CN116824581A - 空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质 - Google Patents
空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质 Download PDFInfo
- Publication number
- CN116824581A CN116824581A CN202310675738.7A CN202310675738A CN116824581A CN 116824581 A CN116824581 A CN 116824581A CN 202310675738 A CN202310675738 A CN 202310675738A CN 116824581 A CN116824581 A CN 116824581A
- Authority
- CN
- China
- Prior art keywords
- target detection
- rice
- spatial
- target
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 200
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 118
- 235000009566 rice Nutrition 0.000 title claims abstract description 118
- 230000012010 growth Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 54
- 240000007594 Oryza sativa Species 0.000 title 1
- 238000012549 training Methods 0.000 claims abstract description 139
- 241000209094 Oryza Species 0.000 claims abstract description 124
- 241000196324 Embryophyta Species 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 11
- 230000033764 rhythmic process Effects 0.000 abstract description 8
- 230000033001 locomotion Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000009605 growth rhythm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006355 external stress Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质，包括：基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。本发明能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，为深入研究水稻植株生长运动节律提供技术支撑。
Description
技术领域
本发明涉及目标检测技术领域，尤其涉及一种空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质。
背景技术
随着我国载人航天技术和生命科学理论与技术的快速发展，以空间生命科学为典型代表的一系列由载人空间探索而产生和发展的新兴学科也逐步发展起来，为我国航天事业发展做出了重要贡献。随着中国空间站运行时间的持续和运行平台的不断完善，为地面提供了海量的有意义实验数据，尤其是相机拍摄得到动植物生长的图像和视频数据，为科学家深入开展空间生物节律研究和高等植物研究等提供了有效的失重、辐射和磁场等空间环境下的真实数据支撑。
其中，对于高等植物的研究，例如针对太空失重条件下的水稻在不同光周期条件下的发芽、开花、授粉、结果整个生长发育过程进行记录分析，可以为分析阐明重力对于光周期诱导植物开花的作用和重力对于植物生长周期节律的影响提供新证据。特别地，针对水稻的叶尖摆动生长轨迹生成的研究，量化统计植物的运行和生长特性，深化对生物学、植物学问题的定量认识，探究特定环境下植物生长过程受到外部应力与应变关系，对于研究植物的运行周期和生长节律等特性有重要意义。
然而，业界目前还未有针对水稻叶尖轨迹生成的研究方案，现有方案主要还是依靠人工来完成逐帧的水稻植株叶尖标注，然而人工标注耗时长、效率较低、且成本较高，标注数据量大，需要的时间周期较长。即使标注得到水稻叶尖每时刻的位置信息，也难以直观的分析展示水稻的生长轨迹来统计周期性的生长节律。
因此，亟需提供一种技术方案解决上述问题。
发明内容
为解决上述技术问题，本发明提供了一种空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质。
本发明的空间水稻叶尖检测与生长轨迹生成方法的技术方案如下：
