数），选用CT三维成像设备进行作物的CT图像数据采集；
步骤1.3.2：调整设备参数，空间分辨率为约为0.3mm，投影图像分辨率为512×512，断层间距为0.3mm；
步骤1.3.3：将种有作物的盆栽放在设备中间，固定不动；
步骤1.3.4：启动仪器，此时设备的微焦点X射线源和平板探测器会以固定的距离围绕待测样本旋转，同时从高往低垂直移动扫描；
步骤1.3.5：因该设备一次扫描的视野高度有限，某些作物的长度可能超出单次扫描高度，为保证完整地扫描完整株作物，每完成一次采集后，射线源和平板探测器下降一段距离，再重复步骤1.3.4一段距离后得到所述作物在灌浆期任意一时间段内的作物三维CT图像。
在本发明的优选实施例中，所述基于所述作物在灌浆期任意一时间段内的作物CT图像进行三维重建得到所述作物在灌浆期任意一时间段内的作物三维CT图像，包括：
对所述作物在灌浆期任意一时间段内的作物CT图像进行增强植株区域与背景噪声的对比度处理得到第一作物CT图像；
对所述第一作物CT图像进行滤波处理得到第二作物CT图像；
将所述第二作物CT图像通过基于图像特征点匹配的方法进行图像配准与拼接得到作物二维断层图像，并基于所述作物二维断层图像沿z轴方向逐层堆叠，完成三维重建得到所述灌浆期初期的作物三维CT图像。
在具体的实施例中，请参阅图2，图2为本发明提供的一种作物CT图的一实施例示意图，具体三维重建流程请参阅图5，图5为本发明提供的一种作物CT图像处理流程的一实施例流程图，具体以CT窗口技术为基础，通过调节作物在灌浆期任意一时间段内的作物CT图像的窗宽（Window Width）、窗位（Window Level），增强植株区域与背景噪声的对比度得到第一作物CT图像；
使用滤波技术对所述第一作物CT图像进行处理去除植株图像背景的噪点，提升籽粒各部分之间边界以及背景的清晰度得到第二作物CT图像；
将同一植株多个高度上扫描得到作物CT图像的按从高到低的顺序进行拼接，将相邻高度上采集断层作物CT图像的重叠部分删除，按照断面次序重新排列，最后利用基于图像特征点匹配的方法进行图像配准与拼接得到作物二维断层图像；
最后将二维断层图像沿z轴方向逐层堆叠，完成三维重建得到所述灌浆期初期的作物三维CT图像。
在本发明的优选实施例中，所述基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据，包括：
通过高阈值分割和图像腐蚀对所述作物灌浆期内后续生长三维CT图像进行处理获取作物籽粒的核心位置并进行核心标记；
基于所述核心标记通过分水岭算法对所述作物灌浆期内后续生长三维CT图像中密集粘连籽粒的分割得到分割后的作物籽粒三维图像；
基于所述作物籽粒的核心位置和所述分割后的作物籽粒三维图像通过距离标记算法计算籽粒其他部分到核心的距离；
基于籽粒其他部分到核心的距离对分割后的籽粒进行体积测量得到不同时间点作物的籽粒的体积；
基于分割后的作物籽粒三维图像对作物数量进行统计得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据。
在具体的实施例中，利用基于图像处理的技术将有多穗的作物裁剪成多个单穗（如水稻、小麦等）具体图像请参阅图3，图3为本发明提供的一种作物单穗三维CT图的一实施例示意图，具体图像处理包括灰度归一化、自适应阈值分割、图像腐蚀、膨胀、连通域筛选等数字图像处理技术对所述作物灌浆期三维图像进行处理具体请参阅图7，图7为本发明提供的一种作物CT图像处理流程的一实施例流程图，获取作物籽粒的核心位置并进行核心标记，然后利用分水岭算法实现籽粒的分割得到分割后的作物籽粒三维图像，具体请参阅图4，图4为本发明提供的一种作物籽粒三维CT图的一实施例示意图。
基于所述作物籽粒的核心位置和所述分割后的作物籽粒三维图像通过距离标记算法计算籽粒其他部分到核心的距离；基于籽粒其他部分到核心的距离对分割后的籽粒进行体积测量得到不同时间点作物的籽粒的体积；通过统计图像的连通区域个数获得作物的总粒数。
在本发明的优选实施例中，所述通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状，包括：
对灌浆进程模型进一阶求导得到灌浆速率方程；
基于所述灌浆速率方程和所述不同时间点作物的籽粒的体积和数量数据得到灌浆性状。
在具体的实施例中，以开花后天数为自变量，每次所得平均体积/>为因变量，用Richards方程拟合灌浆期籽粒体积增长过程；
用Richards方程拟合灌浆进程模型的表达式为
其中，A、B、K、N为常数，A为生长终值量（体积，），N为环境充分系数，，其中/>为体积量初值（体积，/>），/>，r表示内禀增长率。
在灌浆进程模型的基础上，通过对其进行求一阶导，可以得到灌浆速率方程：
从而可以得到作物的各种灌浆性状，包括：
灌浆速率极大值出现时间：
灌浆速率最大时的生长量：
最大灌浆速率：
灌浆起始势：
灌浆活跃生长期：
灌浆持续期：
平均灌浆速率：
以均方根误差(RMSE)、平均绝对误差(MAE)和决定系数()为指标，通过计算三个方程的各个指标，绘制观测值与灌浆方程模拟值的散点图并添加趋势线，得到灌浆性状。
需要说明的是，所述灌浆进程模型即为Richards模型。
为了更好实施本发明实施例中的一种作物灌浆过程预测方法，在作物灌浆过程监测方法基础之上，对应的，本发明实施例还提供了一种作物灌浆过程预测系统，如图7所示，作物灌浆过程监测系统800包括：
模型获取模块801，获取训练完备的作物三维CT图像生成网络模型；
作物三维CT图预测模块802，获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；
