CN118334644A

CN118334644A - 一种基于深度学习的小麦穗轴表型参数确定方法、装置、设备及介质

Info

Publication number: CN118334644A
Application number: CN202410506138.2A
Authority: CN
Inventors: 蒋霓; 郑树松; 鲁任翔
Original assignee: Institute of Genetics and Developmental Biology of CAS
Current assignee: Institute of Genetics and Developmental Biology of CAS
Filing date: 2024-04-25
Publication date: 2024-07-12

Abstract

本发明公开了一种基于深度学习的小麦穗轴的表型参数确定方法、装置、设备及存储介质，方法包括：获取单个穗轴的彩色图像；基于所述彩色图像进行二值化处理，得到二值图像；将所述彩色图像输入至预先训练的穗节点检测模型中，根据所述穗节点检测模型的输出信息确定穗节点检测图像；根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像；根据所述穗节片分割图像确定所述小麦穗轴的表型参数值，通过基于穗节点检测模型进行穗节点的检测，提高了穗节点的准确度，进一步结合二值图像的距离参数进行穗节片的分割，实现了穗轴表型参数的自动准确测量。

Description

一种基于深度学习的小麦穗轴表型参数确定方法、装置、设备及介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的小麦穗轴的表型参数确定方法、装置、设备及存储介质。

背景技术

小麦的穗直接孕育籽粒，是决定小麦产量的重要器官。小麦的穗轴也携带着重要的穗型信息，如小穗在穗轴上的分布状态，小穗数等等。然而目前对于小麦穗轴的表型参数的研究还较少，且传统的人工计数和测量的方式费时费力，可重复性低，错误率高。准确的计算和描述穗轴表型对于研究小麦长期进化过程中穗轴的表型变异，以及小麦种质的进一步改良都具有重要的意义。

发明内容

本发明提供了一种基于深度学习的小麦穗轴的表型参数确定方法、装置、设备及存储介质，以实现小麦穗轴表型参数的自动准确测量。

根据本发明的一方面，提供了一种基于深度学习的小麦穗轴的表型参数确定方法，包括：

获取单个穗轴的彩色图像；

基于所述彩色图像进行二值化处理，得到二值图像；

将所述彩色图像输入至预先训练的穗节点检测模型中，根据所述穗节点检测模型的输出信息确定穗节点检测图像；

根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像；

根据所述穗节片分割图像确定所述小麦穗轴的表型参数值。

可选的，在上述方案的基础上，所述根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像，包括：

针对所述穗节点检测图像中的每个穗节点，根据所述二值图像确定所述穗节点的检测框中各检测框像素点对应的测地距离，根据各所述检测框像素点的测地距离确定所述穗节点的分割距离，根据所述分割距离确定所述穗节点对应的分割线，根据所述分割线确定所述穗节点对应的穗节片区域；

根据各所述穗节点对应的穗节片区域，确定所述穗节片分割图像。

可选的，在上述方案的基础上，所述根据各所述检测框像素点的测地距离确定所述穗节点的分割距离，包括：

将各所述检测框像素点对应的测地距离的最大值作为所述分割距离。

可选的，在上述方案的基础上，所述根据所述分割距离确定所述穗节点对应的分割线，包括：

将所述穗节点检测图像中像素点对应的测地距离为所述分割距离的像素点作为分割点，将所述分割点连接成的线段作为所述分割线。

可选的，在上述方案的基础上，所述根据各所述穗节点对应的穗节片区域，确定所述穗节片分割图像，包括：

基于不同颜色对所述穗节点检测图像中相邻穗节点对应的穗节片区域进行绘制，得到所述穗节片分割图像。

可选的，在上述方案的基础上，所述小麦穗轴的表型参数包括分布一致性参数、宽度变化指数和分布指数中的至少一个，所述根据所述穗节片分割图像确定所述小麦穗轴的表型参数值，包括：

