CN117409403B - 一种基于深度学习的水稻稻穗成熟度估算方法 - Google Patents

一种基于深度学习的水稻稻穗成熟度估算方法 Download PDF

Info

Publication number
CN117409403B
CN117409403B CN202311730898.3A CN202311730898A CN117409403B CN 117409403 B CN117409403 B CN 117409403B CN 202311730898 A CN202311730898 A CN 202311730898A CN 117409403 B CN117409403 B CN 117409403B
Authority
CN
China
Prior art keywords
rice
sample
image
rice spike
spike
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
CN202311730898.3A
Other languages
English (en)
Other versions
CN117409403A (zh
Inventor
刘守阳
王旭
刘正辉
韩瑞玺
李泽俊
丁艳锋
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.)
Sanya Research Institute Of Nanjing Agricultural University
Nanjing Agricultural University
Original Assignee
Sanya Research Institute Of Nanjing Agricultural University
Nanjing Agricultural University
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 Sanya Research Institute Of Nanjing Agricultural University, Nanjing Agricultural University filed Critical Sanya Research Institute Of Nanjing Agricultural University
Priority to CN202311730898.3A priority Critical patent/CN117409403B/zh
Publication of CN117409403A publication Critical patent/CN117409403A/zh
Application granted granted Critical
Publication of CN117409403B publication Critical patent/CN117409403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习的水稻稻穗成熟度估算方法，该方法包括：对水稻稻穗样品进行图像采集；对采集的水稻稻穗样品图像信息进行预处理后，输入预先建立的语义分割模型对水稻稻穗样品进行分割，根据分割结果提取得到水稻稻穗样品的表型参数；基于水稻稻穗样品的表型参数对水稻稻穗样品的含水率进行估算，并基于含水率对水稻稻穗样品的成熟度进行估算，从而实现更加精准和高效的水稻收获时间预测。本发明可以广泛应用于作物表型监测技术领域。

