CN117789201A - 一种水稻根系无损获取方法、装置、存储介质和系统 - Google Patents
一种水稻根系无损获取方法、装置、存储介质和系统 Download PDFInfo
- Publication number
- CN117789201A CN117789201A CN202410211104.0A CN202410211104A CN117789201A CN 117789201 A CN117789201 A CN 117789201A CN 202410211104 A CN202410211104 A CN 202410211104A CN 117789201 A CN117789201 A CN 117789201A
- Authority
- CN
- China
- Prior art keywords
- root system
- rice
- root
- pixel points
- accurate
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 218
- 235000009566 rice Nutrition 0.000 title claims abstract description 215
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 240000007594 Oryza sativa Species 0.000 title claims description 178
- 230000011218 segmentation Effects 0.000 claims abstract description 95
- 241000209094 Oryza Species 0.000 claims abstract 40
- 238000003384 imaging method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012258 culturing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000001066 destructive effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 235000007189 Oryza longistaminata Nutrition 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000012010 growth Effects 0.000 abstract description 20
- 230000004907 flux Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 244000299452 Gouania lupuloides Species 0.000 description 18
- 235000000292 Gouania lupuloides Nutrition 0.000 description 18
- 235000013479 Amaranthus retroflexus Nutrition 0.000 description 16
- 240000005674 Ceanothus americanus Species 0.000 description 16
- 235000014224 Ceanothus americanus Nutrition 0.000 description 16
- 235000001904 Ceanothus herbaceus Nutrition 0.000 description 16
- 238000012360 testing method Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 241000196324 Embryophyta Species 0.000 description 12
- 239000002689 soil Substances 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 239000002609 medium Substances 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 240000002582 Oryza sativa Indica Group Species 0.000 description 6
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000003086 colorant Substances 0.000 description 6
- 238000011065 in-situ storage Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000004382 potting Methods 0.000 description 2
- 230000002786 root growth Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 244000184734 Pyrus japonica Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 229910017053 inorganic salt Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000010127 yangjing Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明适用于农业作物检测技术领域,提供了一种水稻根系无损获取方法、装置、存储介质和系统,所述方法包括:获取水稻在根系培养盒中的根系原始图像;对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,提取出所述原始像素点中表征水稻精确根系的根系精确像素点,并得到标记有根系精确像素点的根系分割图像;提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数。本方案对于水稻根系的获取精准且不影响水稻的正常生长,应用成本低、观测通量长数据采集方便,有利于于推广和普及。
Description
技术领域
本发明属于农业作物检测技术领域,尤其涉及一种水稻根系无损获取方法、装置、存储介质和系统。