通过如下至少一项确定所述表型参数值：

基于各所述穗节片的长度值和所述穗节片的个数确定所述分布一致性参数值；

基于各所述穗节片的宽度值和所述穗节片的个数确定所述宽度变化指数；

基于各穗节片的穗节长累加曲线确定所述分布指数值。

可选的，在上述方案的基础上，所述穗节点检测模型的训练包括：

获取标记有穗节点的样本穗轴图像作为样本数据，基于样本数据构建模型训练样本；

基于所述模型训练样本对预先构建的穗节点检测模型进行训练，得到训练后的穗节点监测模型。

根据本发明的另一方面，提供了一种基于深度学习的小麦穗轴的表型参数确定装置，包括：

穗轴图像获取模块，用于获取单个穗轴的彩色图像；

二值图像获取模块，用于基于所述彩色图像进行二值化处理，得到二值图像；

穗节点检测模块，用于将所述彩色图像输入至预先训练的穗节点检测模型中，根据所述穗节点检测模型的输出信息确定穗节点检测图像；

穗节片分割模块，用于根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像；

表型参数确定模块，用于根据所述穗节片分割图像确定所述小麦穗轴的表型参数值。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于深度学习的小麦穗轴的表型参数确定方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于深度学习的小麦穗轴的表型参数确定方法。

本发明实施例的技术方案，通过获取单个穗轴的彩色图像；基于所述彩色图像进行二值化处理，得到二值图像；将所述彩色图像输入至预先训练的穗节点检测模型中，根据所述穗节点检测模型的输出信息确定穗节点检测图像；根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像；根据所述穗节片分割图像确定所述小麦穗轴的表型参数值，通过基于穗节点检测模型进行穗节点的检测，提高了穗节点的准确度，进一步结合二值图像的距离参数进行穗节片的分割，实现了穗轴表型参数的自动准确测量。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是本发明实施例一提供的一种基于深度学习的小麦穗轴的表型参数确定方法的流程图；

图1b是本发明实施例一提供的一种单个穗轴的彩色图像的示意图；

图1c是本发明实施例一提供的一种穗节点检测图像的示意图；

图1d是本发明实施例一提供的一种穗节片分割图像的示意图；

图2是本发明实施例二提供的一种基于深度学习的小麦穗轴的表型参数确定方法的流程示意图；

图3是本发明实施例三提供的一种基于深度学习的小麦穗轴的表型参数确定装置的结构示意图；

图4是本发明实施例四提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1a是本发明实施例一提供的一种基于深度学习的小麦穗轴的表型参数确定方法的流程图，本实施例可适用于小麦穗轴的表型参数确定时的情况，该方法可以由基于深度学习的小麦穗轴的表型参数确定装置来执行，该基于深度学习的小麦穗轴的表型参数确定装置可以采用硬件和/或软件的形式实现，如该基于深度学习的小麦穗轴的表型参数确定装置可配置于电子设备中。如图1a所示，该方法包括：

S110、获取单个穗轴的彩色图像。

在本实施例中，可以直接获取单个穗轴的彩色图像，也可以获取小麦的彩色图像后，对小麦彩色图像进行处理，得到单个穗轴的彩色图像。

可选的，可以使用扫描仪的正片反射扫描方式，固定DPI扫描，得到具有明显穗中轴两侧小穗生长点的清晰小麦穗轴侧视图像作为小麦的彩色图像。清晰的小麦穗轴侧视图像能够更准确的表征小麦穗轴的生长情况，使得穗轴表型参数的测量更加准确。

获得小麦彩色图像后，在小麦彩色图像中通过连通域标记识别找到穗轴区域，基于穗轴区域从小麦彩色图像中裁剪出单个穗轴的彩色图像。图1b是本发明实施例一提供的一种单个穗轴的彩色图像的示意图，如图1b所示，单个穗轴的彩色图像中可见清晰的穗节。

一个实施方式中，可以确定穗轴区域的外接矩形，裁剪出小麦彩色图像中外接矩形对应的区域，得到单个穗轴的彩色图像。

S120、基于所述彩色图像进行二值化处理，得到二值图像。

在本实施例中，可以直接对彩色图像进行二值化处理，得到二值图像，也可以对彩色图像进行预处理后再进行二值化处理，得到二值图像。

考虑到彩色图像中可能包括噪声等信息，直接进行二值化处理可能导致二值图像不准确。可以先对彩色图像进行预处理后再进行二值化。可选的，可以先对彩色图像进行滤波去噪等预处理后进行二值化，得到二值图像。

