CN116778477B - 一种基于图像处理的玉米果穗性状指标计算方法 - Google Patents
一种基于图像处理的玉米果穗性状指标计算方法 Download PDFInfo
- Publication number
- CN116778477B CN116778477B CN202310730079.2A CN202310730079A CN116778477B CN 116778477 B CN116778477 B CN 116778477B CN 202310730079 A CN202310730079 A CN 202310730079A CN 116778477 B CN116778477 B CN 116778477B
- Authority
- CN
- China
- Prior art keywords
- corn
- image
- sample
- acquiring
- ear
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 181
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 181
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 181
- 235000005822 corn Nutrition 0.000 title claims abstract description 181
- 238000004364 calculation method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 title claims abstract description 26
- 241001057636 Dracaena deremensis Species 0.000 claims abstract description 94
- 238000005070 sampling Methods 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 210000005069 ears Anatomy 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 241000196324 Embryophyta Species 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 235000015097 nutrients Nutrition 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013214 routine measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
- G01W1/04—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving only separate indications of the variables measured
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Ecology (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Environmental Sciences (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Physics (AREA)
- Atmospheric Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的玉米果穗性状指标计算方法,涉及农业种植技术领域,在玉米种植区域内设置采样点,采集玉米植株图像并建立玉米植株图像库;对玉米植株图像库中的玉米植株图像进行筛选,在筛选后获取待选图像;对待选图像进行识别并获取识别结果,生成玉米果穗的果穗系数,以果穗系数均值最高的检测区域为采样区域;对在采样区域内的样品植株及检测样品进行检测,获取检测结果并建立玉米粒数据集;由玉米粒系数从样品植株筛选出待选样品;对待选样品的生长状态进行预测并获取预测结果,以预测结果作为玉米果穗性状的测量结果。提高采集到玉米植株的图像质量,在通过图像识别来计算玉米果穗的性状时保障准确度。
Description
技术领域
本发明涉及农业种植技术领域,具体为一种基于图像处理的玉米果穗性状指标计算方法。
背景技术
玉米果穗的农艺性状是科研与生产中的常规测量项目,对玉米产量存在不同程度的影响。为了充分了解果穗数量性状对产量的影响程度,明确各项性状指标对产量的构成作用,需要对大量果穗样本进行准确测量。