Description

一种基于深度学习的水稻稻穗成熟度估算方法
技术领域
本发明属于作物监测技术领域，具体涉及一种基于深度学习的水稻稻穗成熟度估算方法。
背景技术
水稻是我国主要的粮食作物之一，在水稻的生长和收获过程中，确定正确的收获时间是非常关键的。适时的收获不仅可以保证高产，还能够保持稻穗的优质。过早或过晚的收获都可能导致产量和品质的损失。水稻达到生理成熟的标准是稻穗内干物重达到最大，也就是完熟期。
传统的成熟度评估方法费时费力，主要依靠人工和经验判断，数据采集工作量巨大，耗时费力，而且监测易受主观影响，误差较大，且具有较大的破坏性。难以满足现代农业高效、智能、精准的要求。因此，研发水稻稻穗成熟度的实时、无损、高通量表型监测技术，对于准确判断水稻收获期、协同增加稻麦两熟周年产量具有重要意义。
目前，市面上出现了一些水稻稻穗自动拍照装置，但是它们往往只能进行简单拍摄稻穗的外观图像，而无法进行成熟度的预测，指导收获时间。
发明内容
针对上述问题，本发明的目的是提供一种基于深度学习的水稻稻穗成熟度估算方法，该方法可以在室内环境下，无损的获取并分割水稻穗部图像，并估算出稻穗含水率，进而估算稻穗成熟度。
为实现上述目的，本发明采取以下技术方案：
一种基于深度学习的水稻稻穗成熟度估算方法，包括以下步骤：
对水稻稻穗样品进行图像采集，采集装置包括驱动传送装置、图像采集装置以及上位机；所述驱动传送装置用于将采集的水稻稻穗样品传送至所述图像采集装置内；所述图像采集装置用于对水稻稻穗样品进行图像采集，并发送到所述上位机；
所述上位机对采集的水稻稻穗样品图像信息进行预处理后，输入预先建立的语义分割模型对水稻稻穗样品进行分割，根据分割结果提取得到水稻稻穗样品的表型参数；
所述水稻稻穗样品的表型参数的提取，包括：
对采集的水稻稻穗样品原始图像进行预处理，得到预设大小的裁切图像；将各裁切图像输入预先建立并训练好的语义分割模型进行分割，得到水稻稻穗样品的二值化掩模图像；基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗的形状参数信息和颜色参数信息；将得到的形状参数信息和颜色参数信息作为水稻稻穗样品的表型参数输出；
所述语义分割模型的训练，包括：获取预设数量的裁切图像，对裁切图像进行标注得到第一训练数据集，并随机划分为第一训练集、第一验证集和第一测试集；利用第一训练集对预先建立的各语义分割模型进行训练，并基于第一验证集和第一测试集对训练后的各语义分割模型进行验证和测试，得到最优语义分割模型；
基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算。
进一步，所述驱动传送装置包括PLC控制器、机架以及皮带式输送机；所述皮带式输送机设置在所述机架上，包括输送带和电机，且所述电机与所述PLC控制器相连，所述输送带的表面设置有防滑层，用于输送水稻稻穗样品并保证输送过程中水稻稻穗样品不发生偏移；所述PLC控制器用于根据所述上位机发送的控制信号通过所述电机对所述输送带的运行状态进行控制。
进一步，所述图像采集装置包括检测暗箱、LED灯带、RGB相机和第一～第三传感器；
所述检测暗箱上对应于所述输送带入口处和出口处的位置分别设置有第一滑动门和第二滑动门，且所述第一滑动门和第二滑动门上分别设置有用于对水稻稻穗样品位置进行检测的第一传感器和第二传感器，当所述第一传感器和第二传感器检测到水稻稻穗样品到达指定位置后，发送信号到所述PLC控制器，由所述PLC控制器控制所述第一滑动门和第二滑动门自动打开和关闭；
所述检测暗箱内部的预设位置处还设置有第三传感器，当所述第三传感器检测到水稻稻穗样品到达指定位置后，发送信号到所述上位机，由所述上位机控制设置在所述检测暗箱顶部中心位置的所述RGB相机对水稻稻穗样品进行图像采集；
所述检测暗箱内壁还设置有黑色吸光绒布，用于形成稳定的成像环境；
所述LED灯带等间距设置在检测暗箱顶部和四周，用于提供照明。
进一步，所述基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗样品的形状参数信息和颜色参数信息之前，还包括：
基于形态学算法对分割结果进行后处理，得到包含有各个稻穗精细轮廓的水稻稻穗图像。
进一步，所述水稻稻穗的形状参数信息提取，包括：对包含有各个稻穗精细轮廓的水稻稻穗图像进行特征提取和计算，得到各水稻稻穗的形状参数信息。
进一步，所述水稻稻穗的颜色参数信息提取，包括：
利用包含有各个稻穗精细轮廓的水稻稻穗图像对水稻稻穗样品的原始图像进行后处理，得到彩色分割图像；
基于得到的彩色分割图像，利用预设比色卡提取得到彩色分割图像中水稻稻穗对应的颜色参数信息。
进一步，所述基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算，包括：
将水稻稻穗样品的颜色参数信息输入预先建立并训练好的含水率估算模型，得到水稻稻穗样品的含水率；
将水稻稻穗样品的含水率输入预先建立并训练好的成熟度估算模型，得到水稻稻穗样品的成熟度。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明利用驱动传送装置将获取的水稻稻穗样品传输到检测暗箱中，RGB相机的拍摄过程在检测暗箱内完成，且自带光源系统，监测不受外界光源影响，确保监测环境的一致性，监测的稳定性高。
2、本发明采用语义分割的算法对水稻稻穗进行分割，相比于传统的图像处理方法，基于深度学习的语义分割方法可以准确的分割出单个目标，且U-Net模型结构简单、训练高效。
3、本发明由于在利用语义分割模型进行稻穗分割后，构建了基于RGB图像的水稻稻穗含水率高通量监测模型，实现了稻穗含水率的实时、无损监测。
4、本发明使用构建好的稻穗含水率——相对干重模型，可以很好地模拟水稻稻穗在生长过程中含水率和相对干重的变化特性，根据此模型估算出稻穗相对干重，进而实现了稻穗成熟度的实时、无损监测。
因此，本发明可以广泛应用于作物表型监测技术领域。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
图1是本发明实施例提供的基于深度学习的水稻稻穗分割及表型监测方法流程图；
图2是本发明实施例提供的U-Net网络结构；
