一种用于智慧农业种植生菜的表型参数计算方法技术

本发明专利技术涉及一种用于智慧农业种植生菜的表型参数计算方法，包括：采集生菜图像并进行通道像素预处理；将生菜图像分割为生菜信息与背景信息；设计多尺度卷积网络结构，将预处理后的生菜图像和分割后的生菜图像一起输入所述多尺度卷积网络结构得到生菜的表型参数。本发明专利技术的有益效果是：本发明专利技术可以有效进行生菜的生长状态评估，不存在图像数据源单一的问题，此外，本发明专利技术估算的作物表型参数维度较多；并且本发明专利技术提供的多尺度卷积网络在作物表型参数估算上的性能较优。数估算上的性能较优。数估算上的性能较优。

【技术实现步骤摘要】
一种用于智慧农业种植生菜的表型参数计算方法


[0001]本专利技术涉及智慧农业作物种植领域，更确切地说，它涉及一种用于智慧农业种植生菜的表型参数计算方法。

技术介绍

[0002]年来，随着我国精准农业和植物工厂等智慧农业技术的不断发展，在作物种植时需要获取作物的生长表型参数以确定作物的生长过程是否符合预期。这要求在作物种植的多个时刻对作物进行状态检测和评估(每日一次或多次)。一般来说，检测是由有经验的人通过测量来完成的，但是人工检测的效率和精度都相对有限，在植物工厂的精准环境调控下，这样的误差会对精细化的生产策略产生无法修正的影响，是不能被容忍的。目前，植物工厂或蔬菜大棚中最常见的作物为生菜，如何更好的进行生菜表型参数的自动化高精度估算正成为从业人员关注的焦点和难点。
[0003]人工智能驱动的计算机智能视觉技术在各个领域得到成功应用，也进入了农业领域，渗透到植物表型研究的方方面面，取得了不错的成绩。综合利用机器视觉对植物的重要表型参数进行采集和分析是植物工厂中作物生产过程管理的一种重要技术手段。但有研究严重依赖于手动设计特征、易受环境噪声影响等问题，在图像数据源方面，仅依赖于二维RGB俯视图，同时估算的作物表型参数维度较少，不能满足植物工厂中作物的生长状态评估。