目前,对于玉米果穗的穗粒数、行粒数、穗行数和秃尖长度等性状指标,一般采用人工测量和统计方法获取,过程繁琐、误差较大,尤其是行粒数和穗行数等具有统计学意义的指标,其测量结果易受测量人员的经验影响。
在申请号为201210572760.0的中国发明专利:基于图像的玉米果穗性状指标计算方法中,提供了一种通过图像识别来代替人工测量的技术方案,这种测量方法效率较人工测量高,但是也需要考虑到,玉米通常种植在室外,其种植区域的覆盖范围一般也较广,在室外采集玉米的图像信息时,采集图像的无人机会容易受到天气的干扰,导致图像质量降低,进而在图像识别时可能会产生识别错误,导致玉米果穗的形状测量与实际结果有一定的误差。
为此,本发明提供了一种基于图像处理的玉米果穗性状指标计算方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于图像处理的玉米果穗性状指标计算方法,通过在玉米种植区域内设置采样点,采集玉米植株图像并建立玉米植株图像库;对玉米植株图像库中的玉米植株图像进行筛选,在筛选后获取待选图像;对待选图像进行识别并获取识别结果,生成玉米果穗的果穗系数,以果穗系数均值最高的检测区域为采样区域;对在采样区域内的样品植株及检测样品进行检测,获取检测结果并建立玉米粒数据集;由玉米粒系数从样品植株筛选出待选样品;对待选样品的生长状态进行预测并获取预测结果,以预测结果作为玉米果穗性状的测量结果。提高采集到玉米植株的图像质量,在通过图像识别来计算玉米果穗的性状时保障准确度,从而解决了背景技术中的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于图像处理的玉米果穗性状指标计算方法,包括如下步骤:对玉米种植区域内的天气条件进行持续监测,由监测结果生成天气条件系数Tqs,若天气条件系数Tqs大于天气条件阈值,在玉米种植区域内设置采样点,由采集无人机在采样点处采集玉米植株图像并建立玉米植株图像库;
获取玉米植株图像库中的玉米植株图像,在进行图像分析后,以分析结果建立图像质量数据集,并进而生成图像质量系数Qts,以图像质量系数Qts及对应的分辨率Fb对玉米植株图像库中的玉米植株图像进行筛选,在筛选后获取待选图像;
在获取待选图像及其对应的位置信息后,对待选图像进行识别并获取识别结果,依据识别结果生成玉米果穗的果穗系数Ztpj,进而获取各个检测区域的果穗系数Ztpj的均值,并以果穗系数Ztpj均值最高的检测区域为采样区域;
将采样区域在电子地图上标记,并在采样区域选择出样品植株及检测样品,对检测样品进行检测,获取检测结果并建立玉米粒数据集;由玉米粒数据集生成玉米粒系数Mtpj,进而由玉米粒系数Mtpj从样品植株筛选出待选样品,并将待选样品的位置在电子地图上标记;
在待选样品的邻近区域内检测并获取玉米植株及其果穗的生长状态数据及其生长环境数据,结合训练后的玉米生长预测模型后,对待选样品的生长状态进行预测并获取预测结果,在预测误差在误差阈值之内时,以预测结果作为玉米果穗性状的测量结果。
进一步的,对玉米种植区域的当前的气象条件进行监测,基于监测结果建立气象条件数据集;气象条件数据集的建立方法如下:获取当前每日的平均光照强度,生成光照强度Pw,获取当日的最大风速,生成风速Rc,汇总后建立气象条件数据集;
对光照强度Pw及风速Rc做出无量纲处理,依照如下方式生成天气条件系数Tqs:
其中,F1及F2均为权重系数,0≤F1≤1,0≤F2≤1,且0.65≤F1+F2≤1.69,其具体值由用户调整设置,C1为常数修正系数。
进一步的,若天气条件系数Tqs高于预设的天气条件阈值,获取玉米种植区域的电子地图,将玉米种植区均等地分割为若干个检测区域;在检测区域内随机选择若干个采样点,且使相邻的两个采样点的间距大于预设的距离阈值;
将若干个采样点的位置在电子地图上的进行标记,由训练后的路径规划模型结合采样点的位置信息为采集无人机规划出采样路径,由采集无人机沿着采样路径在种植区域内的玉米植株进行采样;在采样点获取若干张相同的玉米植株图像,并以输出图像的位置信息对玉米植株图像进行标注,汇总后建立玉米植株图像库。
进一步的,从玉米植株图像库中获取玉米植株图像,在对若干个玉米植株图像进行分析后,获取玉米植株图像的噪点密度Zm、对比度Dz及曝光度Bg,汇总后建立图像质量数据集;
依据图像质量数据集中的参数生成图像质量系数Qts,其中,图像质量系数Qts的生成方式如下:对噪点密度Zm、对比度Dz及曝光度Bg做无量纲处理,依照如下公式生成图像质量系数Qts:
其中,ρ、ζ为权重系数,0≤ρ≤1,0≤ζ≤1,且ρ+ζ=1。
进一步的,获取来自各个采样点的玉米植株图像的分辨率Fb,以图像质量系数Qts与分辨率Fb的比值作为质量评价值Lpj;若质量评价值Lpj小于对应的质量阈值,将对应的玉米植株图像确定为不合格图像,反之则作为合格图像,将合格图像作为待选图像;
在同一采样点处获取的玉米植株图像中不存在合格图像时,则选择其中质量评价值Lpj最大的作为待选图像。