图3是本发明实施例提供的三种模型对室内环境下不同生育时期稻穗的分割效果对比；
图4是本发明实施例提供的稻穗含水率——相对干重模型。
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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
近年来，随着计算机视觉和深度学习等技术的快速发展，基于深度学习的图像分割逐渐应用于各个领域。其中，图像语义分割可以将图像中的每个像素分类为不同的语义类别的一种图像分割方法。例如，在自动驾驶场景中，汽车通过摄像头实时捕捉周围场景，利用图像语义分割技术判断每个像素的预测类别，对周围的其他汽车、行人等进行避让，或者识别车道线以判断行驶方向；在医学场景中，对人体不同器官部位进行图像语义分割，可以辅助医师更好地判断医学影像中可能出现的病灶等。但是在水稻方向上，使用基于深度学习的图像语义分割进行处理的例子不多。如果应用在水稻上，它能够对稻穗的形态、纹理、颜色等特征进行分析和识别，从而更准确地分割出稻穗结构。同时，与传统的图像分割方法相比，语义分割不需要手动调整参数，更加自动化和高效。
因此，本发明的一些实施例中，提供一种基于深度学习的水稻稻穗成熟度估算系统，该系统包括驱动传送装置、图像采集装置以及上位机。利用驱动传送装置将水稻稻穗样品输送至图像采集装置中，由图像采集装置对水稻稻穗样品进行图像采集；然后，上位机对采集图像进行处理，利用深度学习方法获取水稻稻穗样品的表型参数，并基于获得的表型参数对水稻稻穗样品的成熟度进行估算。本发明能够通过分析稻穗的图像数据来准确和快速地估算其成熟度，具有重要的实际应用价值。这样的技术不仅能够提高粮食产量和质量，还可以大大减少依赖人工经验的不确定性，使得收获时间的确定更加科学和精准。
与之相对应地，本发明的另一些实施例中，提供一种基于深度学习的水稻稻穗成熟度估算方法。
实施例1
本实施例提供一种基于深度学习的水稻稻穗成熟度估算系统，其包括：驱动传送装置、图像采集装置以及上位机。其中，驱动传送装置用于将采集的水稻稻穗样品传送至图像采集装置内；图像采集装置用于对水稻稻穗样品进行图像采集，并发送到上位机；上位机用于对驱动传送装置和图像采集装置进行控制，同时对采集图像进行处理得到水稻稻穗样品的表型参数，并基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算。
优选地，驱动传送装置包括PLC控制器、机架以及皮带式输送机。其中，皮带式输送机设置在机架上，包括输送带和电机，且电机与PLC控制器相连，输送带表面设置有防滑层，用于输送水稻稻穗样品并保证输送过程中水稻稻穗样品不发生偏移；PLC控制器用于根据上位机发送的控制信号通过电机对输送带的运行状态进行控制。
优选地，图像采集装置包括检测暗箱，检测暗箱上对应于输送带入口处和出口处的位置分别设置有第一滑动门和第二滑动门，且第一滑动门和第二滑动门上分别设置有用于对水稻稻穗样品位置进行检测的第一传感器和第二传感器，当第一传感器和第二传感器检测到水稻稻穗样品到达指定位置后，发送信号到PLC控制器，由PLC控制器根据上位机发送的控制信号控制第一滑动门和第二滑动门自动打开和关闭，确保检测暗箱内部光线不受外部影响；检测暗箱内部的预设位置处还设置有第三传感器，当第三传感器检测到水稻稻穗样品到达指定位置后，发送信号到上位机，由上位机控制设置在检测暗箱顶部中心位置的RGB相机对水稻稻穗样品进行图像采集；检测暗箱内壁还设置有黑色吸光绒布，用于形成稳定的成像环境；检测暗箱顶部和四周还等间距设置有若干LED灯带，用于提供均匀的照明。
优选地，本实施例中，RGB相机采用Sony RX0相机，该相机采用了高像素的1英寸背照式CMOS传感器，并搭配强大的图像处理器，能够拍摄出高质量的水稻稻穗图像。Sony RX0相机的有效像素数为1530万，分辨率为5472x3648，外形尺寸为59 x 40.5 x 29.8毫米，该尺寸可以满足暗箱小空间的使用要求。镜头为固定焦距的24毫米蔡司 Tessar T*镜头，能够拍摄出广角的画面，具有良好的光学性能和色彩还原能力。
优选地，该系统还包括电子天平，用于在对水稻稻穗样品进行图像采集后，对从输送带上落下的水稻稻穗样品的鲜重进行测量，并将测量数据发送到上位机进行记录保存，同时将电子天平的重量清零，这样就不需要每次将水稻稻穗样品从承重筒内取出。本实施例中，电子天平的型号为华志-普利斯特HP系列，最大称量为1000g，精度为0.01g。
优选地，该系统还可以通过网络进行远程控制和管理，可以根据不同的需要进行自动化处理和管理，减少人工干预，提高工作效率。
优选地，该系统在上位机中还可以配备人机交互界面，可以直观的显示水稻稻穗样品的图像和所提取到的表型信息，方便用户进行监控和管理。
该系统在使用时，流程为：
①通过PLC控制器设置好输送带的速度和启停时间（结合拍照时间设置），并将剪去根部的水稻稻穗样品整理好放在输送带上；其中，在采集水稻稻穗样品时，可以在待测试田块的某一行取水稻样品，并对水稻样品进行裁切只保留水稻稻穗部分；
②启动电机，输送带通过转动将水稻稻穗样品运输到检测暗箱内部；
③当水稻稻穗样品进入检测暗箱内部时，第三传感器开始工作，若检测到水稻稻穗样品到达RGB相机的正下方，则发送信号到上位机；
④上位机对RGB相机进行控制，由RGB相机对水稻稻穗样品进行拍摄并将采集到的图像传输至上位机，上位机对水稻稻穗样品的稻穗进行编号和存储；
⑤在拍摄完成后，上位机再次通过PLC控制器启动输送带，对水稻稻穗样品继续运输直至掉落到电子天平上，由电子天平将相应水稻稻穗样品的鲜重数据发送至上位机，上位机将鲜重数据保存到对应编号的水稻稻穗样品数据中；
⑥循环以上步骤①～⑤，直至完成所有水稻稻穗样品的数据采集；
⑦上位机根据所有水稻稻穗样品的采集图像和称重信息进行水稻稻穗样品的表型信息提取、含水率和成熟度估算。
以上是实施该装置的详细步骤，可以根据具体情况进行调整。此外，在实施过程中应注意安全问题，并确保装置能够稳定运行。
实施例2
如图1所示，基于实施例1提供的基于深度学习的水稻稻穗成熟度估算系统，本实施例提供一种基于深度学习的水稻稻穗成熟度估算方法，其包括以下步骤：
1）对水稻稻穗样品进行图像采集；