背景技术
根系是植物的营养器官,负责吸收土壤里面的水分、无机盐及可溶性小分子有机质,并且具有支持、繁殖、贮存合成有机物质的作用。因此,对植物根系的研究,对于了解农作物的生长繁育状况具有重要意义。
获取根系表型数据是从事根系研究的基础。近年来,随着数据采集工具、传感器及数字图像处理分析技术的发展,目前,学者们已研发出一系列适用于室内的根系二维/三维结构测定技术。
例如,如冷凝胶法利用透明的冷凝胶作为植物的生长介质从而对根系进行激光成像,该技术可以重建水稻等作物的根系结构,但是由于缺乏水分和养分的供应以及非土壤介质的影响,仅能测定较小的根系且与田间环境下植物根系的生长状况存在较大的差异;磁共振成像法通过射频波和强磁场刺激原子并生成根系的三维结构,通过磁共振的激励与停止使原子核释放能量,最终对发出的射频信号进行监测形成根系三维图像。此外,如核磁共振和激光扫描等现代医学技术也均被开发应用于植株根系的无损观察。
但上述这些可用于水稻根系数据获取的技术的应用成本普遍较高,且观测通量低、成像时间长,采集根系数据所需要用到的仪器设备不便于布设移动。上述因素使得这些技术很难被广泛应用和推广。
发明内容
本申请实施例的目的在于提供一种水稻根系无损获取方法,旨在解决现有的水稻根系数据获取技术的应用成本普遍较高,且观测通量低、成像时间长,采集根系数据所需要用到的仪器设备不便于布设移动,使得根系无损获取技术难以被广泛应用和推广的问题。
本申请实施例是这样实现的,提供一种水稻根系无损获取方法,所述方法包括:获取水稻在根系培养盒中的根系原始图像;对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,提取出所述原始像素点中表征水稻精确根系的根系精确像素点,并得到标记有根系精确像素点的根系分割图像;提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数。
优选地,所述对所述原始图像中表征水稻根系的原始像素点进行精确语义分割的方法为:基于所述原始图像的中每个原始像素点的色彩信息,对所述原始图像中表征水稻根系的原始像素点进行筛选标记,得到根系标记像素点,以及标记有根系标记像素点的根系标记图像,将所述原始图像中表征背景的原始像素点记为背景像素点;将所述根系标记图像作为数据集训练并得到语义分割模型,并基于所述语义分割模型对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,进而提取出所述原始像素点中表征水稻精确根系的根系精确像素点。
优选地,所述根系标记像素点包括第一特征根系像素点和第二特征根系像素点;所述第一特征根系像素点用于表征水稻红色类型的根系;所述第二特征根系像素点用于表征水稻白色类型的根系。
优选地,所述水稻根系无损获取方法还包括:对所述根系标记图像进行扩充,并将扩充后得到的根系扩充图像补充入数据集中,对所述根系标记图像进行扩充的方法包括对根系标记图像利用以下方法中的至少一种:翻转、旋转、镜像以及缩放。
优选地,构建所述语义分割模型的方法为:基于U-Net网络构建语义分割模型,所述语义分割模型采用函数化模型实现U-Net网络结构,采用焦点损失函数评估U-Net网络的分割结果与人工标注的分割结果之间的差异,以提高所述语义分割模型的对于所述根系精确像素点的分割精度。
优选地,所述提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数的方法为:对所述根系分割图像进行根系二值骨架提取;移除所述根系分割图像中的根系的轮廓像素点,保留根系的骨架像素点;基于八邻域链码统计法与圆柱逼近模型对所述根系骨架像素点进行处理分析,得到水稻根系参数。
优选地,所述水稻根系无损获取方法还包括:基于混淆矩阵构建根系分割评价指标,以获取所述语义分割模型的对于所述根系精确像素点的分割精度。
本申请实施例的另一目的在于,提供一种水稻根系无损获取装置,所述水稻根系无损获取装置包括:根系原始图像获取模块,用于获取水稻在根系培养盒中的根系原始图像;根系分割图像获取模块,用于对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,提取出所述原始像素点中表征水稻精确根系的根系精确像素点,并得到标记有根系精确像素点的根系分割图像;水稻根系参数获取模块,用于提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数。
本申请实施例的另一目的在于,提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述的水稻根系无损获取方法的步骤。
本申请实施例的另一目的在于,提供一种水稻根系无损获取系统,包括根系培养盒,成像设备,存储器以及处理器;所述根系培养盒用于培养水稻根系,所述成像设备用于对所述根系培养盒中的根系进行成像,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述的水稻根系无损获取方法的步骤。
本申请实施例提供的一种水稻根系无损获取方法,具有以下有益效果:通过对根系培养盒中的水稻的根系进行拍照分析,能够准确获取水稻的根系生长情况且不影响其正常生长;通过对获取的图像进行精确语义分割及图像处理,能够以低应用成本,得到具有较长观测通量的长数据采集周期,进而获取更加精准和全面的水稻根系成长数据,降低了观测成本并提高了数据获取的精度。
附图说明
图1为本申请实施例提供的一种水稻根系无损获取方法的应用环境图;
图2为本申请实施例提供的一种水稻根系无损获取方法的流程图;
图3为本申请实施例提供的一种对水稻根系进行拍摄和标注的示意图;
图4为本申请实施例提供的一种U-Net网络的训练损失和训练次数的关系图;
图5为本申请实施例提供的另一种对水稻根系进行拍摄和标注的示意图;
图6为本申请实施例提供的一种基于本申请实施例提供的水稻根系无损获取方法所获取的水稻参数的精确度对比实验对比数据图;
图7为本申请实施例提供的一种基于本申请实施例提供的水稻根系无损获取方法进行实验的实验结果数据图;
图8为本申请实施例提供的一种根系总根长和根系投影面积实验结果数据图;
图9为本申请实施例提供的一种第一特征根系的总根长和根系投影面积实验结果数据图;
图10为本申请实施例提供的一种第二特征根系的总根长和根系投影面积实验结果数据图;
图11为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一脚本称为第二脚本,且类似地,可将第二脚本称为第一脚本。
图1为本申请实施例提供的一种水稻根系无损获取方法的应用环境图,如图1所示,在该应用环境中,包括根系成像系统以及电脑控制单元。