进一步的,获取待选图像及其对应位置信息,对待选图像进行识别,获取待选图像中玉米植株的玉米果穗长度Gc及果穗直径Gz;若待选图像存在多个时,以不同待选图像中的最大的果穗长度Gc及果穗直径Gz的均值作为识别结果;
依据识别结果生成玉米的果穗系数Ztpj,其方法如下:将识别结果中的果穗长度Gc及果穗直径Gz做无量纲处理后,依照如下公式关联:
其中,α、β为权重系数,0≤α≤1,0≤β≤1,且α+β=1,其具体值由用户调整设置,C2为常数修正系数;在获取种植区域内获取各个检测区域的果穗系数Ztpj的均值后,以果穗系数Ztpj均值最高的检测区域为采样区域。
进一步的,将采样区域在电子地图上标记,在采样区域内随机选择若干玉米植株作为样品植株;以样品植株上果穗长度Gc或果穗直径Gz最大的玉米果穗作为检测样品;在对检测样品进行测量后,获取其玉米颗粒的排列密度Pm、平均后的颗粒重量Kz及平均后的颗粒厚度Kd;汇总后,建立玉米粒数据集。
进一步的,由玉米颗粒数据集内的参数生成玉米粒系数Mtpj,其中,玉米粒系数Mtpj的生成方式如下:对排列密度Pm、颗粒重量Kz及颗粒厚度Kd做无量纲处理后,依据如下公式关联:
其中,γ及θ为可变更常数权重系数,0.43≤γ≤1.26,0.82≤θ≤1.98,其具体值由用户调整设置;获取若干个玉米粒系数Mtpj并进行排序,以与玉米粒系数Mtpj最高的若干个,例如最高的前五个相对应的样品植株作为待选样品,将待选样品的位置在电子地图上标记。
进一步的,在玉米进入生长状态后,对待选样品的邻近区域内的玉米植株及其果穗生长发育数据进行持续测量,获取玉米生长数据;对种植区域内的土壤条件及养分条件进行监测,获取玉米生长环境数据;结合玉米生长数据及玉米环境数据,在设置好节点后,通过BP神经网络模型训练生成玉米生长预测模型;使用时,通过建立的玉米生长预测模型,对玉米果穗的生长状态进行预测。
进一步的,以预测的气象条件作为输入,使用玉米生长预测模型对若干个待选样品的生长状态进行预测,并沿着时间轴以固定的时间间隔获取若干个预测结果;在获取预测结果后,获取待选样品在预测时间节点上的玉米果穗形状的实际测量结果;
获取若干个预测结果与若干个实际测量结果间的平均预测误差,若平均预测误差在预设的误差阈值之内,则以下一阶段的预测结果作为预计算结果;若在阈值之外时,向外部发出预警。
(三)有益效果
本发明提供了一种基于图像处理的玉米果穗性状指标计算方法,具备以下有益效果:
1、以质量评价值Lpj对采集到的玉米植株图像进行筛选,将其满足条件的图像作为待选图像,从而在天气条件系数Tqs满足条件的情况下,进一步提高采集到玉米植株的图像质量,在通过图像识别来计算玉米果穗的性状时,这种方式对玉米果穗性状计算的准确度和符合度形成保障,提供了良好的计算基础。
2、以果穗系数Ztpj的值在若干个检测区域中筛选出采样区域,采样区域内的玉米果穗生长状态相对较好,若是在该采样区域内选择出用于计算玉米果穗性状的玉米植株,相对于随机选择,获得的计算结果更佳,在进行育种选择时可参考性也更高。
3、通过建立玉米粒数据集并进而生成玉米粒系数Mtpj,以生成的玉米粒系数Mtpj筛选出对应的样品植株,将其确定为待选样品,在对玉米果穗进行检测时,在采样区域内选择到生长状态较佳的待选样品,在选择良种植株时提高选择效率。
4、通过建立玉米生长预测模型对玉米果穗的生长状态进行预测,在玉米仍处于持续生长状态时,确定玉米植株及其果穗的生长条件后,对玉米果穗的生长过程进行预测并获取预测结果,若预测结果与实际测量结果的误差较小时,则以预测结果对实际测量结果进行替代,从而减少测量的次数,减少实际测量对玉米果穗生长过程干扰,保障玉米正常的生长状态。
5、通过对位于采样区域内的玉米植株及其果穗的生长状态进行预测,在将预测范围覆盖到整个采样区域或者种植区域时,在提高测量的效率之外,也可以实现对玉米果穗生长状态监控,若玉米果穗的生长状态不佳时,可以提前进行预警及处理,保障玉米正常的生长状态。
附图说明
图1为本发明基于图像处理的玉米果穗性状指标计算方法流程示意图。
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,本领域普通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。
请参阅图1,本发明提供一种基于图像处理的玉米果穗性状指标计算方法,包括如下步骤:
步骤一、对玉米种植区域内的天气条件进行持续监测,由监测结果生成天气条件系数Tqs,若天气条件系数Tqs大于天气条件阈值,在玉米种植区域内设置采样点,由采集无人机在采样点处采集玉米植株图像并建立玉米植株图像库;
所述步骤一包括如下内容:
步骤101、在玉米处于生长阶段但是并未完全成熟时,在确定玉米的种植区域后,对玉米种植区域的当前的气象条件进行监测,基于监测结果建立气象条件数据集;
其中,气象条件数据集的建立方法如下:获取当前每日的平均光照强度,生成光照强度Pw,获取当日的最大风速,生成风速Rc,汇总后建立气象条件数据集;
对光照强度Pw及风速Rc做出无量纲处理,依照如下方式生成天气条件系数Tqs:
其中,F1及F2均为权重系数,0≤F1≤1,0≤F2≤1,且0.65≤F1+F2≤1.69,其具体值由用户调整设置,C1为常数修正系数。
使用时,通过获取天气条件系数Tqs,以天气条件系数Tqs的值对玉米种植区域内当前的天气条件进行评估和判断,确定当前天气是否满足采样的条件,若采样条件较差,天气对采样过程会造成较大的干扰,则会导致玉米果穗性状的计算会遭到较大的影响。
步骤102、若天气条件系数Tqs高于预设的天气条件阈值,获取玉米种植区域的电子地图,将玉米种植区均等地分割为若干个检测区域;在检测区域内随机选择若干个采样点,且使相邻的两个采样点的间距大于预设的距离阈值;此时,在确定采样点后,则可以开始进行选定待检测的玉米果穗样品;
步骤103、将若干个采样点的位置在电子地图上的进行标记,由训练后的路径规划模型结合采样点的位置信息为采集无人机规划出采样路径,由采集无人机沿着采样路径在种植区域内的玉米植株进行采样;采样时,在采样点获取若干张相同的玉米植株图像,并以输出图像的位置信息对玉米植株图像进行标注,汇总后建立玉米植株图像库;
其中需要说明的是,在同一采样点获取的相同的玉米植株图像不少于三个,以避免因为玉米植株图像的质量过低导致采样无效。
使用时,结合步骤101至103中的内容:
在获取天气条件系数Tqs后,若天气条件系数Tqs表明当前具有较佳的采样条件,也即较佳的图像采集条件,则可以使采集无人机沿着规划好的采样路径,在采样点采集玉米植株及其果穗的图像信息,以此作为图像识别的基础,同时,通过设置天气条件系数Tqs,也能够对获取的图像信息形成保障,提高获取的图像信息的质量。
步骤二、获取玉米植株图像库中的玉米植株图像,在进行图像分析后,以分析结果建立图像质量数据集,并进而生成图像质量系数Qts,以图像质量系数Qts及对应的分辨率Fb对玉米植株图像库中的玉米植株图像进行筛选,在筛选后获取待选图像;
所述步骤二包括如下内容:
步骤201、从玉米植株图像库中获取玉米植株图像,在对若干个玉米植株图像进行分析后,获取玉米植株图像的噪点密度Zm,若噪点密度Zm大预设的密度阈值,则将对应的玉米植株图像确定为不合格图像;
对于剩余的合格的玉米植株图像作出进一步分析,依次获取其对比度Dz及曝光度Bg,汇总后建立图像质量数据集;
步骤202、依据图像质量数据集中的参数生成图像质量系数Qts,其中,图像质量系数Qts的生成方式如下:对噪点密度Zm、对比度Dz及曝光度Bg做无量纲处理,依照如下公式生成图像质量系数Qts:
其中,ρ、ζ为权重系数,0≤ρ≤1,0≤ζ≤1,且ρ+ζ=1,其具体值由用户调整设置。
使用时,在采样点处完成了图样的采集后,以生成的图像质量系数Qts对玉米植株图像进行相应的评价,对若干个玉米植株图像进行初步的筛选;
步骤203、获取来自各个采样点的玉米植株图像的分辨率Fb,以图像质量系数Qts与分辨率Fb的比值作为质量评价值Lpj;若质量评价值Lpj小于对应的质量阈值,将对应的玉米植株图像确定为不合格图像,反之则作为合格图像,将合格图像作为待选图像;
在同一采样点处获取的至少三个玉米植株图像中不存在合格图像时,则选择其中质量评价值Lpj最大的作为待选图像。
使用时,在图像质量系数Qts与分辨率Fb的基础上进一步生成质量评价值Lpj,以质量评价值Lpj对采集到的玉米植株图像进行筛选,将其满足条件的图像作为待选图像,从而在天气条件系数Tqs满足条件的情况下,进一步提高采集到玉米植株的图像质量,在通过图像识别来计算玉米果穗的性状时,这种方式对玉米果穗性状计算的准确度和符合度形成保障,提供了良好的计算基础。
步骤三、在获取待选图像及其对应的位置信息后,对待选图像进行识别并获取识别结果,依据识别结果生成玉米果穗的果穗系数Ztpj,进而获取各个检测区域的果穗系数Ztpj的均值,并以果穗系数Ztpj均值最高的检测区域为采样区域;
步骤三包括如下内容:
步骤301、获取待选图像及其对应位置信息,对待选图像进行识别,获取待选图像中玉米植株的玉米果穗长度Gc及果穗直径Gz;由于玉米植株上通常存在多个玉米果穗,且各个果穗的生长进度存在一定的差异,因此,针对每个玉米植株,均以最大的果穗长度Gc及果穗直径Gz作为识别结果;玉米果穗长度Gc及果穗直径Gz均选择最大值,若待选图像存在多个时,以不同待选图像中的最大的果穗长度Gc及果穗直径Gz的均值作为识别结果;
步骤302、依据识别结果生成玉米的果穗系数Ztpj,其方法如下:将识别结果中的果穗长度Gc及果穗直径Gz做无量纲处理后,依照如下公式关联:
其中,α、β为权重系数,0≤α≤1,0≤β≤1,且α+β=1,其具体值由用户调整设置,C2为常数修正系数;
在获取种植区域内获取各个检测区域的果穗系数Ztpj的均值后,以果穗系数Ztpj均值最高的检测区域为采样区域。
使用时,结合步骤301至302中的内容:
在获取待选图像及其对应位置信息后,对待选图像进行识别,获取识别结果并生成玉米的果穗系数Ztpj,以果穗系数Ztpj的值在若干个检测区域中筛选出采样区域,采样区域内的玉米果穗生长状态相对较好,在确定了较佳的采样区域后,若是在该采样区域内选择出用于计算玉米果穗性状的玉米植株,相对于随机选择,获得的计算结果更佳,在进行育种选择时,可参考性也更高。