S1、基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；
S2、将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；
S3、根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
本发明的空间水稻叶尖检测与生长轨迹生成方法的有益效果如下：
本发明的方法能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，从而为空间科学实验机理研究提供数据服务，为科研人员深入研究水稻植株生长运动节律提供技术支撑。
在上述方案的基础上，本发明的空间水稻叶尖检测与生长轨迹生成方法还可以做如下改进。
进一步，还包括：
获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。
进一步，还包括：
对每个目标训练图像中的每个叶尖分别进行标注，得到每个目标训练图像对应的多个包含叶尖的训练标注框。
进一步，步骤S1包括：
S11、将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框，并根据所述任一目标训练图像中的每个相同叶尖的训练标注框和训练检测框，得到所述任一目标训练图像的损失值，直至得到每个目标训练图像的损失值；
S12、基于所有的损失值，对所述预设目标检测模型的网络参数进行优化，得到优化后的目标检测模型，将所述优化后的目标检测模型作为所述预设目标检测模型并返回执行步骤S11，直至所述优化后的目标检测模型满足预设训练条件时，将所述优化后的目标检测模型确定为所述训练好的目标检测模型。
进一步，所述预设目标检测模型包括：依次连接设置的融合位置注意力的骨干网络、多尺度特征金字塔网络和候选区域生成网络；将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框的步骤，包括：
将所述任一目标训练图像输入至所述融合位置注意力的骨干网络，得到所述任一目标训练图像的四个不同分辨率的第一特征图；
将所述任一目标训练图像的四个不同分辨率的第一特征图输入至多尺度特征金字塔网络，得到所述任一目标训练图像的五个不同分辨率的第二特征图；
将所述任一目标训练图像的五个不同分辨率的第二特征图输入至候选区域生成网络，得到所述任一目标训练图像的每个包含叶尖的训练检测框。
进一步，任一待测图像为红光背景待测图像或多个白光背景待测图像；根据所述待检测空间水稻的任一目标检测框，确定该目标检测框中的叶尖在所述预设坐标系中的空间坐标的步骤，包括：
当所述任一目标检测框为白光背景待测图像对应的目标检测框时，基于颜色信息，对所述任一目标检测框对应的白光背景待测图像进行水稻本体植株提取，得到该白光背景待测图像对应的植株提取图像，并将所述任一目标检测框映射至该白光背景待测图像对应的植株提取图像中，得到所述任一目标检测框的目标检测光映射区域，并利用Harris-Laplace角点检测器，提取所述任一目标检测框的目标检测光映射区域中的所有角点特征，并采用KMeans聚类算法，对所述任一目标检测框的目标检测光映射区域中的所有角点特征进行聚类，得到所述任一目标检测框中的叶尖在所述预设坐标系中的空间坐标；
当所述任一目标检测框为红光背景待测图像对应的目标检测框时，将所述任一目标检测框的中心点位置确定为叶尖在所述预设坐标系中的空间坐标。
进一步，还包括：
基于空间位置的最近邻匹配方式，确定所述任一叶尖对应的每个目标检测框。
本发明的空间水稻叶尖检测与生长轨迹生成系统的技术方案如下：
包括：训练模块、检测模块和生成模块；
所述训练模块用于：基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；
所述检测模块用于：将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；
所述生成模块用于：根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
本发明的空间水稻叶尖检测与生长轨迹生成系统的有益效果如下：
本发明的系统能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，从而为空间科学实验机理研究提供数据服务，为科研人员深入研究水稻植株生长运动节律提供技术支撑。
在上述方案的基础上，本发明的空间水稻叶尖检测与生长轨迹生成系统还可以做如下改进。
进一步，还包括：处理模块；
所述处理模块用于：获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。
本发明的一种存储介质的技术方案如下：
存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的空间水稻叶尖检测与生长轨迹生成方法的步骤。
附图说明
图1示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例的流程示意图；
图2示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的叶尖标注示意图；