其中,电脑控制单元可以是平板电脑、笔记本电脑、台式计算机、智能手机,也可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器等,本申请在此不做限制。
本申请实施例中,根系成像系统可以包含至少一个根系培养盒,以及对于根系培养箱进行拍照的设备,拍照设备可以包含有高清成像单元以及内置亮度控制单元。根系成像系统和电脑控制单元之间可以通过有线或无线的方式进行连接。
在本申请实施例中,为了获取不同水稻品种的特征根系图像,根系培养盒可采用透明的亚克力板制成,其结构可整体呈扁平形,例如,长20 cm,宽5 cm,高25 cm。并可在多个根系培养盒内种植不同水稻品种,可将之倾斜45度置于田间生长。可采用金属暗箱、内置成像单元、可控LED光源等构建根盒成像系统对水稻根系进行拍照从而获取不同品种水稻根系的生长形态,进而获取根系原始图像。
在一个实施例中,如图1,拍照期间根盒固定于定制的金属暗箱固定位中,通过电脑端的控制系统可以调整高分辨率相机的焦距、曝光度等参数,并调整LED光源选择合适的拍摄亮度,获取质量一致的根系图像材料。为获取水稻不同时间的根系图像,优选地,可于水稻移栽后1周,对不同品种根系每隔5天进行一次拍照,可以同时对根盒的多个面进行拍照,以在短时间内获取更大量的根系原始图像,进而提高系统对于根系各类参数的计算的精度。
如图2所示,在一个实施例中,提出了一种水稻根系无损获取方法,本实施例主要以该方法应用于上述图1中的电脑控制单元来举例说明。一种水稻根系无损获取方法,具体可以包括以下步骤:
步骤S202,获取水稻在根系培养盒中的根系原始图像。
在本申请实施例中,获取水稻在根系培养盒中的根系原始图像的方法可如图1所示。
步骤S204,对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,提取出所述原始像素点中表征水稻精确根系的根系精确像素点,并得到标记有根系精确像素点的根系分割图像。
在本申请实施例中,对于水稻的根系进行提取可采用的深度学习算法。在经过精确语义分割后,从原始像素点中表征水稻精确根系的根系精确像素点,将这些根系精确像素点标记在原始图像中,得到标记有根系精确像素点的根系分割图像。
步骤S206,提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数。
在本申请实施例中,获取表征精确根系的根系精确像素点,和标记有根系精确像素点的根系分割图像可采用深度学习模型进行,例如采用U-Net语义分割模型。本实施例采用U-Net的模型优势在于, U-Net模型可以利用数据增强技术来增加训练数据,从而提高模型的泛化能力,更加适应于对于水稻根系等数据集较小情况下的信息采集;并且,U-Net模型使用了对称的编码器-解码器结构,其中编码器与解码器之间存在多个跨层级的连接,使得模型能够利用不同层级的特征信息进行分割任务,更适用于本方案对于水稻根系进行提取所设计的方案架构,相较于其他的模型能够提高提取精度。并且,U-Net模型可以通过修改网络结构或添加额外的卷积层来适应不同的任务和数据集。
本领域技术人员可知,在田间根系表型测定技术方面,目前常用的方法大致可分为破坏性鉴定法和原位鉴定法。破坏性根系表型获取法,如土芯法利用土钻钻取植株下方根生长的土壤,通过分析截取水平放置后的土芯或回收冲洗土芯后的根系样本来鉴定根深、根生物量及根长密度等指标,但该方法费时费力,难以获得较为完整的根系表型性状。非破坏性根系表型获取法中,如根室法通过对地窖内的透明玻璃窗进行成像来获得根系表型信息;电阻层析成像以及地面穿透雷达技术可以分析和探测较为粗壮的根系,但是无法应用于水稻等根系较小的作物,且其设备构建和布置的成本昂贵,难以推广应用。因此可知,传统的对于水稻根系进行获取的方案需要将水稻的根系从泥土中完全取出,冲洗,再利用其他手段对根系进行获取,整体耗时耗力,且处理难度较大。而本方案对于水稻根系的获取精准,且不影响水稻的正常生长,应用成本低、观测通量长数据采集方便。本方案所采用的对于根培养盒中作物根系进行的拍照,所获取的图像能够代表整个根系。基于根系培养盒中作物根系的拍摄图像,与作物在非培养盒条件下的原始根系呈现明显的线性关系,基于此线性关系将基于培养盒所得到的数据乘以系数即可得到作物在非培养盒条件下的根系数据。本方案基于深度学习的方法开发的根系识别技术,能够实现对于水稻根系表型的原位、高通量、快速、无损监测,有利于推广和普及。
作为本申请的一个实施例,首先得到基于根系培养盒的成像,系统获取水稻根系图像,基于图像的颜色特征信息对根系进行标注,对标注后的图像进行数据增强并对数据集进行划分,利用U-Net网络精确分割图像中不同类型的根系像素点。其次,利用混淆矩阵构建图像分割评价指标,基于算法进行根系二值骨架提取获得根长和根面积的参数。最后评估算法测量的精确度。
在一个实施例中,所述对所述原始图像中表征水稻根系的原始像素点进行精确语义分割的方法为:基于所述原始图像的中每个原始像素点的色彩信息,对所述原始图像中表征水稻根系的原始像素点进行筛选标记,得到根系标记像素点,以及标记有根系标记像素点的根系标记图像,将所述原始图像中表征背景的原始像素点记为背景像素点; 将所述根系标记图像作为数据集训练并得到语义分割模型,并基于所述语义分割模型对所述原始图像中表征水稻根系的原始像素点进行精确语义分割。进而提取出所述原始像素点中表征水稻精确根系的根系精确像素点。
在本申请实施例中,对水稻进行拍摄得到的根系原始图像可如图3(a)所示,在此图像中,例如,共有2041×2471个像素,将原始图像中的水稻根系部分区域中包含的像素筛选出,可将之称为表征水稻根系的原始像素点,并将其记为根系标记像素点;图像中表征非水稻根系部分的背景图像像素,将之称为表征背景的原始像素点,并记为背景像素点。
在本申请实施例中,背景像素点和根系标记像素点组合后可形成整个原始图像。上述筛选的方式可以有多种,例如利用根系和背景颜色的差异、纹路的差异等,通过颜色差异进行区分的识别精度更高。
在一个实施例中,所述根系像素点包括第一特征根系像素点和第二特征根系像素点;所述第一特征根系像素点用于表征水稻红色类型的根系;所述第二特征根系像素点用于表征水稻白色类型的根系。
在本申请实施例中,还根据根系的颜色将根系进行细分,不同颜色的根系能够代表不同生长状态的根系。通过细分,能够将植株的整个根部,分类为不同类型。将不同类型的根系并分别识别和计算,能够得到更加精确的根系生长信息。对于根系的颜色进行识别可将根系分为多种,例如,水稻的根系可根据其生长情况和特点大致区分为红色根系和白色根系,白色根系部分生长较为旺盛。
本实施例将水稻根系分别标记为两种颜色进行处理,有利于图像识别,并能够根据水稻根系特点获取更加精确的水稻根系数据,便于后续步骤中对于根系的情况进行精确统计和处理。
如图3(b)所示,图中植物根部有若干线条,这些线条为将图3(a)中的植株,根据其根部的生长状态进行标记后得到的图像。