籽粒数据获取模块803，基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；
灌浆性状提取模块804，通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状。
上述实施例提供的作物灌浆过程监测系统800可实现上述作物灌浆过程监测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述中多任务联合检测方法实施例中的相应内容，此处不再赘述。
如图8所示，本发明还相应提供了一种电子设备900。该电子设备900包括处理器901、存储器902及显示器903。图8仅示出了电子设备900的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
处理器901在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器902中存储的程序代码或处理数据，例如本发明中的作物灌浆过程监测方法。
在一些实施例中，处理器901可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器901可为本地的或远程的。在一些实施例中，处理器901可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。
存储器902在一些实施例中可以是电子设备900的内部存储单元，例如电子设备900的硬盘或内存。存储器902在另一些实施例中也可以是电子设备900的外部存储设备，例如电子设备900上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，存储器902还可既包括电子设备900的内部储存单元也包括外部存储设备。存储器902用于存储安装电子设备900的应用软件及各类数据。
显示器903在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器903用于显示在电子设备900的信息以及用于显示可视化的用户界面。电子设备900的部件901-903通过系统总线相互通信。
在本发明的一些实施例中，当处理器901执行存储器902中的作物灌浆过程监测程序时，可实现以下步骤：
获取训练完备的作物三维CT图像生成网络模型；
获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；
基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；
通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状。
应当理解的是：处理器901在执行存储器902中的作物灌浆过程监测程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备900的类型不作具体限定，电子设备900可以为手机、平板电脑、个人数字助理(personaldigital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备900也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请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用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的作物灌浆过程监测方法中的步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提一作物灌浆过程监测方法地进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种作物灌浆过程预测方法，其特征在于，包括：
获取训练完备的作物三维CT图像生成网络模型；
获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；
基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；
通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状；
所述获取训练完备的作物三维CT图像生成网络模型，包括：
获取目标数量作物在灌浆期内不同时间点的作物三维CT图像，并将所述目标数量作物在灌浆期内不同时间点的作物三维CT图像分为训练样本集和测试样本集；
通过训练样本集对预设的对抗网络模型进行训练，得到初始作物三维CT图像生成网络模型；
通过测试样本集对所述初始作物三维CT图像生成网络模型进行测试，当初始作物三维CT图像生成网络模型的计算SSIM和FID到设定阈值时，确定所述初始作物三维CT图像生成网络模型为训练完备的作物三维CT图像生成网络模型；
所述对抗网络模型，包括：生成器和判别器；
所述生成器由一个全连接层、四个上采样块和卷积层组成；
所述卷积层为三维卷积层，所述卷积层基于3D子流形稀疏卷积进行卷积运算；
所述判别器均由一个输入层、一个隐藏层、一个输出层以及稠密连接层组成；
所述基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据，包括：
通过高阈值分割和图像腐蚀对所述作物灌浆期内后续生长三维CT图像进行处理获取作物籽粒的核心位置并进行核心标记；
