一种基于图像分割和全卷积神经网络的田间稻穗计数方法技术

本发明专利技术公开了一种基于图像分割和全卷积神经网络的田间稻穗计数方法，包括以下步骤：S1.数据采集：利用照相设备拍摄稻田，拍摄时设置用于固定拍摄范围的取景框，拍摄若干张抽穗期的水稻照片；S2.图像预处理：裁剪水稻照片，保留取景框内的部分；S3.创建数据集：对水稻照片进行点标注，生成包含训练集、验证集和测试集的点标注数据集；S4.水稻计数：利用LC‑FCN模型对水稻进行计数。本发明专利技术的方法通过卷积神经网络模型完成了水稻的计数，相较于现有的水稻计数方法，提高了计数准确率和计数效率。

【技术实现步骤摘要】
一种基于图像分割和全卷积神经网络的田间稻穗计数方法
本专利技术属于水稻计数领域，特别是涉及一种基于图像分割和全卷积神经网络的田间稻穗计数方法。
技术介绍
水稻是最重要的农作物之一。在占世界人口60％以上的亚洲，大米是人们的主要食物。根据中国国家统计局的数据，2019年中国大米总产量将为20961万吨。水稻的产量不仅是农民经济收成的问题，还是关系民生的重大问题。因此，水稻种植管理是农业管理中非常重要的一项。水稻的高产量是种植和生产过程的主要目标，完成稻穗计数是一项重要的任务。精细农业是未来农业发展的重要趋势，其中农业信息化是当前大力倡导的发展方向。实现农业信息化将有助于实现农业管理的智能化，提高农产品产量，取得更大的经济效益。农业信息化在农产品产量的预测中也起着重要作用，有助于实现农产品生产周期的管理。深度学习方法在多个领域的不同环境中都有广泛使用，且被证明是一种十分高效的方法。当然，它也广泛地应用在各个农业相关领域中。例如，Amara,J.等人使用深度神经网络对香蕉叶病进行检测分类，Potena,C.等人使用深度学习的方法实现了对杂草的快速检测识别，Chen,S.W.等人使用深度学习中的目标检测方法实现了对苹果和橘子的检测并计数。这些深度学习应用在农业上的例子都表明了，深度学习在植物处理的领域具有良好的效果。但是在水稻方向上，使用深度学习来进行处理的例子并不多。目前的水稻产量估计方法，一是通过田间采样，人工计数的预测方式，这种方式虽然结果相对准确，但是需要大量的人力资源投入，并且不适合大规模水稻生产的产量预估；二是通过传统的机器学习方法，对卫星遥感图像或无人机拍摄的高清图像进行处理，针对彩色图像的颜色特征进行聚类分析，这种方法仅仅利用到水稻不同时期的颜色特征，过程较繁琐且不准确。在NguyenCaoTri的一文中，作者使用无人机与深度学习结合的方式对稻田产量进行了预估。然而此文中，作者等人的评估方式是使用无人机对稻田进行图像采集，对采集的图像进行图像分类，检测水稻分类的精度。针对水稻的产量预估，NguyenCaoTri等人先对1m2的水稻进行人工数量的计数，获取大量平均数据后，得到了平均1m2的水稻产量，并将这个平均数据应用计算在整个稻田上。然而这种水稻产量的预估方式并没有对具体的水稻数进行检测，因此也会因为各个土地环境的不同产生不少误差。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于图像分割和全卷积神经网络的田间稻穗计数方法，提高水稻计数的准确性和计数效率。本专利技术的目的是通过以下技术方案来实现的：一种基于图像分割和全卷积神经网络的田间稻穗计数方法，包括以下步骤：S1.数据采集：利用照相设备拍摄稻田，拍摄时设置用于固定拍摄范围的取景框，拍摄若干张抽穗期的水稻照片；S2.图像预处理：裁剪水稻照片，保留取景框内的部分；S3.创建数据集：对水稻照片进行点标注，生成包含训练集、验证集和测试集的点标注数据集；S4.水稻计数：利用LC-FCN模型对水稻进行计数。优选的，所述步骤S1中采集的水稻照片包括不同品种水稻在抽穗期的照片；优选地，所述步骤S1中采集的水稻照片包括水稻在抽穗期不同生长期的照片。优选的，所述取景框的颜色采用除水稻颜色以外的任意颜色。优选的，所述步骤S2包括：S21.获取水稻照片的中心；S22.从水稻照片的中心向上下左右四个方向分别偏移若干像素点，得到四个偏移点；S23.经过上下方向偏移的偏移点水平延伸作水平线，左右方向偏移的偏移点垂直延伸作垂直线，延伸所得四条直线与水稻照片的边界相交；S24.在步骤S23得到的四条线上，由四个偏移点出发向两侧沿直线探索，直到探索到取景框的颜色时，将探索到取景框时的探索点作为临界点，每个偏移点对应得到两个临界点；S25.将位于同一方向的两个临界点相连作直线，得到的四条直线两两相交得到四个交点；S26.将四个交点带入OpenCV函数，进行拉伸得到取景框内的照片。优选的，所述步骤S2中，在对水稻照片进行裁剪后，将水稻照片的尺寸调整为原照片的20％-35％。优选的，所述步骤S3包括：S31.使用Labelme注释工具对水稻照片进行点标注，每张水稻照片中每一株稻穗的中心标注为一个稻穗中心点，其余像素则全部标注为背景区域，稻穗中心点的颜色与背景区域的颜色不同，生成PNG格式的点标注标签文件；S32.按预设比例随机分配生成包含训练集、验证集和测试集的点标注数据集。优选的，所述步骤S4包括：S41.构建LC-FCN模型，并输入水稻照片；S42.LC-FCN模型中的残差网络对水稻照片进行水稻的语义分割，得到特征图；S43.对特征图进行上采样，获得与原水稻照片大小一致的输出图片；S44.根据LC-FCN模型的定位损失获取输出图片中每个像素点属于水稻类别的概率；S45.输出图片中，若像素点属于水稻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，得到水稻的二进制掩码；S46.查找水稻类别的连通域个数，其结果为稻穗的预测数量。所述步骤S4中，首先将训练集中的任一张图片作为输入，按照步骤S41～S46进行处理，并在每次处理过程中，使得稻穗的预测数目等于该图片中标注的稻穗中心点数目，在每一张图片输入时重复上述过程，从而实现对LC-FCN模型的训练；然后利用验证集中的图片作为输入，按照步骤S41～S46得到预测结果，与验证集中对应图片标注的稻穗中心点数目进行比较，并根据比较结果对LC-FCN模型进行调参；最后将测试集中的图片作为输入，按照步骤S41～S46得到预测结果，与测试集中对应图片标注的稻穗中心点数目进行比较，评估模型的预测准确性。本专利技术的有益效果是：本专利技术的方法通过深度学习的模型完成了水稻的计数，相较于现有的水稻计数方法，提高了计数准确率和计数效率。附图说明图1为本专利技术方法的一种流程图；图2为本专利技术中照片裁剪过程的一种流程图；图3为水稻照片裁剪的原理示意图；图4为本专利技术中创建数据集的一种示意图；图5为本专利技术中水稻计数过程的一种示意图；图6为LC-FCN模型的网络结构示意图；图7为一次实验训练的最优模型的测试照片；图8为使用图像处理方法对稻穗进行计数；图9为本专利技术方法与目标检测SSD方法的样本图的测试比较；图10为使用FCN8和resFCN作为语义分割网络的测试对比。具体实施方式下面将结合实施例，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，一种基于图像分割和全卷积神经网络的田间稻穗计数方法，包括以下步骤：S1.数据采本文档来自技高网...