在一个实施例中,对于水稻来说,将根据其根不同生长状态的根系进行分类后,可以将不同类型的根系分别进行标记,例如,可采用某种颜色的线条对第一特征根系像素点进行标记,来表征水稻红色类型的根系;可以采用另一种颜色的线条对第二特征根系像素点进行标记,来表征水稻白色类型的根系。可以理解的是,本方案不仅限于对于水稻的根系进行获取,其他含有单一颜色或多种颜色的根系的作物可同样适用。通过标记的方式,能够对不同类型根部的识别更加精准,方便后续步骤进行识别等操作。可以将不同类型的根部用不同颜色的标记进行区分,更够精确地获取并评估水稻全程的生长情况,且评估和计算的精度显著提高。
在一个实施例中,对水稻根部进行采集的得到的图像中同时包括红色根、白色根和背景三类像素点,白色像素点可以表示水稻根系中颜色为白色的根系,红色像素点可表示水稻根系中颜色为红色的根系,褐色像素点为背景。将白色根系与红色根系进行区分,能够更加精准地识别出水稻的全部根系,进而便于后期根系数据的获取更加精准。区分后更适用于对于水稻的观测。可利用JS Segment Annotator软件,将红色根和白色根像素点RGB分别标记为[255,0,0]和[0,255,0],背景像素点无需标记。标注完成后导出图像。
在一个实施例中,所述水稻根系无损获取方法还包括:对所述根系标记图像进行扩充,并将扩充后得到的根系扩充图像补充入数据集中,对所述根系标记图像进行扩充的方法包括对根系标记图像利用以下方法中的至少一种进行处理:翻转、旋转、镜像以及缩放。
在本申请实施例中,为了避免深度学习模型过拟合或欠拟合导致分割精度较低,可通过随机翻转、旋转、镜像、缩放等图像增强策略增加数据量。此外,原始根系图像尺寸较大会导致深度学习模型训练和推理速度变慢,因此可将图像裁剪为若干等份。例如,将2041×2471像素的图像分割为510×805像素的六等分。在完成数据增强和图像裁剪后,初步构建完成一个包含全部张根系图像的数据集,并进一步将数据按照比例将之划分为训练集、验证集和测试集,优选地,比例可以为8:1:1。
在一个实施例中,水稻移栽后9天的训练集、验证集和测试集分别为486、60、60张;水稻移栽后13天的训练集、验证集和测试集分别为1074、132、132张;水稻移栽后18天的训练集、验证集和测试集分别为621、78、78张;水稻移栽后23天的训练集、验证集和测试集分别为657、81、81张;水稻移栽后28天的训练集、验证集和测试集分别为552、69、69张;水稻移栽后33天的训练集、验证集和测试集分别为324、40、40张。训练集、验证集和测试集分别有3714、460、460,共计4634张,如表格1所示,得到了不同采样时间水稻根系数据集分布。
表格 1 不同采样时间水稻根系数据集分布
在本申请实施例中,基于颜色等特征信息将不同类型的根系像素点从图像中准确分离,是进行根系表型参数分析的前提。在深度学习任务中,需要事先赋予像素点特定的属性(标签)用于算法学习现有图像语义信息,从而实现对新图像的分割。
在一个实施例中,所述构建深度学习模型的方法为:基于U-Net网络构建语义分割模型,所述语义分割模型采用函数化模型实现U-Net网络结构,采用焦点损失函数评估U-Net网络的分割结果与人工标注的分割结果之间的差异,以提高所述语义分割模型的对于所述根系精确像素点的分割精度。
在本申请实施例中,可采用U-Net网络分割图像中不同类型根系像素点。对于图像进行精确分割的方案有多种,本实施例所采用U-Net,该网络相较于同类分割模型可以在训练样本较少的情况下达到较高的分割精度。本实施例通过函数化模型(Functional API)实现U-Net网络结构,并选择焦点损失函数(Focal Loss Function)来评估U-Net网络分割结果与人工标注结果之间的差异。为调整网络参数使得损失函数的值逼近全局最小,选择Adam优化器(优选地,学习率为:0.0001)在反向传播过程中计算合适的下降梯度,使用He正态分布初始化器随机初始化网络各层权重值。网络训练过程中可以128个样本为一个Batch,最多训练300个Epoch。为了避免模型出现过拟合或欠拟合,可使用Keras提供EarlyStopping API监控模型训练过程中验证损失(Validation Loss)指标的变化。通过上述这些步骤的调整和设置,本方案相较于现有的识别模型,更适用于对不同颜色根系进行区分,对多重颜色以及不同类型根部的识别准确度显著提高。
在一个实施例中,如果验证损失在5个Epoch内没有下降,则学习率调整为之前的一半。训练过程中每个Epoch保存一次权重文件。
在一个实施例中,如图4所示,U-Net网络的训练损失和验证损失在前50个Epoch快速下降,在50个Epoch后缓慢下降并在80个Epoch后基本稳定,说明网络达到相对收敛的状态。通过此调整方式,当Epoch后基本稳定后,结束模型训练,能够避免出现过拟合,提高方案的精度。在结束模型训练后,可以选择验证损失最小Epoch保存的权重文件用于预测测试集中的根系图像。
在一个实施例中,所述基于骨架提取网络对标记有根系精确像素点的根系分割图像进行分析处理,进而提取得到水稻根系参数的方法为:
可基于“Zhang-Suen细化算法”等适用于根系分割的算法,对所述根系分割图像进行根系二值骨架提取;再经过所述Zhang-Suen细化算法的多次迭代移除所述根系分割图像中的根系的轮廓像素点,保留根系的骨架像素点;基于八邻域链码统计法与圆柱逼近模型对所述根系骨架像素点进行处理分析,提取得到水稻根系参数。
在本申请实施例中,对于根系二值骨架提取可以采用Zhang-Suen细化算法进行,该算法精度更高。本申请所提供的对于根系图像获取以及利用上述算法实现对根部的各种类型数据统计的方案,能够在不破坏或影响植物正常生长情况下对植物根部数据进行有效提取收集,相较于现有的破坏性根系数据提取方式具有更大的应用价值。
在本申请的一个实施例中,基于一个3×3的窗口进行像素分析,通过多次迭代移除图像中的轮廓像素点,保留骨架像素点,每次迭代包含两次子迭代。完成骨架提取后,利用八邻域链码统计法与圆柱逼近模型进行根长、根表面积等参数的分析和计算,最终构建成水稻根系形态参数模型。可基于不同的参数,分别得到水稻红色根系的白色根系的数据,进而对于根系的数据分析更加精准。
在一个实施例中,所述水稻根系无损获取方法还包括:基于混淆矩阵构建根系分割评价指标,以获取所述语义分割模型的对于所述根系精确像素点的分割精度。
在一个实施例中,所述混淆矩阵的矩阵参数至少包括:真正类,像素点实际为根系类,预测为根系类;假正类,像素点实际为背景类,预测为根系类;真负类,像素点实际为背景类,预测为背景类以及假负类,像素点实际为根系类,预测为背景类。
在本申请实施例中,可选择基于混淆矩阵构建的根系分割评价指标,如表格2所示:
表格 2 混淆矩阵