基于所述核心标记通过分水岭算法对所述作物灌浆期内后续生长三维CT图像中密集粘连籽粒的分割得到分割后的作物籽粒三维图像；
基于所述作物籽粒的核心位置和所述分割后的作物籽粒三维图像通过距离标记算法计算籽粒其他部分到核心的距离；
基于籽粒其他部分到核心的距离对分割后的籽粒进行体积测量得到不同时间点作物的籽粒的体积；
基于分割后的作物籽粒三维图像对作物数量进行统计得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据。
2.根据权利要求1所述的一种作物灌浆过程预测方法，其特征在于，所述获取作物在灌浆期任意一时间段内的作物三维CT图像，包括：
建立作物CT的动态扫描流程；
基于所述作物CT的动态扫描流程对所述作物进行CT扫描，获得作物在灌浆期任意一时间段内的作物CT图像；
基于所述作物在灌浆期任意一时间段内的作物CT图像进行三维重建得到所述作物在灌浆期任意一时间段内的作物三维CT图像。
3.根据权利要求2所述的一种作物灌浆过程预测方法，其特征在于，所述基于所述作物在灌浆期任意一时间段内的作物CT图像进行三维重建得到所述作物在灌浆期任意一时间段内的作物三维CT图像，包括：
对所述作物在灌浆期任意一时间段内的作物CT图像进行增强植株区域与背景噪声的对比度处理得到第一作物CT图像；
对所述第一作物CT图像进行滤波处理得到第二作物CT图像；
将所述第二作物CT图像通过基于图像特征点匹配的方法进行图像配准与拼接得到作物二维断层图像，并基于所述作物二维断层图像沿z轴方向逐层堆叠，完成三维重建得到灌浆期初期的作物三维CT图像。
4.根据权利要求1所述的一种作物灌浆过程预测方法，其特征在于，所述通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状，包括：
对灌浆进程模型进一阶求导得到灌浆速率方程；
基于所述灌浆速率方程和不同时间点作物的籽粒的体积和数量数据得到灌浆性状。
5.一种作物灌浆过程预测系统，其特征在于，所述系统，包括：
模型获取模块，获取训练完备的作物三维CT图像生成网络模型；
作物三维CT图预测模块，获取作物在灌浆期任意一时间段内的作物三维CT图像，并将所述作物在灌浆期任意一时间段内的作物三维CT图像输入所述训练完备的作物三维CT图像生成网络模型，得到作物灌浆期后续生长三维CT图像；
籽粒数据获取模块，基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据；
灌浆性状提取模块，通过灌浆进程模型对所述作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据进行拟合得到灌浆性状；
所述获取训练完备的作物三维CT图像生成网络模型，包括：
获取目标数量作物在灌浆期内不同时间点的作物三维CT图像，并将所述目标数量作物在灌浆期内不同时间点的作物三维CT图像分为训练样本集和测试样本集；
通过训练样本集对预设的对抗网络模型进行训练，得到初始作物三维CT图像生成网络模型；
通过测试样本集对所述初始作物三维CT图像生成网络模型进行测试，当初始作物三维CT图像生成网络模型的计算SSIM和FID到设定阈值时，确定所述初始作物三维CT图像生成网络模型为训练完备的作物三维CT图像生成网络模型；
所述对抗网络模型，包括：生成器和判别器；
所述生成器由一个全连接层、四个上采样块和卷积层组成；
所述卷积层为三维卷积层，所述卷积层基于3D子流形稀疏卷积进行卷积运算；
所述判别器均由一个输入层、一个隐藏层、一个输出层以及稠密连接层组成；
所述基于分水岭算法对所述作物灌浆期内后续生长三维CT图像进行图像处理，得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据，包括：
通过高阈值分割和图像腐蚀对所述作物灌浆期内后续生长三维CT图像进行处理获取作物籽粒的核心位置并进行核心标记；
基于所述核心标记通过分水岭算法对所述作物灌浆期内后续生长三维CT图像中密集粘连籽粒的分割得到分割后的作物籽粒三维图像；
基于所述作物籽粒的核心位置和所述分割后的作物籽粒三维图像通过距离标记算法计算籽粒其他部分到核心的距离；
基于籽粒其他部分到核心的距离对分割后的籽粒进行体积测量得到不同时间点作物的籽粒的体积；
基于分割后的作物籽粒三维图像对作物数量进行统计得到作物灌浆期后续籽粒的体积数据和作物灌浆期后续籽粒的数量数据。
6.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至4中任意一项所述的一种作物灌浆过程预测方法中的步骤。
7.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述权利要求1至4中任意一项所述的一种作物灌浆过程预测方法中的步骤。
CN202311015659.XA 2023-08-14 2023-08-14 一种作物灌浆过程预测方法、系统、电子设备及存储介质 Active CN116757507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311015659.XA CN116757507B (zh) 2023-08-14 2023-08-14 一种作物灌浆过程预测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311015659.XA CN116757507B (zh) 2023-08-14 2023-08-14 一种作物灌浆过程预测方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116757507A CN116757507A (zh) 2023-09-15