技术实现思路

[0004]本专利技术的目的是克服现有技术中的不足，提供了一种用于智慧农业种植生菜的表型参数计算方法，包括：
[0005]S1、使用深度图像相机采集生菜图像并进行通道像素预处理，随后计算图像像素散度；
[0006]S2、设计最小化吉布斯能量函数将生菜图像分割为生菜信息与背景信息；
[0007]S3、设计多尺度卷积网络结构，所述多尺度卷积网络结构包括主干卷积网络、特征增强模块和数值预测模块，将预处理后的生菜图像和分割后的生菜图像一起输入所述多尺度卷积网络结构得到生菜的表型参数。
[0008]作为优选，S1包括：
[0009]S101、将深度图像相机以俯视生菜的视角进行安装，悬挂在生菜正上方并采集生菜图像，所述生菜图像包括输出可见光图像和深度图图像；
[0010]S102、对所述生菜图像进行如下预处理：
[0011][0012]其中，μ
c
为第c个通道的像素值的均值，σ
c
为第c个通道的像素值的标准差，pixel
c,i
代表预处理前图像中第c个通道的第i个像素的像素值；可见光图像有3个通道，深度图图像
仅有1个通道，pixel
′
c,i
代表预处理后图像中第c通道的第i个像素的像素值；
[0013]S103、获取标准生菜图像样本，并将S102中预处理后的生菜图像分割成若干区域，对每个区域求归一化颜色直方图，用KL散度表示每个区域的归一化颜色直方图与标准生菜图像样本的归一化颜色直方图之间的相似性，KL散度的计算公式为：
[0014][0015]其中，S表示KL散度，p
k
表示原始图像区域的像素数值概率分布，q
k
表示原始图像区域的像素数值近似分布；并设置阈值α，KL散度S低于阈值α的区域为包含生菜像素的区域，KL散度S高于阈值α的区域为不包含生菜像素的区域。
[0016]作为优选，S2包括：
[0017]S201、初始化前景和背景的高斯混合模型，基于吉布斯能量函数最小化建模生菜信息与背景信息的分割；
[0018]S202、使用最小割算法求解在当前各个像素向量k的情况下，最小的吉布斯能量函数。
[0019]作为优选，S3包括：
[0020]S301、设计多尺度卷积网络结构，所述多尺度卷积网络结构包括主干卷积网络、特征增强模块和数值预测模块；
[0021]S302、对步骤S2分割出的生菜3通道RGB图像和1通道Depth图像，基于主干卷积网络提取多尺度的图像特征；
[0022]S303、通过特征增强模块对S302提取的多尺度的图像特征进行定位，在下一个尺度提取图像特征时，使用前一个尺度输出的注意力机制区域作为输入，采用双线性插值的上采样方式对特征增强后的图像进行放大；
[0023]S304、在数值预测模块采用正规化平均根方差(NMSE)作为损失函数，预测生菜的表型参数数值。
[0024]作为优选，S201中，吉布斯能量函数E表示为：
[0025]E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)
[0026]其中，k为像素向量，U用于评价在给定模型θ时，像素z被划分为α的合理程度，V用于评价分割的平滑程度，U表示为：
[0027][0028]其中，p为高斯概率分布，π为混合权重相关系数，z
n
表示像素，α
n
表示z
n
的划分结果，k
n
表示z
n
的高斯混合模型分量；
[0029]V表示为：
[0030][0031]其中，γ为常数，β＝(2<(z
m
‑
z
n
)2>)
‑1；
[0032]θ表示为：
[0033]θ＝{π(α,k),μ(α,k),∑(a,k)；α＝0,1；k＝1...K}
[0034]其中，π为权重，μ为均值，∑为协方差。
[0035]作为优选，S202中，迭代优化直至收敛，给待求解像素合集中每个像素重新分配高斯混合模型分量，公式如下：
[0036][0037]其中，arg min表示最小化求解，表示在当前模型θ下，像素z
n
的高斯混合模型分量k
n
被划分为α
n
的合理程度，D
n
表示图像分割的似然项；
[0038]使用最小割算法求解在当前各个像素向量k的情况下，最小的Gibbs能量函数E，当求解收敛后得到最终图像分割结果，表示为：
[0039][0040]作为优选，S302中，主干卷积网络的输入尺寸为[255,255,n]，其中n表示图像的通道数，在第m尺度输入的图像维度为n＝(3+1)m，其中3指的是RGB图像的3通道，1指的是Depth图像的1通道，每经过一个尺度维度数会增加4。
[0041]作为优选，S303中，特征增强模块的多尺度特征信息定位，在下一个尺度提取特征时，使用前一个尺度输出的注意力机制区域作为输入，其中特征增强模块采用的损失函数为排序损失函数：
[0042][0043]其中，表示在第k层尺度上预测得到的作物表型参数向量，表示在第k+1层尺度上预测得到的作物表型参数向量，表示在第k层预测出的表型参数向量损失，表示在第k+1层预测出的表型参数向量损失，β为附加差额。
[0044]作为优选，S303中，特征增强后的图像为裁剪后的图像，采用双线性插值的上采样方式对特征增强后的图片进行放大，表示为：
[0045本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于智慧农业种植生菜的表型参数计算方法，其特征在于，包括以下步骤：S1、使用深度图像相机采集生菜图像并进行通道像素预处理，随后计算图像像素散度；S2、设计最小化吉布斯能量函数将生菜图像分割为生菜信息与背景信息；S3、设计多尺度卷积网络结构，所述多尺度卷积网络结构包括主干卷积网络、特征增强模块和数值预测模块，将预处理后的生菜图像和分割后的生菜图像一起输入所述多尺度卷积网络结构得到生菜的表型参数。2.根据权利要求1所述的用于智慧农业种植生菜的表型参数计算方法，其特征在于，S1包括：S101、将深度图像相机以俯视生菜的视角进行安装，悬挂在生菜正上方并采集生菜图像，所述生菜图像包括输出可见光图像和深度图图像；S102、对所述生菜图像进行如下预处理：其中，μ
c
为第c个通道的像素值的均值，σ
c
为第c个通道的像素值的标准差，pixel
c,i
代表预处理前图像中第c个通道的第i个像素的像素值；可见光图像有3个通道，深度图图像仅有1个通道，pixel
′
c,i
代表预处理后图像中第c通道的第i个像素的像素值；S103、获取标准生菜图像样本，并将S102中预处理后的生菜图像分割成若干区域，对每个区域求归一化颜色直方图，用KL散度表示每个区域的归一化颜色直方图与标准生菜图像样本的归一化颜色直方图之间的相似性，KL散度的计算公式为：其中，S表示KL散度，p
k
表示原始图像区域的像素数值概率分布，q
k
表示原始图像区域的像素数值近似分布；并设置阈值α，KL散度S低于阈值α的区域为包含生菜像素的区域，KL散度S高于阈值α的区域为不包含生菜像素的区域。3.根据权利要求1所述的用于智慧农业种植生菜的表型参数计算方法，其特征在于，S2包括：S201、初始化前景和背景的高斯混合模型，基于吉布斯能量函数最小化建模生菜信息与背景信息的分割；S202、使用最小割算法求解在当前各个像素向量k的情况下，最小的吉布斯能量函数。4.根据权利要求2所述的用于智慧农业种植生菜的表型参数计算方法，其特征在于，S3包括：S301、设计多尺度卷积网络结构，所述多尺度卷积网络结构包括主干卷积网络、特征增强模块和数值预测模块；S302、对步骤S2分割出的生菜3通道RGB图像和1通道Depth图像，基于主干卷积网络提取多尺度的图像特征；S303、通过特征增强模块对S302提取的多尺度的图像特征进行定位，在下一个尺度提取图像特征时，使用前一个尺度输出的注意力机制区域作为输入，采用双线性插值的上采样方式对特征增强后的图像进行放大；
S304、在数值预测模块采用正规化平均根方差作为损失函数，预测生菜的表型参数数值。5.根据权利要求3所述的用于智慧农业种植生菜的表型参数计算方法，其特征在于，S201中，吉布斯能量函数E表示为：E(α,k,θ,z)＝U(α,k,θ,z)+V(α,z)其中，k为像素向量，U用于评价在给定模型θ时，像素z被划分为α的合理程度，V用于评价分割的平滑程度，U表示为：其中，p为高斯概率分布，π为混合权...

【专利技术属性】
技术研发人员：陈垣毅，王德志，闫鹏全，郑增威，
申请(专利权)人：浙大城市学院，
类型：发明
国别省市：