图3示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的预设目标检测模型的结构示意图；
图4示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的原始骨干网络的结构示意图；
图5示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的融合位置注意力的骨干网络的结构示意图；
图6示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的最近邻匹配方式的示意图；
图7示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的待检测空间水稻的检测结果示意图；
图8示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的目标检测模型的训练过程中损失和精度的变化示意图；
图9示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的目标检测模型训练前后的热力图；
图10示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的水平方向和垂直方向的叶尖定位误差示意图；
图11示出了本发明提供的空间水稻叶尖检测与生长轨迹生成系统的实施例的结构示意图。
具体实施方式
图1示出了本发明提供的空间水稻叶尖检测与生长轨迹生成方法的实施例的流程示意图。如图1所示，包括如下步骤：
S1、基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型。
其中，①目标训练图像为：包含空间水稻的图像，该图像用于对目标检测模型进行训练。②预设目标检测模型为：预先构建的用于对空间水稻叶尖进行检测的模型，该模型的检测目标类型为：空间水稻的叶尖；模型的输入为目标训练图像，输出为目标检测框。③训练好的目标检测模型为：训练好的用于空间水稻叶尖检测的模型。
S2、将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框。
其中，①待检测空间水稻为：本实施例中需要进行叶尖检测和叶尖生长轨迹生成的的空间水稻。②待测图像的数量为多个，分别为待检测空间水稻在不同时刻的图像。③目标检测框为：包含待检测空间水稻的叶尖的目标框；每个待测图像对应有至少一个目标检测框。
需要说明的是，由于水稻生长变化缓慢微弱，为更好地分析叶尖的生长轨迹，在待检测空间水稻的视频数据中每隔50帧进行采样，得到不同时刻的待检测空间水稻的待测图像，也可根据实际需求进行选取，在此不设限制。
S3、根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
其中，①待检测空间水稻包括多个叶尖，每个叶尖对应一个生长轨迹。②以图像左上角为坐标原点，第一坐标轴向右，第二坐标轴向下，构建预设坐标系。
较优地，还包括：
获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。
其中，①原始训练图像为：从空间水稻视频中所截取的包含空间水稻的图像，默认为1920×1080大小的图像。②数据增强处理包括但不限于：图像的随机裁剪为512×512、图像随机平移、翻转、亮度变化等方式。
较优地，还包括：
对每个目标训练图像中的每个叶尖分别进行标注，得到每个目标训练图像对应的多个包含叶尖的训练标注框。
其中，标注方式为：以图像中的叶尖为中心画圆的方式，然后取圆形的外接正方形，以此保证叶尖始终位于目标框的中心，可以帮助网络学习这一潜在空间位置特征，使得预测叶尖尽量接近框的中心。具体地，如图2所示，圆形标注半径为R，始终保持叶尖(x，y)位于标注框的中心区域，这也有助于网络在学习过程中来学习这一隐含先验信息。
较优地，步骤S1包括：
S11、将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框，并根据所述任一目标训练图像中的每个相同叶尖的训练标注框和训练检测框，得到所述任一目标训练图像的损失值，直至得到每个目标训练图像的损失值。
具体地，将任一目标训练图像输入至预设目标检测模型，得到该目标训练图像的每个包含叶尖的训练检测框，并根据该目标训练图像中的任一叶尖的训练标注框和训练检测框，得到该目标训练图像中的所述任一叶尖的训练损失值，重复上述过程，得到并根据该目标训练图像中的每个叶尖的训练损失值，得到该目标训练图像的损失值，直至得到每个目标训练图像的损失值。
S12、基于所有的损失值，对所述预设目标检测模型的网络参数进行优化，得到优化后的目标检测模型，将所述优化后的目标检测模型作为所述预设目标检测模型并返回执行步骤S11，直至所述优化后的目标检测模型满足预设训练条件时，将所述优化后的目标检测模型确定为所述训练好的目标检测模型。
其中，预设训练条件为：达到最大迭代训练次数(可根据实际需求进行设定，在此不设限制)。
具体地，利用所有的损失值，对预设目标检测模型的网络参数进行优化，得到优化后的目标检测模型，将所述优化后的目标检测模型作为预设目标检测模型并返回重复执行步骤S11，直至优化后的目标检测模型达到最大迭代训练次数时，将优化后的目标检测模型确定为训练好的目标检测模型。