CN116757507B true CN116757507B (zh) 2023-11-10

Family

ID=87948044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311015659.XA Active CN116757507B (zh) 2023-08-14 2023-08-14 一种作物灌浆过程预测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116757507B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016701A (zh) * 2017-02-23 2017-08-04 北京农业信息技术研究中心 一种玉米籽粒灌浆速率的测量方法和装置
CN111415342A (zh) * 2020-03-18 2020-07-14 北京工业大学 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法
CN112435212A (zh) * 2020-10-15 2021-03-02 杭州脉流科技有限公司 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN113012150A (zh) * 2021-04-14 2021-06-22 南京农业大学 一种特征融合的高密度稻田无人机图像稻穗计数方法
EP3852054A1 (en) * 2020-01-16 2021-07-21 Koninklijke Philips N.V. Method and system for automatically detecting anatomical structures in a medical image
CN114638445A (zh) * 2022-05-19 2022-06-17 北京佳格天地科技有限公司 作物病害预防的方法、装置、介质，及电子设备
CN115620283A (zh) * 2022-11-17 2023-01-17 武汉理工大学 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置
CN115830474A (zh) * 2021-09-15 2023-03-21 西南民族大学 一种识别野生藏药独一味及其分布并计算其产量的方法与系统
CN116051996A (zh) * 2023-01-13 2023-05-02 大连东软信息学院 一种基于多模态信息的二阶段农作物生长预测方法
CN116403103A (zh) * 2023-01-06 2023-07-07 北京工商大学 基于四维生成对抗网络的遥感图像分析及蓝藻水华预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180020622A1 (en) * 2016-07-25 2018-01-25 CiBo Technologies Inc. Agronomic Database and Data Model
EP3832524A1 (en) * 2019-12-03 2021-06-09 Basf Se System and method for determining damage on crops
US20220061236A1 (en) * 2020-08-25 2022-03-03 The Board Of Trustees Of The University Of Illinois Accessing agriculture productivity and sustainability

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016701A (zh) * 2017-02-23 2017-08-04 北京农业信息技术研究中心 一种玉米籽粒灌浆速率的测量方法和装置
EP3852054A1 (en) * 2020-01-16 2021-07-21 Koninklijke Philips N.V. Method and system for automatically detecting anatomical structures in a medical image
CN111415342A (zh) * 2020-03-18 2020-07-14 北京工业大学 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法
CN112435212A (zh) * 2020-10-15 2021-03-02 杭州脉流科技有限公司 基于深度学习的脑部病灶区域体积得到方法、装置、计算机设备和存储介质
CN112712038A (zh) * 2020-12-31 2021-04-27 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
CN113012150A (zh) * 2021-04-14 2021-06-22 南京农业大学 一种特征融合的高密度稻田无人机图像稻穗计数方法
CN115830474A (zh) * 2021-09-15 2023-03-21 西南民族大学 一种识别野生藏药独一味及其分布并计算其产量的方法与系统