2）对采集的水稻稻穗样品图像信息进行预处理后，输入预先建立的语义分割模型对水稻稻穗样品进行分割，根据分割结果提取得到水稻稻穗样品的表型参数；
3）基于水稻稻穗样品的表型参数对水稻稻穗样品的含水率进行估算，并基于含水率对水稻稻穗样品的成熟度进行估算，从而实现更加精准和高效的水稻收获时间预测。
优选地，上述步骤2）中，包括以下步骤：
2.1）对采集的水稻稻穗样品原始图像进行预处理，得到预设大小的裁切图像；
2.2）将裁切图像输入预先建立并训练好的语义分割模型进行分割，得到水稻稻穗样品的二值化掩模图像，其中白色部分表示所有的稻穗，其他部分为背景；
2.3）基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗样品的形状参数信息；
2.4）基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗样品的颜色参数信息；
2.5）将水稻稻穗样品的形状参数和颜色参数作为水稻稻穗样品的表型参数输出，输出内容包括水稻稻穗样品原始图像的彩色分割结果（可以显示每个水稻稻穗强势粒和弱势粒的位置，区分单个稻穗）、每幅图像中水稻稻穗样品对应的颜色参数信息（包括R、G、B、H、S、V、L*、a*、b*共9个颜色参数）、每个水稻稻穗样品的长度和宽度等信息。
优选地，上述步骤2.1）中，对采集的水稻稻穗样品图像进行预处理，是为了提高图像分割的精度和效果。具体地，预处理方法包括：
颜色校准：基于得到的水稻稻穗样品图像，使用Colorchecker24比色卡和配套Colorchecker Camera Calibration软件对水稻稻穗样品图像的色彩进行准确还原；
图像裁切：由于原始图像的分辨率过大（4800×3200），为了减少图像标注及模型训练过程中耗费的时间，本实施例将颜色校准后的图像裁切为多个分辨率为1024×1024大小的裁切图像。
优选地，上述步骤2.2）中，语义分割模型的训练，包括以下步骤：
2.2.1）采用与步骤2.1）相同方法获取预设数量的裁切图像，对裁切图像进行数据集标注，得到第一训练数据集，并随机划分为第一训练集、第一验证集和第一测试集；
2.2.2）利用第一训练集对预先建立的各语义分割模型进行训练，并基于第一验证集和第一测试集对训练后的各语义分割模型进行验证和测试，得到最优语义分割模型。
优选地，上述步骤2.2.1）中，对裁切图像进行标注时，首先，为裁切后图像中的每一个水稻稻穗手动标注出一个对应的掩模（mask），即用一个二维矩阵记录下每一个像素点是否属于某一个稻穗；然后，使用madec_annotation_tool标注工具对裁切图像中每一个稻穗的稻穗部分进行人工标注；最后，将裁切后图像进行二分类，稻穗部分的灰度值用255表示，其他部分作为背景，灰度值为0。
对标注后图像进行随机划分时，可以将标注图像按照大致7：2：1的比例，随机划分为训练集、验证集和测试集，本发明对此不做限制。
优选地，上述步骤2.2.2）中，本实施例中建立的语义分割模型包括但不限于U-Net、SegFormer、Deeplabv3+模型等，利用训练集进行训练后，通过验证集和测试集得到的验证测试结果，选择最优的语义分割模型进行后续的水稻稻穗分割。
通过学习训练集中大量的稻穗的图像样本，语义分割模型能够自动地学习到不同形状和颜色的稻穗和稻穗特征。具体来说，将待分割的水稻稻穗图像输入到语义分割模型中，语义分割模型会对水稻稻穗图像进行像素级别的分类，将每个像素分类为属于稻穗或者背景。
如图2所示，本实施例以U-Net模型为例进行介绍，该U-Net网络模型主要由编码器、解码器和跳跃连接部分组成。其中，编码器部分用于对输入的水稻稻穗图像进行特征提取，得到水稻稻穗特征图；解码器部分用于对水稻稻穗特征图进行图像信息恢复，得到与原水稻稻穗图像大小一致的输出图像，并进一步提取得到水稻稻穗图像特征；跳跃连接部分用于对解码器部分提取得到的水稻稻穗图像特征进行分类，得到水稻单株稻穗的二值化掩模图像，其中白色部分表示所有的稻穗，其他部分为背景。
具体地，编码器部分包含四个阶段，每个阶段包含两个3×3卷积和一个以2×2最大池化实现的下采样层，作用是逐层提取水稻稻穗特征图。
解码器部分也分为4个阶段，每个阶段包含两个3×3卷积和一个以2×2反卷积实现的上采样层，主要作用是逐层恢复图像信息，获得与原水稻稻穗大小一致的输出图像。每个卷积层后使用ReLU函数作为激活函数，优点主要是能够降低计算量，提高效率，并且能够防止过拟合，进而更好地挖掘图像特征。
跳跃连接部分利用1×1卷积把64维通道特征图转化为2维通道特征图，利用softmax分类器对每个像素点进行分类，若像素点属于水稻稻穗类别的概率大于阈值，则将该像素点置1，否则将该像素点置0，最终获得水稻单株稻穗的二值化掩模图像，其中白色部分表示所有的稻穗。
优选地，上述步骤2.3）中，基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗样品的形状参数信息，包括：
2.3.1）基于形态学算法对分割结果进行后处理，去除噪声和错误信息，得到包含有各个稻穗精细轮廓的水稻稻穗图像；
2.3.2）对包含有各个稻穗精细轮廓的水稻稻穗图像进行特征提取和计算，得到各水稻稻穗的形状参数信息，包括水稻稻穗的长度、宽度、面积和周长等。
优选地，上述步骤2.3.1）中，在完成水稻稻穗的分割之后，还需要对得到的分割结果进行后处理，以去除一些不必要的噪声和错误信息。视觉偏差是指由于拍摄角度、光照条件、相机参数等因素导致的图像中目标物体与真实物体之间的形状、大小、颜色等方面的差异。视觉偏差会影响对目标物体性状的具体计算结果，因此需要进行校准。对于水稻稻穗这种有明显边界且数量较多的物体，本发明使用了一种基于形态学的算法，对分割结果进行了去噪和细化，消除了一些细小的误差和噪点，提高了分割结果的准确性和清晰度。
优选地，上述步骤2.4）中，基于每个水稻稻穗的精细轮廓图像，提到得到水稻稻穗样品的颜色参数信息时，包括：
2.4.1）利用包含有各个稻穗精细轮廓的水稻稻穗图像对水稻稻穗样品的原始图像进行后处理，得到彩色分割图像；
2.4.2）基于得到的彩色分割图像，利用预设比色卡提取得到彩色分割图像中水稻稻穗对应的颜色参数信息。
优选地，上述步骤2.4.1）中，利用包含有各个稻穗精细轮廓的水稻稻穗图像对水稻稻穗样品的原始图像进行后处理，得到彩色分割图像，包括：