在本实施例中,结合根系分割任务,可对混淆矩阵参数做如下解释:真正类(truepositive, TP):像素点实际为根系类,预测为根系类;假正类(false positive, FP):像素点实际为背景类,预测为根系类;真负类(true negative, TN):像素点实际为背景类,预测为背景类;假负类(false negative, FN):像素点实际为根系类,预测为背景类。将混淆矩阵参数进行组合可构建图像分割评价指标。本实施例选择平均交并比(Mean IntersectionOver Union, MIoU)指标和类别平均像素准确率(Mean Pixel Accuracy, MPA)评估分割精度。平均交并比,即每一类预测的结果和真实值的交集与并集的比值,求和再平均的结果。类别平均像素准确率,即计算每一类分类正确的像素点数和该类的所有像素点数的比例然后求平均。计算方法如下:
其中k+1为分割类别总数,本研究中为3,即红色根系、白色根系和背景。
通过基于混淆矩阵构建的根系分割评价指标,可以精确得知本方法对于植物根系的数据处理的精度,以便得知数据的误差、便于对数据进行校准等,从而进一步提高模型收集信息的能力以及获取结果的精度。
在本申请的一个实施例中,为了获取不同类别的水稻根系识别的精确度,可选择U-Net网络,使其在水稻根系图像数据集上训练至收敛,然后在测试数据集评估分割精度,发现本申请实施例所述的识别的水稻根系图像与原始水稻根系图像(红色根系和白色根系)相似度高。
在本申请的一个实施例中,如图5所示,图5中(a)区域表示成像系统获取的原始根系图像;(b)区域表示利用本实施例中的方法进行标记获得的图像。
在本申请的一个实施例中,基于本方法对于水稻的根系进行识别,得到其第一特征根系和第二特征根系数据进行处理。可以得到水稻白色根和红色根的平均交并比分别为0.628和0.657,白色根和红色根类别像素准确率分别为0.709和0.755,分析结果如下表格3所示:
表格 3 基于U-Net网络提取不同类型根系的分割精度
在一个实施例中,为了评估本算法测量的准确度,可使用SmartRoot软件手动测量40张根系图像的根长、根表面积,并与本技术自动测量结果进行相关性分析。发现本方法获取的根长与手动测量的结果显著相关,如图6(a)所示,决定系数R²为0.979;本方法获取的根表面积也与手动测量的结果显著相关,如图6(b)所示,决定系数R²为0.973。说明本方法测量结果与手动测量之间的相关性极高,能够达到手动测量的精度水平,满足根系形态性状分析的精度要求。
在一个实施例中,为了评估基于本方案获取的水稻根系表型能否代表该水稻特征根系,使用破坏性根系表型获取法获取根系样品并用根系扫描仪获取根长和根投影面积。发现本方法获取的水稻根长和根投影面积与破坏性根系表型获取法获取的根长和根投影面积显著相关,如图7所示,其中图7(a)表示图像识别根长与手动扫描根长的关系;图7(b)表示图像识别投影面积与手动扫描投影面积的关系。决定系数分别为R²为0.816和0.803,说明基于根盒成像获取的根系形态参数可以代表该水稻的整个根系形态。
在一个实施例中,基于本实施例所提供的方法对不同水稻品种根系差异研究,并获取作物的白色根长度、白色根投影面积、红色根长度、红色根投影面积数据。
在本实施例中,试验于2022年在江苏省丹阳市南京农业大学丹阳试验基地(31°54′31″N, 119°28′21″E)进行。丹阳地处长江下游南岸,江苏省南部,属于亚热带季风性气候。本试验采用8个不同的水稻品种(常规籼稻:扬稻6号,IR64,特青;常规粳稻:武运粳23号,日本晴;杂交籼稻:中浙优8号;籼粳杂交稻:甬优1540,嘉丰优2号),探究不同水稻品种特征根系差异。根盒试验土壤采自当地稻田,经风干后过筛混匀备用,选用小麦秸秆进行添加,秸秆烘干后粉碎备用,称取3 kg风干土和6 g的小麦秸秆(还田量约为6 t ha-1)充分混匀后装盆。水稻种子于6月4日播种,于6月19日进行移栽,在移栽前将盆栽土壤淹水浸泡,土壤充分混匀后,每盆选取2株健康的、长势一致的水稻幼苗进行移栽,每个品种种6盆,选取长势一致的3盆用于温室气体和土壤指标测定。盆栽施肥方案为:磷、钾肥全部基施,氮肥按基肥:分蘖肥=3:1的比例施入,氮肥、磷肥和钾肥的施用量分别为150公斤每公顷、120公斤每公顷和80公斤每公顷。在水稻移栽后保持1-2cm的浅水层,同时根据实际情况调整管理措施并进行病虫草害防治。
本实施例中,利用根系培养盒成像系统对水稻根系进行拍摄,为了获取更准确的根系数据,可对根盒两面都进行拍摄。利用本方法对拍摄出的图片进行分析,获取根系总长度、总投影面积、白色根长度、白色根投影面积、红色根长度、红色根投影面积。
通过如图8所示的实验数据可知,不同品种水稻根系总根长、投影面积变化动态基本一致,根系的总根长、投影面积随着水稻的生长而迅速增加,在移栽后29天左右达到高峰,之后有下降的趋势。在水稻移栽后13天粳稻的根长、投影面积低于籼稻和杂交稻,其中嘉丰优2号(杂交稻)的总根长、总投影面积分别高于日本晴(粳稻)100.6%、117.9%。
通过如图9所示的实验数据可知,不同品种水稻的能够表征同一根系类型的第一特征根系的总根长、投影面积变化动态基本一致。
在本申请实施例中,根系的红色总根长,投影面积也随着水稻的生长而迅速增加,在移栽后29天左右达到高峰,随后下降。在水稻移栽后13天粳稻的红色根长,红色投影面积低于籼稻和杂交稻,其中嘉丰优2号(杂交稻)的红色根长、红色投影面积分别高于日本晴(粳稻)67.0%、99.5%。
通过如图10所示的实验数据可知,不同品种水稻的能够表征同一根系类型的第二特征根系的总根长、投影面积变化动态基本一致。
在本实施例中,白色根系的总根长,投影面积在移栽后24天左右达到高峰,随后下降。在水稻移栽后13天粳稻的白色根长,白色投影面积低于籼稻和杂交稻,其中嘉丰优2号(杂交稻)的白色根长、白色投影面积分别高于日本晴(粳稻)305.4%、348.7%。
因此可知,本方案能够对于水稻的红色根系和白色根系数据分别进行精确提取和研究,有较高的应用价值。
在一个实施例中,提供一种水稻根系无损获取装置,其特征在于,所述水稻根系无损获取装置包括:
根系原始图像获取模块,用于获取水稻在根系培养盒中的根系原始图像;
根系分割图像获取模块,用于对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,提取出所述原始像素点中表征水稻精确根系的根系精确像素点,并得到标记有根系精确像素点的根系分割图像;
水稻根系参数获取模块,用于提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数。