步骤四、将采样区域在电子地图上标记,并在采样区域选择出样品植株及检测样品,对检测样品进行检测,获取检测结果并建立玉米粒数据集;由玉米粒数据集生成玉米粒系数Mtpj,进而由玉米粒系数Mtpj从样品植株筛选出待选样品,并将待选样品的位置在电子地图上标记;
所述步骤四包括如下内容:
步骤401、将采样区域在电子地图上标记,在采样区域内随机选择若干玉米植株作为样品植株;以样品植株上果穗长度Gc或果穗直径Gz最大的玉米果穗作为检测样品;
在对检测样品进行测量后,获取其玉米颗粒的排列密度Pm、平均后的颗粒重量Kz及平均后的颗粒厚度Kd;汇总后,建立玉米粒数据集;
步骤402、由玉米颗粒数据集内的参数生成玉米粒系数Mtpj,其中,玉米粒系数Mtpj的生成方式如下:对排列密度Pm、颗粒重量Kz及颗粒厚度Kd做无量纲处理后,依据如下公式关联:
其中,γ及θ为可变更常数权重系数,0.43≤γ≤1.26,0.82≤θ≤1.98,其具体值由用户调整设置;
获取若干个玉米粒系数Mtpj并进行排序,以与玉米粒系数Mtpj最高的若干个,例如最高的前五个相对应的样品植株作为待选样品,将待选样品的位置在电子地图上标记;
使用时,结合步骤401及402中的内容:
通过在采样区域选择样品植株,并进一步确定检测样品,便于对作为检测样品的玉米果穗进行进一步的测量,通过建立玉米粒数据集并进而生成玉米粒系数Mtpj,以生成的玉米粒系数Mtpj筛选出对应的样品植株,将其确定为待选样品,从而在对玉米果穗进行检测时,可以在采样区域内选择到生长状态较佳的待选样品,在选择良种植株时提高选择效率。
步骤五、在待选样品的邻近区域内检测并获取玉米植株及其果穗的生长状态数据及其生长环境数据,结合训练后的玉米生长预测模型后,对待选样品的生长状态进行预测并获取预测结果,在预测误差在误差阈值之内时,以预测结果作为玉米果穗性状的测量结果;
所述步骤五包括如下内容:
步骤501、在玉米进入生长状态后,对待选样品的邻近区域内的玉米植株及其果穗生长发育数据进行持续测量,获取玉米生长数据;对种植区域内的土壤条件及养分条件进行监测,获取玉米生长环境数据;结合玉米生长数据及玉米环境数据,在设置好节点后,通过BP神经网络模型训练生成玉米生长预测模型;使用时,通过建立的玉米生长预测模型,对玉米果穗的生长状态进行预测;
步骤502、以预测的气象条件,例如以通过天气预报获取的气象条件作为输入,使用玉米生长预测模型对若干个待选样品的生长状态进行预测,并沿着时间轴以固定的时间间隔获取若干个预测结果;在获取预测结果后,获取待选样品在预测时间节点上的玉米果穗形状的实际测量结果;
步骤503、获取若干个预测结果与若干个实际测量结果间的平均预测误差,若平均预测误差在预设的误差阈值之内,则以下一阶段的预测结果作为预计算结果;若在阈值之外时,向外部发出预警,并对待选样品的玉米果穗进行实际测量,获取玉米果穗性状数据。
使用时,结合步骤501至503中的内容:
在选定采样区域及作为待选样品的样品植株后,通过建立玉米生长预测模型对玉米果穗的生长状态进行预测,在玉米仍处于持续生长状态时,确定玉米植株及其果穗的生长条件后,对玉米果穗的生长过程进行预测并获取预测结果,若预测结果与实际测量结果的误差较小时,则以预测结果对实际测量结果进行替代,从而减少测量的次数,减少实际测量对玉米果穗生长过程干扰,保障玉米正常的生长状态;
同时,通过对位于采样区域内的玉米植株及其果穗的生长状态进行预测,在将预测范围覆盖到整个采样区域或者种植区域时,在提高测量的效率之外,也可以实现对玉米果穗生长状态监控,若玉米果穗的生长状态不佳时,可以提前进行预警及处理,保障玉米正常的生长状态。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于图像处理的玉米果穗性状指标计算方法,其特征在于:包括,
对玉米种植区域内的天气条件进行持续监测,由监测结果生成天气条件系数Tqs,若天气条件系数Tqs大于天气条件阈值,在玉米种植区域内设置采样点,由采集无人机在采样点处采集玉米植株图像并建立玉米植株图像库;其中,对光照强度Pw及风速Rc做出无量纲处理,依照如下方式生成天气条件系数Tqs:
其中,F1及F2均为权重系数,0≤F1≤1,0≤F2≤1,且0.65≤F1+F2≤1.69,其具体值由用户调整设置,C1为常数修正系数;
获取玉米植株图像库中的玉米植株图像,在进行图像分析后,以分析结果建立图像质量数据集,并进而生成图像质量系数Qts,以图像质量系数Qts及对应的分辨率Fb对玉米植株图像库中的玉米植株图像进行筛选,在筛选后获取待选图像;其中,图像质量系数Qts的生成方式如下:对噪点密度Zm、对比度Dz及曝光度Bg做无量纲处理,依照如下公式生成图像质量系数Qts:
其中,ρ、ζ为权重系数,0≤ρ≤1,0≤ζ≤1,且ρ+ζ=1;