①利用包含有各个稻穗精细轮廓的水稻稻穗图像，提取水稻稻穗样品的原始图像中目标区域的RGB通道信息。
实际上，语义分割模型输出的是一个二值化掩膜图像，在这个二值化掩膜图像中，目标区域（也即水稻稻穗）的像素值为1，背景的像素值为0。该二值化掩模图像是一个与水稻稻穗样品的原始图像大小相同的矩阵，其中目标区域的像素点被标记为1，而背景区域被标记为0。
利用二值化掩膜图像可以提取原始RGB图像中目标区域的颜色信息。具体地，对于每个通道（R、G、B），将二值化掩膜图像与水稻稻穗样品的原始RGB图像的相应通道相乘，将使目标区域的像素保持原始颜色值，而背景区域的像素将变为0。
②将提取到的目标区域的RGB通道重新组合，得到水稻稻穗样品的原始图像的彩色分割图像。
此时，通过将R、G、B通道的结果合并成一个RGB图像，可以将语义分割模型输出的二值化掩膜图像转换为RGB图像，也即把颜色信息还原到二值化掩膜图像上。将合成的彩色分割图像保存为图像文件，以供进一步分析、可视化或应用。
优选地，上述步骤2.4.2）中，基于得到的彩色分割图像，利用预设比色卡提取得到彩色分割图像中水稻稻穗对应的颜色参数信息，包括：
① 准备绿色-黄色分为24个颜色梯度的Colorchecker比色卡并进行预处理（包括裁剪、缩放等），使其与彩色分割图像的大小一致；
② 从比色卡的图像中提取每个颜色梯度的RGB值，并将其存储为一个RGB列表；
③ 遍历彩色分割图像的每个像素，对其每个像素的RGB值与比色卡的RGB列表进行比较，并将该水稻稻穗图像所属的颜色梯度的RGB记录下来，存储为一个新的图像；
④ 重复步骤③，提取彩色分割图像中所有像素的RGB信息；
⑤ 根据提取的所有彩色分割图像的RGB信息，计算得到彩色分割图像在HSV颜色空间下的色调H、饱和度S和明度V，以及其在L*a*b*颜色空间下的亮度L*和a*、b*分量。
优选地，上述步骤3）中，包括以下步骤：
3.1）将水稻稻穗样品的颜色参数信息输入预先建立并训练好的含水率估算模型，得到水稻稻穗样品的含水率；
3.2）将水稻稻穗样品的含水率输入预先建立并训练好的成熟度估算模型，得到水稻稻穗样品的成熟度。
优选地，上述步骤3.1）中，稻穗含水率是判断水稻适宜收获期的核心指标。传统的稻穗含水率测定方法破坏性大，操作复杂，测定时间较长。RGB 图像是通过稻穗的颜色、纹理特征变化来估算其含水率的一种新的技术手段，基于RGB 图像的作物稻穗含水率监测方法具有测定成本低、无损、高通量、准确等优点，能够对大规模样品含水率进行实时监测，在农业生产和科学研究中有着广泛的应用前景。
具体地，含水率估算模型的建立，包括以下步骤：
3.1.1）基于预设数量的水稻稻穗样品的颜色参数信息构建第二训练数据集，并随机划分为第二训练集、第二验证集和第二测试集；
3.1.2）利用第二训练集对预先建立的各含水率估算模型进行训练，并基于第二验证集和第二测试集对训练后的各含水率估算模型进行验证和测试，得到最优含水率估算模型。
优选地，上述步骤3.1.1）中，包括以下步骤：
首先，获取同一生长阶段内预设数量的水稻稻穗样品；
其次，利用步骤2）获取各水稻稻穗样品的颜色参数信息；
再次，分别对各水稻稻穗样品中强势粒和弱势粒的R、G、B及H、S、V、L、a、b共9个颜色参数值求平均，作为第二训练数据集；
最后，将第二训练数据集按照预设比例（例如7：2：1）的比例划分为第二训练集、第二测试集和第二验证集。
优选地，上述步骤3.1.2）中，本实施例利用梯度提升回归树（GBRT）、多元线性回归（MLR）、岭回归（Ridge）和随机森林回归（RF） 4 种机器学习算法分别构建稻穗含水率估算模型。各模型均以水稻稻穗的 R、G、B、H、S、V、L、a、b 共 9 种颜色参数的均值作为自变量，含水率作为因变量。
优选地，上述步骤3.2）中，通过构建基于含水率和相对干重的成熟度估算模型，对水稻稻穗的成熟度进行估算，其中，相对干重指在特定时间点测量的籽粒干重与其最终干重（即成熟时的干重）的比例。成熟度是指稻穗中籽粒的干重达到最大粒重的百分比。具体来说，当稻穗中的籽粒干重达到其最大值，即最大粒重的百分之百时，可以认为稻穗已达到最佳收获期，也就是成熟度达到百分之百。
具体地，包括以下步骤：
3.2.1）收集不同生长阶段的多个水稻稻穗样品，并测量得到各生长阶段中多个水稻稻穗样品的含水率和干重；
3.2.2）对测量得到的水稻稻穗样品的含水率和干重数据进行平均值分析，得到精确的含水率和相对干重数据；
3.2.3）基于水稻稻穗样品的精确含水率和相对干重数据，利用Logistic函数对水稻稻穗的含水率和相对干重之间的关系进行模拟，得到成熟度估算模型；
3.2.4）将待预测水稻稻穗样品的含水率输入成熟度估算模型中，得到待预测水稻稻穗样品的成熟度，基于该成熟度确定水稻稻穗的最佳收货时间，以确保获得最佳产量和品质。
优选地，上述步骤3.2.3）中，本实施例中的成熟度估算模型基于改进的Logistic函数，Logistic函数是一个S型曲线，它可以很好地模拟水稻稻穗在生长过程中含水率和相对干重的变化特性。特别是在水稻稻穗接近成熟阶段时，其含水率的变化会呈现出Logistic函数的饱和特性，这有助于更加精准和科学地估算稻穗的成熟度。因为在水稻稻穗成熟到一定阶段后，如果不及时收获，稻穗粒重可能会因为各种因素（如环境条件、病虫害等）而开始减小，所以逻辑函数的分子设置为1。这也突显了准确估算成熟度和及时收获的重要性，以确保获得最佳的粒重和产量。同时加入P(1)，P(2)两个相关参数，并赋予相应的生理学意义。通过使用Logistic函数，我们可以更好地理解和预测稻穗在不同成熟阶段的表型变化，从而实现更加精准和高效的收获时间预测。
具体地，如图4所示，成熟度估算模型表示为：
式中，Y代表稻穗相对干重；x代表稻穗含水率；P(1)代表曲线的转折点，这一点可以帮助农民确定最佳的收获时间，以避免产量的损失和品质的降低；P(2)代表曲线在拐点处的斜率，或者说是干重增长的速率。它可以提供有关籽粒内部代谢活动速率的信息，从而有助于更好地理解和预测稻穗在不同生长阶段的干重变化。
本发明提供的水稻稻穗成熟度估算方法，能够准确确定最佳的收获时间，还可以用于实时监测稻穗的生长状况。根据成熟度估算模型的预测，可以适时调整收获策略，农民和研究人员可以更精准、更高效地管理水稻的生长和收获，从而实现更高的产量和更好的品质。