其中，二值化的具体实现方式可以参照现有的二值化处理方式，在次不做限定。

S130、将所述彩色图像输入至预先训练的穗节点检测模型中，根据所述穗节点检测模型的输出信息确定穗节点检测图像。

在本实施例中，通过穗节点检测模型对穗轴的彩色图像进行穗节点的检测，识别出彩色图像中的穗节点，再结合二值图像中的距离参数对穗节片进行分割，得到穗节片分割图像。

可选的，穗节点检测模型的输出可以为检测出的穗节点的坐标信息，还可以直接为穗节点检测图像，当穗节点检测模型的输出信息为穗节点的坐标信息时，结合穗轴的彩色图像绘制穗节点检测图像，当穗节点检测模型的输出信息为穗节点检测图像时，直接将穗节点检测模型的输出信息作为穗节点检测图像。其中，穗节点检测图像可以为标记有穗节点的彩色图像，其中，穗节点可以通过任意方式标记，只要能够表征穗节点即可，一个实施方式中，可通过检测框进行穗节点的标记。图1c是本发明实施例一提供的一种穗节点检测图像的示意图，如图1c所示，穗节点检测图像在单个穗轴的彩色图像的基础上，通过检测框标记了穗轴中的穗节点区域及坐标。

可以理解的是，在利用穗节点检测模型进行穗节点的检测之前，需要对穗节点检测模型进行训练，可选的，所述穗节点检测模型的训练包括：

可选的，获取样本穗轴的彩色图像作为样本穗轴图像，通过对样本穗轴图像中的穗节点进行标注，得到样本数据，可以将样本数据全部作为训练集构建模型训练样本，对预先构建的穗节点检测模型进行训练，也可以对样本数据进行划分，将样本数据划分为训练集、测试集和验证集，基于训练集、测试集和验证集对预先构建的穗节点检测模型进行训练。具体的训练方式可以参照现有的模型训练方式，在此不作限制。

其中，穗节点检测模型可以基于目标检测模型的模型结构构建，示例性的，可以基于Faster rcnn构建穗节点检测模型。

S140、根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像。

得到穗节点检测图像后，结合二值图像中的距离参数进行图像分割，得到穗节片分割图像。通过穗节点检测模型进行穗节点检测，二值图像进行距离变换进行图像分割，使得基于目标检测模型即可实现图像分割，避免了使用图像分割模型进行图像分割时样本标记复杂的技术问题，同时能够提高穗节片分割图像的准确度。

整体来说，以二值图像中最底部的像素点为起点，计算二值图像中穗轴区域内像素点的测地距离，利用像素点的测地距离确定穗节点检测图像中穗节点对应的分割距离，进而进行穗节片的分割。

在本发明的一种实施方式中，所述根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像，包括：

可以理解的是，穗节点为相邻穗节片之间的分割点，基于此，可以根据穗节点的检测框中像素点的测地距离确定相邻穗节片之间的分割距离。

针对每个穗节点，将穗节点检测图像中该穗节点的检测框对应至二值图像中，对二值图像进行距离变换，得到检测框中的像素点(检测框像素点)的测地距离，其中像素点的测地距离表征像素点沿穗轴方向距离穗轴底部的距离，然后基于检测框像素点的测地距离得到该穗节片的分割距离，基于分割距离对二值图像进行分割，得到该穗节点对应的分割区域，即穗节片区域。假设该穗节点为以穗轴方向向上的第一个穗节点，则该穗节点对应的分割线和穗轴底部之间的区域为该穗节点对应的穗节片区域；假设该穗节点不是以穗轴方向向上的第一个穗节点，则该穗节点对应的分割线和该穗节点之前的穗节点的分割线之间的区域为该穗节点对应的穗节片区域。

其中，可以将检测框像素点的测地距离的特征值作为分割距离，如设定分位值、最大值等。可选的，所述根据各所述检测框像素点的测地距离确定所述穗节点的分割距离，包括：

测地距离的最大值表征穗节点的检测框中距离穗轴底部最远的像素点位置，可以将检测框像素点中最大的测地距离作为分割距离。

在上述方案的基础上，所述根据所述分割距离确定所述穗节点对应的分割线，包括：

可以理解的是，相邻穗节片之间的分割线不一定在穗节点的检测框内，基于此，确定分割距离后，在二值图像的基础上，将二值图像的穗轴区域内，测地距离为分割距离的像素点作为分割点，将各分割点的连线作为分割线，以确定穗节点对应的穗节片区域。

可选的，所述根据各所述穗节点对应的穗节片区域，确定所述穗节片分割图像，包括：

为了区分不同的穗节片，可以利用不同颜色对相邻的穗节片区域进行填充，得到穗节片分割图像。可选的，不同的穗节片区域可以为完全不同的颜色，也可以仅设置相邻穗节片区域为不同的颜色，在此不作限制，只要能够实现不同穗节片区域的区分即可。图1d是本发明实施例一提供的一种穗节片分割图像的示意图。如图1d所示，相邻的穗节片区域采用不同的颜色填充，清晰的展示了穗节片的分割结果。