在获取待选图像及其对应的位置信息后,对待选图像进行识别并获取识别结果,依据识别结果生成玉米果穗的果穗系数Ztpj,进而获取各个检测区域的果穗系数Ztpj的均值,并以果穗系数Ztpj均值最高的检测区域为采样区域;其中,将识别结果中的果穗长度Gc及果穗直径Gz做无量纲处理后,依照如下公式关联:
其中,α、β为权重系数,0≤α≤1,0≤β≤1,且α+β=1,其具体值由用户调整设置,C2为常数修正系数;
将采样区域在电子地图上标记,并在采样区域选择出样品植株及检测样品,对检测样品进行检测,获取检测结果并建立玉米粒数据集;由玉米粒数据集生成玉米粒系数Mtpj,进而由玉米粒系数Mtpj从样品植株筛选出待选样品,并将待选样品的位置在电子地图上标记;其中,由玉米颗粒数据集内的参数生成玉米粒系数Mtpj,其中,玉米粒系数Mtpj的生成方式如下:对排列密度Pm、颗粒重量Kz及颗粒厚度Kd做无量纲处理后,依据如下公式关联:
其中,γ及θ为可变更常数权重系数,0.43≤γ≤1.26,0.82≤θ≤1.98,其具体值由用户调整设置;
在待选样品的邻近区域内检测并获取玉米植株及其果穗的生长状态数据及其生长环境数据,结合训练后的玉米生长预测模型后,对待选样品的生长状态进行预测并获取预测结果,在预测误差在误差阈值之内时,以预测结果作为玉米果穗性状的测量结果。
2.根据权利要求1所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
对玉米种植区域当前的气象条件进行监测,基于监测结果建立气象条件数据集;气象条件数据集的建立方法如下:获取当前每日的平均光照强度,生成光照强度Pw,获取当日的最大风速,生成风速Rc,汇总后建立气象条件数据集。
3.根据权利要求1所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
若天气条件系数Tqs高于预设的天气条件阈值,获取玉米种植区域的电子地图,将玉米种植区均等地分割为若干个检测区域;在检测区域内随机选择若干个采样点,且使相邻的两个采样点的间距大于预设的距离阈值;
将若干个采样点的位置在电子地图上的进行标记,由训练后的路径规划模型结合采样点的位置信息为采集无人机规划出采样路径,由采集无人机沿着采样路径在种植区域内的玉米植株进行采样;在采样点获取若干张相同的玉米植株图像,并以输出图像的位置信息对玉米植株图像进行标注,汇总后建立玉米植株图像库。
4.根据权利要求1所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
从玉米植株图像库中获取玉米植株图像,在对若干个玉米植株图像进行分析后,获取玉米植株图像的噪点密度Zm、对比度Dz及曝光度Bg,汇总后建立图像质量数据集;依据图像质量数据集中的参数生成图像质量系数Qts。
5.根据权利要求4所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
获取来自各个采样点的玉米植株图像的分辨率Fb,以图像质量系数Qts与分辨率Fb的比值作为质量评价值Lpj;若质量评价值Lpj小于对应的质量阈值,将对应的玉米植株图像确定为不合格图像,反之则作为合格图像,将合格图像作为待选图像;在同一采样点处获取的玉米植株图像中不存在合格图像时,则选择其中质量评价值Lpj最大的作为待选图像。
6.根据权利要求1所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
获取待选图像及其对应位置信息,对待选图像进行识别,获取待选图像中玉米植株的玉米果穗长度Gc及果穗直径Gz;若待选图像存在多个时,以不同待选图像中的最大的果穗长度Gc及果穗直径Gz的均值作为识别结果;
依据识别结果生成玉米的果穗系数Ztpj,在获取种植区域内获取各个检测区域的果穗系数Ztpj的均值后,以果穗系数Ztpj均值最高的检测区域为采样区域。
7.根据权利要求6所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
将采样区域在电子地图上标记,在采样区域内随机选择若干玉米植株作为样品植株;以样品植株上果穗长度Gc或果穗直径Gz最大的玉米果穗作为检测样品;在对检测样品进行测量后,获取其玉米颗粒的排列密度Pm、平均后的颗粒重量Kz及平均后的颗粒厚度Kd;汇总后建立玉米粒数据集。
8.根据权利要求7所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
获取若干个玉米粒系数Mtpj并进行排序,以玉米粒系数Mtpj最高的若干个作为待选样品,将待选样品的位置在电子地图上标记。
9.根据权利要求1所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
在玉米进入生长状态后,对待选样品的邻近区域内的玉米植株及其果穗生长发育数据进行持续测量,获取玉米生长数据;对种植区域内的土壤条件及养分条件进行监测,获取玉米生长环境数据;