实施例3
本实施例通过对室内水稻稻穗图像的处理为例，对本发明的方法做进一步介绍。
1）利用驱动传送装置和图像采集装置对水稻稻穗样品进行图像采集。
采用本发明装置采集水稻稻穗图像，共获得室内水稻稻穗图像453张，其中包括多个不同品种，不同生育期。
2）对采集的水稻稻穗样品图像信息进行预处理后，输入预先建立的语义分割模型对水稻稻穗样品进行分割，根据分割结果提取得到水稻稻穗样品的表型参数。
对图像进行预处理：利用图像采集装置对水稻稻穗样品进行图像采集；然后使用Colorchecker24比色卡和ColorChecker Camera Calibration软件对图像色彩进行准确校准，得到校正后图像；由于原始图像中背景像素的权重过大，为了避免模型在分割过程中把稻穗像素点分割为背景的情况发生，故对原始图像进行裁切处理，图像裁切后大小为1792×3072。
构建数据集：使用madec_annotation_tool标注工具对室内稻穗图像中的稻穗部分进行人工标注，将原始图像进行二分类，稻穗部分的灰度值用255表示，其他部分作为背景，灰度值为0。共获得453张标注的二分类图像，将标注图像按照大致7：2：1的比例，随机划分为训练集、验证集和测试集。即325张用作训练集，82张用作验证集，46张用作测试集。
语义分割模型训练：
①训练环境
本实施例基于Ubuntu 20.04.5 LTS系统，GPU为NVIDIA Quadro RTX8000,CPU为Intel(R) Xeon(R) Silver 4215 CPU @ 2.50GHz × 32，图像处理语言为Python3.7，tensorflow-gpu1.14.0。
②训练参数设置
本实施例中，语义分割模型通过批量训练的方式，将来自训练集的训练样本输入网络。三种语义分割模型训练集和验证集的批量大小（Batch size）均设置为4，即每个批量包括4个样本，遍历田间环境下的数据集一轮需要151个批次，遍历室内环境下的数据集一轮需要102个批次。设置的训练网络迭代次数为100轮，模型的初始学习率设置为0.001，其他设为默认参数。并且通过设置“早停（early_stopping）”模块监测验证损失，即当验证集的loss下降程度小于学习率0.001时，训练停止，目的是防止模型过拟合。
模型评价：为了验证模型分割后的图像是否可以用于后续穗部特征提取，因此需要对模型的分割性能进行准确衡量。使用准确率（Accuracy，ACC）、精确率（Precision，P）、召回率（Recall，R）和F1-Score这4个评价指标来评估模型的分割效果。
①准确率（ACC）
准确率指的是预测正确的样本占所有样本的比例，计算公式如下：
。
②精确率（P）
精确率指的是预测出的正样本中，预测正确的正样本所占的比例。计算公式如下：
。
③召回率（R）
召回率指的是预测出的真正的正样本占所有真实正样本的比例，主要用于衡量分割模型在识别正类实例的准确度。计算公式如下：
。
④F1-Score
F1分数同时兼顾了分类模型的精确率和召回率，也可以看作是精确度和召回率的加权平均值，计算公式如下：
。
其中，TP是指预测和真实标签均为稻穗部分的像素个数；TN是指预测和真实标签都是背景点的像素个数；FP是指被预测为稻穗部分而真实标签是背景点的像素个数；FN是指被预测为背景点而真实标签是稻穗部分的像素个数。
如图3所示，分别使用U-net、SegFormer和Deeplabv3+三种网络训练的分割模型分割测试集图片，并计算4种评价指标，取各指标的平均值作为参考指标。分割结果如表所示，最终本发明推荐U-net分割模型。
表1 室内环境下三种模型分割评价指标
3）基于水稻稻穗样品的表型参数对水稻稻穗样品的含水率进行估算，并基于含水率对水稻稻穗样品的成熟度进行估算，从而实现更加精准和高效的水稻收获时间预测。
含水率模型建立及训练：本实施例基于 Ubuntu 20.04.5 LTS 系统，GPU 为NVIDIA Quadro RTX8000，CPU为 Intel(R) Xeon(R) Silver 4215 CPU @ 2.50GHz × 32，图像处理语言为 Python3.7，tensorflow-gpu1.14.0。
以决定系数 R2、均方根误差 RMSE 和平均绝对误差 MAE 这 3 个评价指标来评估稻穗含水率监测模型的预测值和实测值的拟合程度。
表2 不同颜色空间下稻穗含水率监测模型验证结果
基于 Lab 颜色空间构建的 RF 模型的拟合与泛化能力综合最优，在一定程度上矫正了 RGB 颜色空间下稻穗颜色偏差。RF 模型在 RGB 颜色空间、HSV 颜色空间和 Lab颜色空间下训练集的 R2 分别为 0.983、0.973 和 0.979，相差不大。而在测试集中，基于Lab 颜色空间构建的 RF 模型的 R2为 0.891， 显著高于 RGB 和 HSV 颜色空间。RMSE 和MAE 分别为 2.916 和 2.180，均显著低于 RGB 和 HSV 颜色空间。这一研究结果启示出，RGB 图像包含的丰富颜色及纹理特征信息能够反映作物器官、植株和群体的生理指标变化，能准确再现作物生长发育状况，展现了基于 RGB 图像的作物表型研究具有广阔的应用前景。
实施例4
本实施例提供一种与本实施例2所提供的基于深度学习的水稻稻穗成熟度估算方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例2的方法。
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的基于深度学习的水稻稻穗成熟度估算方法。
在一些实施例中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
在另一些实施例中，处理器可以为中央处理器（CPU）、数字信号处理器（DSP）等各种类型通用处理器，在此不做限定。
实施例5
本实施例2的基于深度学习的水稻稻穗成熟度估算方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例2所述的基于深度学习的水稻稻穗成熟度估算方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (7)