需要说明的是，目标检测模型的迭代训练过程以及损失值对网络参数的优化的具体实现方式为现有技术，在此不过多赘述。
较优地，所述预设目标检测模型包括：依次连接设置的融合位置注意力的骨干网络、多尺度特征金字塔网络和候选区域生成网络。
其中，预设目标检测模型的整体结构图如图3所示。具体地，为了充分的学习不同背景和叶尖实例的泛化性特征，本实施例的，预设目标检测模型采用经典的ResNet50网络作为基础骨干网络，并在基础骨干网络中添加位置注意力，并加载在大型公开数据集ImageNet上完成预训练的参数作为网络训练初始值。输出的通道数分别为256、512、1024、2048的特征图后接入多尺度特征金字塔网络，使得网络学习不同尺度的叶尖区域特征。随后输出的通道数为256的特征图输入候选区域生成网络生成初始的叶尖的候选框。初始化Anchor比例设置了1：2，1：1，2：1三种。区域生成网络初步学习完成的候选框随后输入三级级联RCNN网络进行精细化学习修正，每个RCNN检测头包含两个卷积分支，分别完成分类、定位。随着候选框的质量逐渐提升，三级分别设置IOU阈值为0.5、0.6、0.7，由此实现目标框定位精细化学习，得到图像中包含每个叶尖的训练检测框。
将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框的步骤，包括：
将所述任一目标训练图像输入至所述融合位置注意力的骨干网络，得到所述任一目标训练图像的四个不同分辨率的第一特征图。
其中，融合位置注意力的骨干网络为：在原始的骨干网络中融合了位置注意力。如图4所示，原始的骨干网络Resnet50由BasicBlock和BottleNeck这样的基础结构组成。如图5所示，融合位置注意力的骨干网络在BottleNeck结构中进行改进，融合了位置注意力，但输入输出的通道数不变。融合位置注意力的骨干网络的输入为：目标训练图像(512×512大小的图像)；融合位置注意力的骨干网络的输出为：四个不同分辨率的第一特征图。
需要说明的是，四个不同分辨率的第一特征图的大小分别为：[B，128，128，256]，[B，64，64，512]，[B，32，32，1024]，[B，16，16，2048]；其中B为实验设置的批次大小，本实施例中默认设置B＝4。
将所述任一目标训练图像的四个不同分辨率的第一特征图输入至多尺度特征金字塔网络，得到所述任一目标训练图像的五个不同分辨率的第二特征图。
其中，多尺度特征金字塔网络的输入为：融合位置注意力的骨干网络输出的四个不同分辨率的第一特征图；多尺度特征金字塔网络的输出为：五个不同分辨率的第二特征图。
需要说明的是，相邻的第一特征图经过上采样融合以及卷积处理后，得到五个不同分辨率的第二特征图，大小分别为：[4，128，128，256]，[4，64，64，256]，[4，32，32，256]，[4，16，16，256]，[4，16，16，256]。
将所述任一目标训练图像的五个不同分辨率的第二特征图输入至候选区域生成网络，得到所述任一目标训练图像的每个包含叶尖的训练检测框。
其中，候选区域生成网络的输入为：五个不同分辨率的第二特征图；候选区域生成网络的输出为：目标训练图像的每个包含叶尖的训练检测框。
需要说明的是，将五个不同分辨率的第二特征图输入至候选区域生成网络，在输入的不同分辨率的第二特征图上产生不同尺度的anchor预选框，将anchor对应的特征区域进行分类和回归，学习目标的精准位置信息，得到目标训练图像的每个包含叶尖的训练检测框。
较优地，任一待测图像为红光背景待测图像或多个白光背景待测图像。
根据所述待检测空间水稻的任一目标检测框，确定该目标检测框中的叶尖在所述预设坐标系中的空间坐标的步骤，包括：
当所述任一目标检测框为白光背景待测图像对应的目标检测框时，基于颜色信息，对所述任一目标检测框对应的白光背景待测图像进行水稻本体植株提取，得到该白光背景待测图像对应的植株提取图像，并将所述任一目标检测框映射至该白光背景待测图像对应的植株提取图像中，得到所述任一目标检测框的目标检测光映射区域，并利用Harris-Laplace角点检测器，提取所述任一目标检测框的目标检测光映射区域中的所有角点特征，并采用KMeans聚类算法，对所述任一目标检测框的目标检测光映射区域中的所有角点特征进行聚类，得到所述任一目标检测框中的叶尖在所述预设坐标系中的空间坐标。
具体地，当任一目标检测框为白光背景待测图像对应的目标检测框时，①基于颜色信息，对所述任一目标检测框对应的白光背景待测图像进行水稻本体植株提取，得到该白光背景待测图像对应的植株提取图像；②将所述任一目标检测框映射至该白光背景待测图像对应的植株提取图像中，得到所述任一目标检测框的目标检测光映射区域；③利用Harris-Laplace角点检测器，提取所述任一目标检测框的目标检测光映射区域中的所有角点特征；④并采用KMeans聚类算法，对所述任一目标检测框的目标检测光映射区域中的所有角点特征进行聚类，得到所述任一目标检测框中的叶尖在所述预设坐标系中的空间坐标。
当所述任一目标检测框为红光背景待测图像对应的目标检测框时，将所述任一目标检测框的中心点位置确定为叶尖在所述预设坐标系中的空间坐标。
较优地，还包括：
基于空间位置的最近邻匹配方式，确定所述任一叶尖对应的每个目标检测框。