在本申请实施例中,对于一种水稻根系无损获取方法的描述请见上文,此处不再赘述。本方案所采用的对于根培养盒中作物根系进行的拍照,所获取的图像能够代表整个根系。基于根系培养盒中作物根系的拍摄图像,与作物在非培养盒条件下的原始根系呈现明显的线性关系,基于此线性关系将基于培养盒所得到的数据乘以系数即可得到作物在非培养盒条件下的根系数据。本方案基于深度学习的方法开发的根系识别技术,能够实现对于水稻根系表型的原位、高通量、快速、无损监测,有利于推广和普及。
图11示出了一个实施例中计算机设备的内部结构图。如图11所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现一种水稻根系无损获取方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行一种水稻根系无损获取方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的一种水稻根系无损获取方法装置可以实现为一种计算机程序的形式,计算机程序可在如图11所示的计算机设备上运行。计算机设备的存储器中可存储组成该一种水稻根系无损获取装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的一种水稻根系无损获取方法中的步骤。
在一个实施例中,提出了一种水稻根系无损获取设备,所述设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,使得处理器执行上述的水稻根系无损获取方法的步骤。
在本申请实施例中,对于一种水稻根系无损获取方法的描述请见上文,此处不再赘述。本方案所采用的对于根培养盒中作物根系进行的拍照,所获取的图像能够代表整个根系。基于根系培养盒中作物根系的拍摄图像,与作物在培养盒条件下的全部的整体根系呈现明显的线性关系。基于此线性关系,将基于培养盒拍摄所得到的数据乘以系数即可得到作物在培养盒条件下的完整全部根系数据,进一步能够得知作物在非培养盒条件下根系的生长情况。本方案基于深度学习的方法开发的根系识别技术,能够实现对于水稻根系表型的原位、高通量、快速、无损监测,有利于推广和普及。
在一个实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述的水稻根系无损获取方法的步骤。
在本申请实施例中,对于一种水稻根系无损获取方法的描述请见上文,此处不再赘述。本方案所采用的对于根培养盒中作物根系进行的拍照,所获取的图像能够代表整个根系。基于根系培养盒中作物根系的拍摄图像,与作物在培养盒条件下的全部的整体根系呈现明显的线性关系。基于此线性关系,将基于培养盒拍摄所得到的数据乘以系数即可得到作物在培养盒条件下的完整全部根系数据,进一步能够得知作物在非培养盒条件下根系的生长情况。本方案基于深度学习的方法开发的根系识别技术,能够实现对于水稻根系表型的原位、高通量、快速、无损监测,有利于推广和普及。
在一个实施例中,提供了一种水稻根系无损获取系统,包括根系培养盒,成像设备,存储器以及处理器;所述根系培养盒用于培养水稻根系,所述成像设备用于对所述根系培养盒中的根系进行成像,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述的水稻根系无损获取方法的步骤。
在本申请实施例中,对于一种水稻根系无损获取方法的描述请见上文,此处不再赘述。本方案所采用的对于根培养盒中作物根系进行的拍照,所获取的图像能够代表整个根系。基于根系培养盒中作物根系的拍摄图像,与作物在培养盒条件下的全部的整体根系呈现明显的线性关系。基于此线性关系,将基于培养盒拍摄所得到的数据乘以系数即可得到作物在培养盒条件下的完整全部根系数据,进一步能够得知作物在非培养盒条件下根系的生长情况。本方案基于深度学习的方法开发的根系识别技术,能够实现对于水稻根系表型的原位、高通量、快速、无损监测,有利于推广和普及。
应该理解的是,虽然本申请各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种水稻根系无损获取方法,其特征在于,所述水稻根系无损获取方法包括:
获取水稻在根系培养盒中的根系原始图像;
对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,提取出所述原始像素点中表征水稻精确根系的根系精确像素点,并得到标记有根系精确像素点的根系分割图像;
提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数。
2.根据权利要求1所述的一种水稻根系无损获取方法,其特征在于,所述对所述原始图像中表征水稻根系的原始像素点进行精确语义分割的方法为:
基于所述原始图像的中每个原始像素点的色彩信息,对所述原始图像中表征水稻根系的原始像素点进行筛选标记,得到根系标记像素点,以及标记有根系标记像素点的根系标记图像,将所述原始图像中表征背景的原始像素点记为背景像素点;
将所述根系标记图像作为数据集训练并得到语义分割模型,并基于所述语义分割模型对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,进而提取出所述原始像素点中表征水稻精确根系的根系精确像素点。
3.根据权利要求2所述的一种水稻根系无损获取方法,其特征在于,所述根系标记像素点包括第一特征根系像素点和第二特征根系像素点;
所述第一特征根系像素点用于表征水稻红色类型的根系;
所述第二特征根系像素点用于表征水稻白色类型的根系。
4.根据权利要求1所述的一种水稻根系无损获取方法,其特征在于,所述水稻根系无损获取方法还包括:
对所述根系标记图像进行扩充,并将扩充后得到的根系扩充图像补充入数据集中,对所述根系标记图像进行扩充的方法包括对根系标记图像利用以下方法中的至少一种:翻转、旋转、镜像以及缩放。
5.根据权利要求2所述的一种水稻根系无损获取方法,其特征在于,构建所述语义分割模型的方法为:
基于U-Net网络构建语义分割模型,所述语义分割模型采用函数化模型实现U-Net网络结构,采用焦点损失函数评估U-Net网络的分割结果与人工标注的分割结果之间的差异,以提高所述语义分割模型的对于所述根系精确像素点的分割精度。
6.根据权利要求1所述的一种水稻根系无损获取方法,其特征在于,所述提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数的方法为:
对所述根系分割图像进行根系二值骨架提取;
移除所述根系分割图像中的根系的轮廓像素点,保留根系的骨架像素点;
基于八邻域链码统计法与圆柱逼近模型对所述根系骨架像素点进行处理分析,得到水稻根系参数。
7.根据权利要求5所述的一种水稻根系无损获取方法,其特征在于,所述水稻根系无损获取方法还包括:
基于混淆矩阵构建根系分割评价指标,以获取所述语义分割模型的对于所述根系精确像素点的分割精度。