S150、根据所述穗节片分割图像确定所述小麦穗轴的表型参数值。

在本实施例中，分割得到穗节片分割图像后，可以基于穗节片分割图像计算每个穗节片的表型参数值，如计算穗节片的长度、宽度等参数，基于各穗节片的表型参数值确定小麦麦穗的表型参数值。

可选的，小麦穗轴的表型参数包括小穗数、穗节片的长宽等。其中小穗数为穗节点的检测框的个数，穗节片的长宽可以根据穗节片分割图像计算得到。进一步的，本实施例中提出了小麦穗轴的其他表型参数，用于表征穗节片的长度、宽度等分布情况。所述小麦穗轴的表型参数包括分布一致性参数、宽度变化指数和分布指数中的至少一个，所述根据所述穗节片分割图像确定所述小麦穗轴的表型参数值，包括：

通过如下至少一项确定所述表型参数值：

基于各穗节片的穗节长累加曲线确定所述分布指数值。

其中，分布一致性参数可以表征穗轴中穗节片的长度分布的一致性，具体可以通过各穗节片的长度值和穗节片的个数确定，宽度变化指数可以表征穗轴中穗节片的宽度变化情况，分布指数可以表征穗轴中穗节片的分布情况。可选的，可以基于余弦相似度构建分布一致性参数和宽度变化指数的计算公式。

实施例二

图2是本发明实施例二提供的一种基于深度学习的小麦穗轴的表型参数确定方法的流程示意图，本实施例在上述实施例的基础上，提供了一种优选实施例。如图2所示，该方法包括：

1.穗轴图像采集

获得固定DPI的清晰小麦穗轴侧视图像(可见穗中轴两侧的小穗生长点)。扫描前需要去除小穗，并使用扫描仪的正片反射扫描方式，固定DPI扫描。

2.图像预处理

对原始图像进行灰度转换，由3通道的RGB图像转换为灰度图像，并利用高斯滤波对图像进行去噪处理。在去噪图像上，进行灰度直方图分析，比较前景与背景的类间方差，以类间方差最大的灰度值为阈值，自动化阈值分割图像，将图像转换为二值图像。

3.单个穗轴分割

在二值化图像中通过连通域标记识别找到穗轴区域，获得各个穗轴的外界矩形包围框坐标，并从原始彩色图像上根据包围框坐标将其裁出，得到单个穗轴的彩色图像。同时在二值图像上进行相同的操作，得到单个穗轴的二值图像。

4.模型训练与评估数据集

利用单个穗轴的彩色图像构建数据集。从穗轴图像总集中取一部分(约500张图像)作为模型训练所需的数据集，剩余为待预测的穗轴图像。其中模型训练数据集分为训练集、验证集和测试集，训练集约400张图像，验证和测试集约50张图像，保证三个数据集不存在重复图像。

5.图像标注

使用在线标注工具对数据集进行标注。选择穗轴上穗节点位置，使用矩形框标注工具标注，导出为coco格式的json文件。

6.Faster rcnn模型构建、训练与评估

构建基于Faster rcnn的穗节点检测模型。主干网络为Resnet50，搭配特征金字塔FPN组件。使用detectron2框架来搭建网络，将步骤5得到的coco格式的标注文件和单个穗轴的彩色图像注册后，添加数据增强方式，设置超参数后训练模型。

训练并筛选出最优的穗节点检测模型。训练过程中，以模型在验证集上的性能评价指标mAP50筛选出最优模型，并在测试集上完成评价，测试集上的评价指标结果作为模型的性能参数，得到穗轴表型提取模型(穗节点检测模型)。

在进行待测试的穗轴图像的表型测试时，主要包括：

1.将待测试穗轴图像输入到训练好的穗节点检测模型中，获得模型预测结果(单个穗轴彩色图像上各个穗节点的预测框坐标)。单个穗轴图像上的预测框数量为Ns。

2.对待测试穗轴图像进行二值化处理，得到二值图像，对二值图像进行距离变换。以穗轴最底部的像素为起始点，计算该穗轴上其他像素到起始点的测地距离，同时最大测地距离L_T即为单个穗轴总长(包括穗下茎)。