具体地，获取所有目标检测框中的叶尖的空间坐标，并从所有的空间坐标中，利用空间位置的最近邻匹配方式，确定所述任一叶尖对应的空间坐标(由于空间坐标和目标检测框为一一对应关系，即得到所述任一叶尖对应的每个目标检测框)。
需要说明的是，①由于空间水稻的视频数据帧率较高，相邻两帧(相邻两个待测图像)之间的叶尖空间位置变化微小，不同叶尖之间有一定的距离间隔。因此，采用利用空间位置的最近邻匹配方式，求取最小距离差下的最优匹配关系。最终得到连续多帧下的每个叶尖的生长轨迹。基于生成的轨迹数据，可以分析周期性的水稻植株生长摆动等生物规律，为进一步的生物学研究提供技术支持。②图6示出了最近邻匹配方式的示意图，对于叶尖目标1，计算在相邻帧上的匹配叶尖目标id，具体计算为：其中x1为当前帧中的待匹配的目标叶尖的空间坐标，xi′为当前帧的前一帧中的第i个叶尖的空间坐标；
由于水稻叶尖生长过程缓慢，连续拍摄的视频段中相邻帧之间每个叶尖的移动变化极其微小，因此，该算法可以实现简洁高效的后匹配和生长轨迹生成，避免了深度学习网络中的参数学习优化的过程。
此外，在本实施例中，还需要说明一下几点：
①算法参数设置。目标检测模型的训练采用SGD优化器，批次大小设置为4，学习率设置为0.0001，训练轮数设置为20轮。训练好的目标检测模型在抽帧得到的全部数据(包含已标注未标注)上完成推理。根据推理区域得分，自适应调整区域生成网络和RCNN网络的非极大值抑制操作的iou阈值分别为0.7和0.1，有效去除冗余结果。由此，本实施例的方案完成辅助输出全部时刻的叶尖信息，可以有效降低人工成本。数据集的划分方面，对几个相邻时间的视频段进行抽帧，共获取1127张图像，选取965张图像作为训练图像，共包含800张白光背景图像和165张红光背景图像，待检测空间水稻的待测图像包含162张红光数据，叶尖有两次较为明显的生长轨迹变化。另外有两段不同时间段，背景光照等条件差异较大的两个视频段用于模型泛化性验证分析。
②实验结果验证与分析。
1)图7展示了待检测空间水稻的待测图像中的两次典型的轨迹变化后的图像检测结果。从图7中能够看出，针对不同形态下的叶尖，都可以稳定精确的实现目标检测，目标检测框的中心区域和叶尖基本吻合。
2)目标检测模型的训练过程中损失和精度的变化如图8所示。最终模型收敛后，检测精度mAP由75％左右提升至83.7％。
3)图9示出了目标检测模型在训练前后的热力图。对于训练前后的热力图进行可视化分析发现，模型网络学习过程中有效抑制了杂乱背景的干扰。
4)本实施例在待检测空间水稻对应的视频段上对定位误差进行了进一步分析，图10中分别展示了水平方向和垂直方向的叶尖定位误差，计算得出的水平方向定位误差为0.21个像素，垂直方向的定位误差为0.03个像素，可以看出，定位误差极其微小，对于研究水稻植株的生长规律与生物节律等科学家重点关注的信息不会造成影响。
本实施例的技术方案能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，从而为空间科学实验机理研究提供数据服务，为科研人员深入研究水稻植株生长运动节律提供技术支撑。
图11示出了本发明提供的空间水稻叶尖检测与生长轨迹生成系统的实施例的结构示意图。如图11所示，该系统200包括：训练模块210、检测模块220和生成模块230。
所述训练模块210用于：基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；
所述检测模块220用于：将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；
所述生成模块230用于：根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
较优地，还包括：处理模块；
所述处理模块用于：获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。
本实施例的技术方案能够对空间水稻的叶尖进行精准定位并能够简洁高效的实现叶尖生长轨迹的生成，从而为空间科学实验机理研究提供数据服务，为科研人员深入研究水稻植株生长运动节律提供技术支撑。
上述关于本发明提供的空间水稻叶尖检测与生长轨迹生成系统200的实施例中的各参数和各个模块实现相应功能的步骤，可参考上文中提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如空间水稻叶尖检测与生长轨迹生成方法的步骤，具体可参考上文中提供的空间水稻叶尖检测与生长轨迹生成方法的实施例中的各参数和步骤，在此不做赘述。
计算机存储介质例如：优盘、移动硬盘等。
所属技术领域的技术人员知道，本发明可以实现为方法、系统和存储介质。
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。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。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种空间水稻叶尖检测与生长轨迹生成方法，其特征在于，包括：
S1、基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；