1.一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，包括以下步骤：
对水稻稻穗样品进行图像采集，采集装置包括驱动传送装置、图像采集装置以及上位机；所述驱动传送装置用于将采集的水稻稻穗样品传送至所述图像采集装置内；所述图像采集装置用于对水稻稻穗样品进行图像采集，并发送到所述上位机；
所述上位机对采集的水稻稻穗样品图像信息进行预处理后，输入预先建立的语义分割模型对水稻稻穗样品进行分割，根据分割结果提取得到水稻稻穗样品的表型参数；
所述水稻稻穗样品的表型参数的提取，包括：
对采集的水稻稻穗样品原始图像进行预处理，得到预设大小的裁切图像；将各裁切图像输入预先建立并训练好的语义分割模型进行分割，得到水稻稻穗样品的二值化掩模图像；基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗的形状参数信息和颜色参数信息；将得到的形状参数信息和颜色参数信息作为水稻稻穗样品的表型参数输出；
所述语义分割模型的训练，包括：获取预设数量的裁切图像，对裁切图像进行标注得到第一训练数据集，并随机划分为第一训练集、第一验证集和第一测试集；利用第一训练集对预先建立的各语义分割模型进行训练，并基于第一验证集和第一测试集对训练后的各语义分割模型进行验证和测试，得到最优语义分割模型；
基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算。
2.如权利要求1所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述驱动传送装置包括PLC控制器、机架以及皮带式输送机；所述皮带式输送机设置在所述机架上，包括输送带和电机，且所述电机与所述PLC控制器相连，所述输送带表面设置有防滑层，用于输送水稻稻穗样品并保证输送过程中水稻稻穗样品不发生偏移；所述PLC控制器用于根据所述上位机发送的控制信号通过所述电机对所述输送带的运行状态进行控制。
3.如权利要求2所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述图像采集装置包括检测暗箱、LED灯带、RGB相机和第一～第三传感器；
所述检测暗箱上对应于所述输送带入口处和出口处的位置分别设置有第一滑动门和第二滑动门，且所述第一滑动门和第二滑动门上分别设置有用于对水稻稻穗样品位置进行检测的第一传感器和第二传感器，当所述第一传感器和第二传感器检测到水稻稻穗样品到达指定位置后，发送信号到所述PLC控制器，由所述PLC控制器控制所述第一滑动门和第二滑动门自动打开和关闭；
所述检测暗箱内部的预设位置处还设置有第三传感器，当所述第三传感器检测到水稻稻穗样品到达指定位置后，发送信号到所述上位机，由所述上位机控制设置在所述检测暗箱顶部中心位置的所述RGB相机对水稻稻穗样品进行图像采集；
所述检测暗箱内壁还设置有黑色吸光绒布，用于形成稳定的成像环境；
所述LED灯带等间距设置在检测暗箱顶部和四周，用于提供照明。
4.如权利要求1所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述基于得到的水稻稻穗样品的二值化掩模图像，提取得到水稻稻穗样品的形状参数信息和颜色参数信息之前，还包括：
基于形态学算法对分割结果进行后处理，得到包含有各个稻穗精细轮廓的水稻稻穗图像。
5.如权利要求4所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述水稻稻穗的形状参数信息提取，包括：
对包含有各个稻穗精细轮廓的水稻稻穗图像进行特征提取和计算，得到各水稻稻穗的形状参数信息。
6.如权利要求4所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述水稻稻穗的颜色参数信息提取，包括：
利用包含有各个稻穗精细轮廓的水稻稻穗图像对水稻稻穗样品的原始图像进行后处理，得到彩色分割图像；
基于得到的彩色分割图像，利用预设比色卡提取得到彩色分割图像中水稻稻穗对应的颜色参数信息。
7.如权利要求1所述的一种基于深度学习的水稻稻穗成熟度估算方法，其特征在于，所述基于水稻稻穗样品的表型参数，对水稻稻穗样品的成熟度进行估算，包括：
将水稻稻穗样品的颜色参数信息输入预先建立并训练好的含水率估算模型，得到水稻稻穗样品的含水率；
将水稻稻穗样品的含水率输入预先建立并训练好的成熟度估算模型，得到水稻稻穗样品的成熟度。
CN202311730898.3A 2023-12-15 2023-12-15 一种基于深度学习的水稻稻穗成熟度估算方法 Active CN117409403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311730898.3A CN117409403B (zh) 2023-12-15 2023-12-15 一种基于深度学习的水稻稻穗成熟度估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311730898.3A CN117409403B (zh) 2023-12-15 2023-12-15 一种基于深度学习的水稻稻穗成熟度估算方法