3.结合距离参数和穗节点位置进行各穗节片的分割

结合穗节点检测网络的预测框坐标与距离变换结果，将预测框区域与穗轴前景重合区域内的最大测地距离值点作为穗轴上各个穗节片的分割点，得到穗节点分割图像。

4.穗轴表型计算

单个穗轴图像上小穗数(SNS)为预测框数量NS：

SNS＝N_s

根据各穗节片的分割结果，计算各穗节片对应区域的长宽，得到各穗节片的长：L₀，L₁……L_n；宽W₀，W₁……W_n。其中L₀和W₀分别为穗下茎的长和宽，n为节片数(n＝SNS-1)。穗轴L长度(穗节长)RL的计算公式为：

RL＝L_T-L₀，其中，L_T为穗轴的最大测地距离。

描述小穗在穗轴上分布均一性(DSTR)的计算公式为：

其中L_i为穗节片i的长度，n为穗节片的个数。

描述宽度变化指数(WCI)的计算公式为：

其中W_i为穗节片i的宽度，n为穗节片的个数。

描述小穗在穗轴上的分布指数(SDI)的计算公式为：

其中，f(x)表示归一化后的穗节长累加曲线。

本发明实施例的技术方案，通过训练穗节点检测模型进行穗节点的检测，结合二值图像中的距离变换参数进行穗节片的分割，实现了自动准确的穗节片分割，进而实现了穗轴表型参数的自动准确计算。

实施例三

图3是本发明实施例三提供的一种基于深度学习的小麦穗轴的表型参数确定装置的结构示意图。如图3所示，该装置包括：

穗轴图像获取模块310，用于获取单个穗轴的彩色图像；

二值图像获取模块320，用于基于所述彩色图像进行二值化处理，得到二值图像；

穗节点检测模块330，用于将所述彩色图像输入至预先训练的穗节点检测模型中，根据所述穗节点检测模型的输出信息确定穗节点检测图像；

穗节片分割模块340，用于根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像；

表型参数确定模块350，用于根据所述穗节片分割图像确定所述小麦穗轴的表型参数值。

可选的，在上述方案的基础上，穗节片分割模块340具体用于：

可选的，在上述方案的基础上，所述小麦穗轴的表型参数包括分布一致性参数、宽度变化指数和分布指数中的至少一个，表型参数确定模块350具体用于：

通过如下至少一项确定所述表型参数值：

基于各穗节片的穗节长累加曲线确定所述分布指数值。

可选的，在上述方案的基础上，装置还包括穗节点检测模型训练模块，用于：

本发明实施例所提供的基于深度学习的小麦穗轴的表型参数确定装置可执行本发明任意实施例所提供的基于深度学习的小麦穗轴的表型参数确定方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4是本发明实施例四提供的一种电子设备的结构示意图。图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于深度学习的小麦穗轴的表型参数确定方法。

在一些实施例中，基于深度学习的小麦穗轴的表型参数确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于深度学习的小麦穗轴的表型参数确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于深度学习的小麦穗轴的表型参数确定方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims

1.一种基于深度学习的小麦穗轴的表型参数确定方法，其特征在于，包括：

获取单个穗轴的彩色图像；

基于所述彩色图像进行二值化处理，得到二值图像；

根据所述穗节片分割图像确定所述小麦穗轴的表型参数值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述二值图像和所述穗节点检测图像进行图像分割，得到穗节片分割图像，包括：

3.根据权利要求2所述的方法，其特征在于，所述根据各所述检测框像素点的测地距离确定所述穗节点的分割距离，包括：

4.根据权利要求2所述的方法，其特征在于，所述根据所述分割距离确定所述穗节点对应的分割线，包括：

5.根据权利要求2所述的方法，其特征在于，所述根据各所述穗节点对应的穗节片区域，确定所述穗节片分割图像，包括：

6.根据权利要求1所述的方法，其特征在于，所述小麦穗轴的表型参数包括分布一致性参数、宽度变化指数和分布指数中的至少一个，所述根据所述穗节片分割图像确定所述小麦穗轴的表型参数值，包括：

通过如下至少一项确定所述表型参数值：

基于各穗节片的穗节长累加曲线确定所述分布指数值。

7.根据权利要求1所述的方法，其特征在于，所述穗节点检测模型的训练包括：

8.一种基于深度学习的小麦穗轴的表型参数确定装置，其特征在于，包括：

穗轴图像获取模块，用于获取单个穗轴的彩色图像；

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于深度学习的小麦穗轴的表型参数确定方法。

10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于深度学习的小麦穗轴的表型参数确定方法。