S2、将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；
S3、根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
2.根据权利要求1所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，还包括：
获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。
3.根据权利要求1或2所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，还包括：
对每个目标训练图像中的每个叶尖分别进行标注，得到每个目标训练图像对应的多个包含叶尖的训练标注框。
4.根据权利要求3所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，步骤S1包括：
S11、将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框，并根据所述任一目标训练图像中的每个相同叶尖的训练标注框和训练检测框，得到所述任一目标训练图像的损失值，直至得到每个目标训练图像的损失值；
S12、基于所有的损失值，对所述预设目标检测模型的网络参数进行优化，得到优化后的目标检测模型，将所述优化后的目标检测模型作为所述预设目标检测模型并返回执行步骤S11，直至所述优化后的目标检测模型满足预设训练条件时，将所述优化后的目标检测模型确定为所述训练好的目标检测模型。
5.根据权利要求4所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，所述预设目标检测模型包括：依次连接设置的融合位置注意力的骨干网络、多尺度特征金字塔网络和候选区域生成网络；将任一目标训练图像输入至所述预设目标检测模型，得到所述任一目标训练图像的每个包含叶尖的训练检测框的步骤，包括：
将所述任一目标训练图像输入至所述融合位置注意力的骨干网络，得到所述任一目标训练图像的四个不同分辨率的第一特征图；
将所述任一目标训练图像的四个不同分辨率的第一特征图输入至多尺度特征金字塔网络，得到所述任一目标训练图像的五个不同分辨率的第二特征图；
将所述任一目标训练图像的五个不同分辨率的第二特征图输入至候选区域生成网络，得到所述任一目标训练图像的每个包含叶尖的训练检测框。
6.根据权利要求1所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，任一待测图像为红光背景待测图像或多个白光背景待测图像；根据所述待检测空间水稻的任一目标检测框，确定该目标检测框中的叶尖在所述预设坐标系中的空间坐标的步骤，包括：
当所述任一目标检测框为白光背景待测图像对应的目标检测框时，基于颜色信息，对所述任一目标检测框对应的白光背景待测图像进行水稻本体植株提取，得到该白光背景待测图像对应的植株提取图像，并将所述任一目标检测框映射至该白光背景待测图像对应的植株提取图像中，得到所述任一目标检测框的目标检测光映射区域，并利用Harris-Laplace角点检测器，提取所述任一目标检测框的目标检测光映射区域中的所有角点特征，并采用KMeans聚类算法，对所述任一目标检测框的目标检测光映射区域中的所有角点特征进行聚类，得到所述任一目标检测框中的叶尖在所述预设坐标系中的空间坐标；
当所述任一目标检测框为红光背景待测图像对应的目标检测框时，将所述任一目标检测框的中心点位置确定为叶尖在所述预设坐标系中的空间坐标。
7.根据权利要求1所述的空间水稻叶尖检测与生长轨迹生成方法，其特征在于，还包括：
基于空间位置的最近邻匹配方式，确定所述任一叶尖对应的每个目标检测框。
8.一种空间水稻叶尖检测与生长轨迹生成系统，其特征在于，包括：训练模块、检测模块和生成模块；
所述训练模块用于：基于多个包含空间水稻的目标训练图像，对用于空间水稻叶尖检测的预设目标检测模型进行训练，得到训练好的目标检测模型；
所述检测模块用于：将不同时刻的待检测空间水稻的待测图像输入至所述训练好的目标检测模型，得到每个待测图像中的待检测空间水稻的叶尖所处的目标检测框；
所述生成模块用于：根据所述待检测空间水稻的任一叶尖对应的每个目标检测框，确定该叶尖在预设坐标系中的空间坐标，并基于该叶尖对应的所有的空间坐标，生成该叶尖的生长轨迹。
9.根据权利要求8所述的空间水稻叶尖检测与生长轨迹生成系统，其特征在于，还包括：处理模块；
所述处理模块用于：获取多个包含空间水稻的原始训练图像，并分别对每个原始训练图像进行数据增强处理，得到多个目标训练图像。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至7中任一项所述的空间水稻叶尖检测与生长轨迹生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310675738.7A CN116824581A (zh) | 2023-06-08 | 2023-06-08 | 空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310675738.7A CN116824581A (zh) | 2023-06-08 | 2023-06-08 | 空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116824581A true CN116824581A (zh) | 2023-09-29 |