CN114638445A (zh) * 2022-05-19 2022-06-17 北京佳格天地科技有限公司 作物病害预防的方法、装置、介质，及电子设备
CN115620283A (zh) * 2022-11-17 2023-01-17 武汉理工大学 基于计算机视觉的猪肉大理石纹表型数据测量方法及装置
CN116403103A (zh) * 2023-01-06 2023-07-07 北京工商大学 基于四维生成对抗网络的遥感图像分析及蓝藻水华预测方法
CN116051996A (zh) * 2023-01-13 2023-05-02 大连东软信息学院 一种基于多模态信息的二阶段农作物生长预测方法

Also Published As

Publication number Publication date
CN116757507A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
Mairhofer et al. RooTrak: automated recovery of three-dimensional plant root architecture in soil from X-ray microcomputed tomography images using visual tracking
JP7422825B2 (ja) 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測
Li et al. Classification of tree species based on structural features derived from high density LiDAR data
Rahaman et al. An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm
CN113034389B (zh) 图像处理方法、装置、计算机设备和存储介质
CN105184103A (zh) 基于病历数据库的虚拟名医
Bremer et al. Derivation of tree skeletons and error assessment using LiDAR point cloud data of varying quality
US20080112614A1 (en) Histogram tile map for gpu based histogram computation
Wu et al. 3D Tree reconstruction from simulated small footprint waveform lidar
WO2020168648A1 (zh) 一种图像分割方法、装置及计算机可读存储介质
Zhao et al. Rapid yield prediction in paddy fields based on 2D image modelling of rice panicles
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
Heinzl et al. Optimal specimen placement in cone beam X-ray computed tomography
Kaminuma et al. Quantitative analysis of heterogeneous spatial distribution of Arabidopsis leaf trichomes using micro X‐ray computed tomography
Liu et al. A novel entropy-based method to quantify forest canopy structural complexity from multiplatform lidar point clouds
CN110610438B (zh) 一种农作物冠层叶柄夹角计算方法及系统
CN113284160B (zh) 一种手术导航标记珠体识别的方法、装置和设备
CN103903255B (zh) 一种超声图像分割方法和系统
CN109740678A (zh) 基于多级不均匀空间抽样的遥感影像分类精度检验方法
CN116757507B (zh) 一种作物灌浆过程预测方法、系统、电子设备及存储介质
CN115205691B (zh) 一种水稻种植区域识别方法、装置、存储介质及设备
Swetnam et al. Estimating individual tree mid-and understory rank-size distributions from airborne laser scanning in semi-arid forests
CN111126424A (zh) 一种基于卷积神经网络的超声图像分类方法
Chai et al. A novel solution for extracting individual tree crown parameters in high-density plantation considering inter-tree growth competition using terrestrial close-range scanning and photogrammetry technology
CN107817492A (zh) 宽角合成孔径雷达的成像方法及装置

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