Publications (2)

Publication Number Publication Date
CN117409403A CN117409403A (zh) 2024-01-16
CN117409403B true CN117409403B (zh) 2024-03-19

Family

ID=89493002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311730898.3A Active CN117409403B (zh) 2023-12-15 2023-12-15 一种基于深度学习的水稻稻穗成熟度估算方法

Country Status (1)

Country Link
CN (1) CN117409403B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416353A (zh) * 2018-02-03 2018-08-17 华中农业大学 基于深度全卷积神经网络的大田稻穗快速分割方法
CN114140692A (zh) * 2021-11-25 2022-03-04 华中农业大学 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法
CN115165436A (zh) * 2022-06-30 2022-10-11 南京农业大学 一种田间作物表型垂直信息监测方法
TW202317936A (zh) * 2021-10-19 2023-05-01 國立中興大學 以手機影像推估穀粒含水量及收穫時期的方法
CN116703932A (zh) * 2023-05-22 2023-09-05 河南农业大学 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114994036A (zh) * 2022-05-26 2022-09-02 浙江大学 基于多表型参数的水稻白叶枯病害程度预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416353A (zh) * 2018-02-03 2018-08-17 华中农业大学 基于深度全卷积神经网络的大田稻穗快速分割方法
TW202317936A (zh) * 2021-10-19 2023-05-01 國立中興大學 以手機影像推估穀粒含水量及收穫時期的方法
CN114140692A (zh) * 2021-11-25 2022-03-04 华中农业大学 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法
CN115165436A (zh) * 2022-06-30 2022-10-11 南京农业大学 一种田间作物表型垂直信息监测方法
CN116703932A (zh) * 2023-05-22 2023-09-05 河南农业大学 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于深度学习的水稻表型特征提取和穗质量预测研究";杨万里等;《华中农业大学学报》;20210131;第40卷(第1期);第227-235页 *

Also Published As

Publication number Publication date
CN117409403A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
US10747999B2 (en) Methods and systems for pattern characteristic detection
CN107316289B (zh) 基于深度学习和超像素分割的大田稻穗分割方法
CN110717903A (zh) 一种利用计算机视觉技术进行农作物病害检测的方法
Rasti et al. A survey of high resolution image processing techniques for cereal crop growth monitoring
Lin et al. The pest and disease identification in the growth of sweet peppers using faster R-CNN and mask R-CNN
CN115482465A (zh) 基于机器视觉的农作物病虫害预测方法、系统及存储介质
CN110827273A (zh) 一种基于区域卷积神经网络的茶叶病害检测方法
CN115861721B (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN113919442A (zh) 一种基于卷积神经网络烟叶成熟度状态识别模型
CN113657294A (zh) 一种基于计算机视觉的作物病虫害检测方法及系统
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN111539293A (zh) 一种果树病害诊断方法及系统
CN114898405A (zh) 基于边缘计算的便携式肉鸡异常监测系统
CN107576660A (zh) 一种基于距离等高线的双黄鸭蛋自动视觉检测方法
Wijethunga et al. Digital image analysis based automated kiwifruit counting technique
Yang et al. Rapid image detection and recognition of rice false smut based on mobile smart devices with anti-light features from cloud database
CN117409403B (zh) 一种基于深度学习的水稻稻穗成熟度估算方法
CN117392104A (zh) 一种基于深度学习的计算机视觉水稻质量测定方法
CN117253192A (zh) 用于桑蚕养殖的智能系统及方法
CN116597309A (zh) 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法
WO2022137242A1 (en) Deep learning system for estimating object volume, weight and crop yields based on remote imaging
Yang et al. Research and design of a machine vision-based silk cocoon quality inspection system
CN112419288A (zh) 一种基于计算机视觉的无人化蔬菜大棚种植方法
Schmidtke Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time
Li Research Progress on Acquisition and Processing of Rice Disease Images Based on Computer Vision Technology

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