Family
ID=88123331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310675738.7A Pending CN116824581A (zh) | 2023-06-08 | 2023-06-08 | 空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824581A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013005725A (ja) * | 2011-06-22 | 2013-01-10 | Nikon Corp | 成長度合検出装置、植物栽培システム、植物栽培プラント、成長度合検出方法及びプログラム |
| CN106197317A (zh) * | 2016-07-28 | 2016-12-07 | 北京农业信息技术研究中心 | 田间环境下玉米叶尖生长运动测量方法及装置 |
| CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
| CN112069985A (zh) * | 2020-08-31 | 2020-12-11 | 华中农业大学 | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 |
| CN112270268A (zh) * | 2020-10-29 | 2021-01-26 | 重庆邮电大学 | 一种非结构化环境下基于深度学习的果实采摘机器人目标检测方法 |
| CN113011488A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 一种基于目标检测的春石斛生长状态检测方法 |
| US20220222837A1 (en) * | 2021-01-12 | 2022-07-14 | Hon Hai Precision Industry Co., Ltd. | Method for measuring growth height of plant, electronic device, and storage medium |
| US20220222813A1 (en) * | 2021-01-12 | 2022-07-14 | Hon Hai Precision Industry Co., Ltd. | Method for determining plant growth curve and electronic device |
| CN115908356A (zh) * | 2022-12-07 | 2023-04-04 | 东华理工大学 | 一种基于LDLFModel的PCB缺陷检测方法 |
| CN115984172A (zh) * | 2022-11-29 | 2023-04-18 | 上海师范大学 | 一种基于增强特征提取的小目标检测方法 |
-
2023
- 2023-06-08 CN CN202310675738.7A patent/CN116824581A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013005725A (ja) * | 2011-06-22 | 2013-01-10 | Nikon Corp | 成長度合検出装置、植物栽培システム、植物栽培プラント、成長度合検出方法及びプログラム |
| CN106197317A (zh) * | 2016-07-28 | 2016-12-07 | 北京农业信息技术研究中心 | 田间环境下玉米叶尖生长运动测量方法及装置 |
| CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
| CN112069985A (zh) * | 2020-08-31 | 2020-12-11 | 华中农业大学 | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 |
| CN112270268A (zh) * | 2020-10-29 | 2021-01-26 | 重庆邮电大学 | 一种非结构化环境下基于深度学习的果实采摘机器人目标检测方法 |
| US20220222837A1 (en) * | 2021-01-12 | 2022-07-14 | Hon Hai Precision Industry Co., Ltd. | Method for measuring growth height of plant, electronic device, and storage medium |