8.一种水稻根系无损获取装置,其特征在于,所述水稻根系无损获取装置包括:
根系原始图像获取模块,用于获取水稻在根系培养盒中的根系原始图像;
根系分割图像获取模块,用于对所述原始图像中表征水稻根系的原始像素点进行精确语义分割,提取出所述原始像素点中表征水稻精确根系的根系精确像素点,并得到标记有根系精确像素点的根系分割图像;
水稻根系参数获取模块,用于提取所述根系分割图像中的水稻精确根系架构,对所述精确根系架构进行分析,获取水稻根系参数。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述的水稻根系无损获取方法的步骤。
10.一种水稻根系无损获取系统,其特征在于,包括根系培养盒,成像设备,存储器以及处理器;
所述根系培养盒用于培养水稻根系,所述成像设备用于对所述根系培养盒中的根系进行成像,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至7中任一项权利要求所述的水稻根系无损获取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211104.0A CN117789201A (zh) | 2024-02-27 | 2024-02-27 | 一种水稻根系无损获取方法、装置、存储介质和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410211104.0A CN117789201A (zh) | 2024-02-27 | 2024-02-27 | 一种水稻根系无损获取方法、装置、存储介质和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117789201A true CN117789201A (zh) | 2024-03-29 |
Family
ID=90396676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410211104.0A Pending CN117789201A (zh) | 2024-02-27 | 2024-02-27 | 一种水稻根系无损获取方法、装置、存储介质和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789201A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706968A (zh) * | 2009-12-10 | 2010-05-12 | 江苏大学 | 基于图像的果树枝干三维模型重建方法 |
CN103267667A (zh) * | 2013-05-08 | 2013-08-28 | 华南农业大学 | 一种土壤栽培条件下作物根系铝毒害快速检测方法 |
CN103917165A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 用于血流性状诊断的系统、其方法及计算机软件程序 |
CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
CN111667529A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种植物点云叶片分割与表型特征测量方法 |
AU2020103260A4 (en) * | 2020-11-05 | 2021-01-14 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Rice blast grading system and method |
CN113610035A (zh) * | 2021-08-16 | 2021-11-05 | 华南农业大学 | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 |
CN215223732U (zh) * | 2021-07-26 | 2021-12-21 | 山西师范大学 | 一种可原位拍照捕捉根系生长动态的水培装置 |
CN116129096A (zh) * | 2022-12-20 | 2023-05-16 | 内蒙古农业大学 | 一种马铃薯根系长度的数字化测量系统及其测量方法 |
CN116342882A (zh) * | 2023-03-24 | 2023-06-27 | 石河子大学 | 一种棉花根系图像自动分割方法、系统及设备 |
CN117291913A (zh) * | 2023-11-24 | 2023-12-26 | 长江勘测规划设计研究有限责任公司 | 一种水工混凝土结构表观裂缝测量方法 |
-
2024
- 2024-02-27 CN CN202410211104.0A patent/CN117789201A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706968A (zh) * | 2009-12-10 | 2010-05-12 | 江苏大学 | 基于图像的果树枝干三维模型重建方法 |
CN103917165A (zh) * | 2011-08-26 | 2014-07-09 | Ebm株式会社 | 用于血流性状诊断的系统、其方法及计算机软件程序 |
CN103267667A (zh) * | 2013-05-08 | 2013-08-28 | 华南农业大学 | 一种土壤栽培条件下作物根系铝毒害快速检测方法 |
CN109146854A (zh) * | 2018-08-01 | 2019-01-04 | 东北大学 | 一种肺结节与肺部血管伴生关系的分析方法 |
CN111667529A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种植物点云叶片分割与表型特征测量方法 |
AU2020103260A4 (en) * | 2020-11-05 | 2021-01-14 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Rice blast grading system and method |
CN215223732U (zh) * | 2021-07-26 | 2021-12-21 | 山西师范大学 | 一种可原位拍照捕捉根系生长动态的水培装置 |
CN113610035A (zh) * | 2021-08-16 | 2021-11-05 | 华南农业大学 | 一种基于改进编解码网络的水稻分蘖期杂草分割识别方法 |
CN116129096A (zh) * | 2022-12-20 | 2023-05-16 | 内蒙古农业大学 | 一种马铃薯根系长度的数字化测量系统及其测量方法 |