结合玉米生长数据及玉米环境数据,在设置好节点后,通过BP神经网络模型训练生成玉米生长预测模型;使用时,通过建立的玉米生长预测模型,对玉米果穗的生长状态进行预测。
10.根据权利要求9所述的基于图像处理的玉米果穗性状指标计算方法,其特征在于:
以预测的气象条件作为输入,使用玉米生长预测模型对若干个待选样品的生长状态进行预测,并沿着时间轴以固定的时间间隔获取若干个预测结果;在获取预测结果后,获取待选样品在预测时间节点上的玉米果穗形状的实际测量结果;
获取若干个预测结果与若干个实际测量结果间的平均预测误差,若平均预测误差在预设的误差阈值之内,则以下一阶段的预测结果作为预计算结果;若在阈值之外时,向外部发出预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730079.2A CN116778477B (zh) | 2023-06-20 | 2023-06-20 | 一种基于图像处理的玉米果穗性状指标计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730079.2A CN116778477B (zh) | 2023-06-20 | 2023-06-20 | 一种基于图像处理的玉米果穗性状指标计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778477A CN116778477A (zh) | 2023-09-19 |
CN116778477B true CN116778477B (zh) | 2024-05-17 |
Family
ID=87985404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310730079.2A Active CN116778477B (zh) | 2023-06-20 | 2023-06-20 | 一种基于图像处理的玉米果穗性状指标计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778477B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915442A (zh) * | 2012-09-10 | 2013-02-06 | 北京农业信息技术研究中心 | 玉米果穗秃尖率获取方法 |
CN103020970A (zh) * | 2012-12-25 | 2013-04-03 | 北京农业信息技术研究中心 | 玉米果穗图像籽粒分割方法 |
WO2013101806A1 (en) * | 2011-12-30 | 2013-07-04 | Pioneer Hi-Bred International, Inc. | Immature ear photometry in maize |
CN105894512A (zh) * | 2016-03-31 | 2016-08-24 | 中国农业大学 | 一种小区玉米果穗考种中粘连玉米果穗分割方法及装置 |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
CN109934256A (zh) * | 2019-01-28 | 2019-06-25 | 华南农业大学 | 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法 |
CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
WO2023072018A1 (zh) * | 2021-10-26 | 2023-05-04 | 中国科学院空天信息创新研究院 | 基于计算机视觉和深度学习技术的小麦单产观测方法 |
-
2023
- 2023-06-20 CN CN202310730079.2A patent/CN116778477B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013101806A1 (en) * | 2011-12-30 | 2013-07-04 | Pioneer Hi-Bred International, Inc. | Immature ear photometry in maize |
CN102915442A (zh) * | 2012-09-10 | 2013-02-06 | 北京农业信息技术研究中心 | 玉米果穗秃尖率获取方法 |
CN103020970A (zh) * | 2012-12-25 | 2013-04-03 | 北京农业信息技术研究中心 | 玉米果穗图像籽粒分割方法 |
CN105894512A (zh) * | 2016-03-31 | 2016-08-24 | 中国农业大学 | 一种小区玉米果穗考种中粘连玉米果穗分割方法及装置 |