| US20220222813A1 (en) * | 2021-01-12 | 2022-07-14 | Hon Hai Precision Industry Co., Ltd. | Method for determining plant growth curve and electronic device |
| CN113011488A (zh) * | 2021-03-16 | 2021-06-22 | 华南理工大学 | 一种基于目标检测的春石斛生长状态检测方法 |
| CN115984172A (zh) * | 2022-11-29 | 2023-04-18 | 上海师范大学 | 一种基于增强特征提取的小目标检测方法 |
| CN115908356A (zh) * | 2022-12-07 | 2023-04-04 | 东华理工大学 | 一种基于LDLFModel的PCB缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| JONGCHAN PARK ET.AL: "A Simple and Light-Weight Attention Module for Convolutional Neural Networks", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》, vol. 128, pages 783, XP037090860, DOI: 10.1007/s11263-019-01283-0 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Busta et al. | Deep textspotter: An end-to-end trainable scene text localization and recognition framework | |
| CN109800631B (zh) | 基于掩膜区域卷积神经网络的荧光编码微球图像检测方法 | |
| CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
| CN111652225B (zh) | 基于深度学习的非侵入式摄像读取方法及系统 | |
| CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
| CN110956126A (zh) | 一种联合超分辨率重建的小目标检测方法 | |
| CN112990222B (zh) | 一种基于图像边界知识迁移的引导语义分割方法 | |
| Mahasin et al. | Comparison of CSPDarkNet53, CSPResNeXt-50, and EfficientNet-B0 backbones on YOLO v4 as object detector | |
| CN111967313A (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
| CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统 | |
| CN110675405B (zh) | 基于注意力机制的one-shot图像分割方法 | |
| CN114299324B (zh) | 一种基于多尺度域对抗网络的病理图像分类方法及系统 | |
| CN111985325A (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
| CN110503014B (zh) | 基于多尺度掩码感知回馈卷积神经网络的人数统计方法 | |
| CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
| CN111310837A (zh) | 车辆改装识别方法、装置、系统、介质和设备 | |
| Lorentz et al. | Explaining defect detection with saliency maps | |
| CN116824581A (zh) | 空间水稻叶尖检测与生长轨迹生成方法、系统和存储介质 | |
| Radlak et al. | Adaptive Vision Studio—Educational tool for image processing learning | |
| CN115170793A (zh) | 面向工业产品质检的小样本图像分割自我校准方法 | |
| CN114140879A (zh) | 基于多头级联注意网络与时间卷积网络的行为识别方法及装置 | |
| CN111028245A (zh) | 一种多模态复合的高清高速视频背景建模方法 | |
| CN114460086B (zh) | 一种倾斜耐张绝缘子串的检测方法 | |
| CN116503674B (zh) | 一种基于语义指导的小样本图像分类方法、装置及介质 | |
| Zheng et al. | Interface Identification of Automatic Verification System Based on Deep Learning |
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 |