CN116342882A (zh) * | 2023-03-24 | 2023-06-27 | 石河子大学 | 一种棉花根系图像自动分割方法、系统及设备 |
CN117291913A (zh) * | 2023-11-24 | 2023-12-26 | 长江勘测规划设计研究有限责任公司 | 一种水工混凝土结构表观裂缝测量方法 |
Non-Patent Citations (2)
Title |
---|
LIANG GONG等: "Pixel level segmentation of early-stage in-bag rice root for its architecture analysis", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 186, 12 May 2021 (2021-05-12), pages 1 - 10, XP086617404, DOI: 10.1016/j.compag.2021.106197 * |
邱金凯: "基于深度学习的大豆苗期根系分割及根长测量研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 2024, 15 February 2024 (2024-02-15), pages 047 - 398 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiongyan et al. | Detecting spikes of wheat plants using neural networks with Laws texture energy | |
Hoyos‐Villegas et al. | Ground‐based digital imaging as a tool to assess soybean growth and yield | |
Song et al. | Impacts of environmental heterogeneity on moss diversity and distribution of Didymodon (Pottiaceae) in Tibet, China | |
CN113222991A (zh) | 基于深度学习网络的田间麦穗计数以及小麦产量预测 | |
CN108140118A (zh) | 用于识别至少一株种植在耕地上的植物的方法和信息系统 | |
CN112052836B (zh) | 一种植物叶片气孔开闭状态的实时监测系统及方法 | |
Guillaumot et al. | Extrapolation in species distribution modelling. Application to Southern Ocean marine species | |
Kodera et al. | Quantifying life history demographics of the scleractinian coral genus Pocillopora at Palmyra Atoll | |
CN114324336B (zh) | 一种大豆全生育期生物量无损测量方法 | |
Winbourne et al. | A new framework for evaluating estimates of symbiotic nitrogen fixation in forests | |
Fukano et al. | GIS-based analysis for UAV-supported field experiments reveals soybean traits associated with rotational benefit | |
Lee et al. | Machine vision technique for rapid measurement of soybean seed vigor | |
CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
Rappazzo et al. | EeLISA: Combating global warming through the rapid analysis of eelgrass wasting disease | |
Gao et al. | Enhancing green fraction estimation in rice and wheat crops: a self-supervised deep learning semantic segmentation approach | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
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 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN117789201A (zh) | 一种水稻根系无损获取方法、装置、存储介质和系统 | |
Cai et al. | Rapid measurement of potato canopy coverage and leaf area index inversion | |
Jha et al. | Wheat acreage estimation using remote sensing in tarai region of Uttarakhand | |
Lu et al. | Root phenotypic detection of different vigorous maize seeds based on Progressive Corrosion Joining algorithm of image | |
Betegón-Putze et al. | MyROOT: A novel method and software for the semi-automatic measurement of plant root length | |
Yokoyama et al. | Predicting plant-level cabbage yield by assimilating UAV-derived LAI into a crop simulation model | |
CN108596379A (zh) | 一种预测陆地生态系统植物群落覆被的技术与装置 |
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 |