WO2018119684A1 (zh) * | 2016-12-27 | 2018-07-05 | 深圳前海达闼云端智能科技有限公司 | 一种图像识别系统及图像识别方法 |
CN110967339A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 |
CN109934256A (zh) * | 2019-01-28 | 2019-06-25 | 华南农业大学 | 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法 |
WO2023072018A1 (zh) * | 2021-10-26 | 2023-05-04 | 中国科学院空天信息创新研究院 | 基于计算机视觉和深度学习技术的小麦单产观测方法 |
Non-Patent Citations (1)
Title |
---|
基于穗粒分布图的玉米果穗表型性状参数计算方法;杜建军等;《农业工程学报》;第32卷(第13期);第168-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116778477A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
CN112270129B (zh) | 一种基于大数据分析的植物长势预测方法 | |
CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
Wang et al. | Digital image processing technology under backpropagation neural network and K-Means Clustering algorithm on nitrogen utilization rate of Chinese cabbages | |
Rangarajan et al. | A comparative analysis of quantitative metrics of root architecture | |
CN117807549B (zh) | 一种农田土壤肥力评价方法及系统 | |
CN109034450B (zh) | 基于气象条件我国北方马铃薯晚疫病预报模型的建立方法 | |
CN116778477B (zh) | 一种基于图像处理的玉米果穗性状指标计算方法 | |
CN117455062A (zh) | 一种基于多源异构农业数据的农作物产量预测算法 | |
CN117077868A (zh) | 一种基于模型的粮食产量预测系统及方法 | |
CN112364710A (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
CN110807561A (zh) | 基于贝叶斯网络的玉米病虫害预警分析方法 | |
CN113873459B (zh) | 土壤成分采集的多传感器优化部署方法 | |
JP7452879B2 (ja) | 予測システム、予測方法、および予測プログラム | |
CN111289725B (zh) | 一种结合模型与时序采样的农田土壤有机碳储量估算方法及系统 | |
CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
Yao et al. | Research on Drought Stress Monitoring of Winter Wheat during Critical Growth Stages Based on Improved DenseNet-121 | |
Ahmed et al. | Micronutrient classification in IoT based agriculture using machine learning (ML) Algorithm | |
Navarro et al. | CNN Models for Identification of Macro-Nutrient Deficiency in Onion Leaves (Allium cepa L.) | |
CN117789067B (zh) | 一种基于机器学习的无人机农作物监测方法及系统 | |
Yang et al. | UAV-Assisted Dynamic Monitoring of Wheat Uniformity toward Yield and Biomass Estimation | |
CN117054354B (zh) | 一种便携式种子成熟度光谱检测系统及装置 | |
CN117745148B (zh) | 基于多源数据的稻茬烤烟种植质量评价方法及系统 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及系统 |
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 |