【技术保护点】
1.一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，包括：/nS1.数据采集：利用照相设备拍摄稻田，拍摄时设置固定拍摄范围的取景框，拍摄若干张抽穗期的水稻照片；/nS2.图像预处理：裁剪水稻照片，保留取景框内的部分；/nS3.创建数据集：对水稻照片进行点标注，生成包含训练集、验证集和测试集的点标注数据集；/nS4.水稻计数：利用LC-FCN模型对水稻进行计数。/n

【技术特征摘要】
1.一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，包括：
S1.数据采集：利用照相设备拍摄稻田，拍摄时设置固定拍摄范围的取景框，拍摄若干张抽穗期的水稻照片；
S2.图像预处理：裁剪水稻照片，保留取景框内的部分；
S3.创建数据集：对水稻照片进行点标注，生成包含训练集、验证集和测试集的点标注数据集；
S4.水稻计数：利用LC-FCN模型对水稻进行计数。


2.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S1中采集的水稻照片包括不同品种水稻在抽穗期的照片。


3.根据权利要求1或2所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S1中采集的水稻照片包括水稻在抽穗期不同生长期的照片。


4.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述取景框的颜色采用除水稻颜色以外的任意颜色。


5.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S2包括：
S21.获取水稻照片的中心；
S22.从水稻照片的中心向上下左右四个方向分别偏移若干像素点，得到四个偏移点；
S23.经过上下方向偏移的偏移点水平延伸作水平线，左右方向偏移的偏移点垂直延伸作垂直线，延伸所得四条直线与水稻照片的边界相交；
S24.在步骤S23得到的四条线上，由四个偏移点出发向两侧沿直线探索，直到探索到取景框的颜色时，将探索到取景框时的探索点作为临界点，每个偏移点对应得到两个临界点；
S25.将位于同一方向的两个临界点相连作直线，得到的四条直线两两相交得到四个交点；
S26.将四个交点带入OpenCV函数，进行拉伸得到取景框内的照片。


6.根据权利要求1所述的一种基于图像分割和全卷积神经网络的田间稻穗计数方法，其特征在于，所述步骤S2中，在对...

【专利技术属性】
技术研发人员：穆炯，舒百一，余昊扬，张译文，王鸿杰，刘明鑫，杨杰，王舒，文智由，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：四川;51