一种基于深度学习的水稻叶龄检测方法技术

一种基于深度学习的水稻叶龄检测方法，它属于水稻叶龄期检测技术领域。本发明专利技术解决了现阶段人工检测水稻叶龄费时费力、主观性强且检测准确率低的问题。本发明专利技术基于电子设备获取水稻各生长时期图像，再通过图像预处理技术分别构建移栽前和移栽后图像数据集，并利用对应的图像数据集对深度学习模型进行训练，将训练好的深度学习模型与尖端轮廓方法结合进行水稻植株的叶龄检测，相比较于现阶段的检测方法，本发明专利技术方法具有检测速度快、检测准确率高的优势，而且检测过程不需要人工参与，不受人为主观性的影响。本发明专利技术方法可以应用于水稻叶龄期检测。检测。检测。

【技术实现步骤摘要】
一种基于深度学习的水稻叶龄检测方法


[0001]本专利技术属于水稻叶龄期检测
，具体涉及一种基于深度学习的水稻叶龄检测方法。

技术介绍

[0002]水稻作为我国主要的粮食和经济作物，在农业生产和实践中均占有重要的地位。目前，田间工作人员主要依靠经验及田间人工抽样检测叶龄相结合的方法判断水稻叶龄，然而田间人员在稻田中行走缓慢，并且依靠人工在稻田中检测水稻叶龄需要花费大量时间与精力，且人工检测结果的主观性强，检测的准确率低，同时，水稻生长变化容易受外界环境影响，如：温度、湿度、光照度等。随着农业智能信息技术的快速发展，机器视觉在农业各个领域中发挥了重要的作用，其无损获取农作物表型参数方法能够有效的代替人工检测方法，机器视觉技术分为传统机器学习和深度学习，传统机器学习通过提取作物图像的颜色、纹理、形状等特征进行应用研究。但随着计算机技术的快速发展，传统机器学习已经逐渐不能满足行业需求，结合深度学习的机器视觉系统已经成为了机器学习研究中的一个新的领域，深度学习是用于建立、模拟人脑来进行分析学习的神经网络，模仿人脑的机制来解释数据，例如图像，声音和文本，尤其是在农业领域方面对于病虫害检测、生长状况监测和产量预测中具有重要作用。

技术实现思路

[0003]本专利技术的目的是为解决现阶段人工检测水稻叶龄费时费力、主观性强且检测准确率低的问题，而提出的一种基于深度学习的水稻叶龄检测方法。
[0004]本专利技术为解决上述技术问题所采取的技术方案是：一种基于深度学习的水稻叶龄检测方法，所述方法在水稻移栽前进行叶龄检测的具体过程为：
[0005]步骤S1：采集移栽前秧田内的水稻植株图像；
[0006]步骤S2：对步骤S1中采集的水稻植株图像进行预处理后，得到水稻植株图像数据集；
[0007]步骤S3：分别构建水稻植株识别检测模型，利用步骤S2中得到的水稻植株图像数据集对构建的模型进行训练和测试，选择出识别准确率最高的水稻植株识别检测模型；
[0008]步骤S4：将待检测图像输入选择出的水稻植株识别检测模型，对识别检测出的移栽前水稻植株进行放大和超分辨率重建；
[0009]步骤S5：对超分辨率重建后的移栽前水稻植株图像进行水稻主体和背景区域分割，分割出水稻主体图像；
[0010]步骤S6：利用图像处理技术对步骤S5中得到的水稻主体图像进行边缘提取后，再利用尖端轮廓方法确定水稻主体图像的叶片数量，实现对移栽前水稻植株的叶龄检测；
[0011]所述利用尖端轮廓方法确定水稻主体图像的叶片数量，其具体过程为：
[0012]步骤1、从第一行像素开始，对水稻主体图像的各行像素依次进行扫描，且对于每
行内的像素来说，扫描顺序均为从左至右；
[0013]在扫描过程中找到第1个像素值为1的点l1后，则扫描停止，以点l1作为轮廓像素点中的第1个起始点，将点l1在水稻主体图像中的坐标值加入到坐标集合，将点l1的链码值加入到链码值集合，并转至步骤2；
[0014]若水稻主体图像中的全部像素扫描完成后未找到过像素值为1的点，则水稻主体图像中的叶片数量为0，整个流程结束；
[0015]步骤2、找到点l1在水稻主体图像中的8个方向上的邻域点，从点l1正右边的邻域像素点开始，以逆时针顺序依次搜索点l1的8个方向上的邻域点，将找到的第1个满足条件的邻域点作为下一个起始点，并将找到的第1个满足条件的邻域点的坐标加入到坐标集合，将找到的第1个满足条件的邻域点的链码值加入到链码值集合；
[0016]所述下一个起始点需要同时满足下述三个条件：
[0017]条件一、像素值为1；
[0018]条件二、未被搜索过；
[0019]条件三、它的8个方向上的邻域点中存在像素值为0的点；
[0020]对找到的下一个起始点重复点l1的处理过程，直至找到的下一起始点与点l1重合时结束，得到起始点坐标集合和起始点的链码值集合，并对链码值集合中的链码值采用8方向弗里曼链码法进行编码；
[0021]步骤3、初始化叶片数量Num的值为0；
[0022]步骤4、初始化跟踪像素点的间隔值j的值为1；
[0023]步骤5、初始化跟踪像素点的循环变量i的值为1；
[0024]步骤6、从起始点坐标集合中选取像素点A
i
，从链码值集合中选取链码值L
i
，其中，A
i
代表第i个加入坐标集合中的像素点的坐标，L
i
代表第i个加入链码值集合中的链码值；
[0025]从起始点坐标集合中，在像素点A
i
的前后各取一个像素点坐标值，取的像素点坐标值为A
i
‑
j
和A
i+j
，其中，A
i
‑
j
代表第i
‑
j个加入坐标集合中的像素点的坐标，A
i+j
代表第i+j个加入坐标集合中的像素点的坐标，从链码值集合中，在链码值L
i
的前后各取一个链码值，取的链码值为L
i
‑
j
和L
i+j
，L
i
‑
j
代表第i
‑
j个加入链码值集合中的链码值，L
i+j
代表第i+j个加入链码值集合中的链码值；
[0026]当i
‑
j≤0时，A
i
‑
j
＝A
N
‑
j+i
，L
i
‑
j
＝L
N
‑
j+i
，i+j＞N时，A
i+j
＝A
i+j
‑
N
，L
i+j
＝L
i+j
‑
N
；
[0027]步骤7、根据三角形余弦定理：
[0028][0029]其中，N
e
(A
i
‑
j
A
i
)是A
i
‑
j
A
i
两点之间的欧氏距离，D
e
(A
i
A
i+j
)是A
i
A
i+j
两点之间的欧氏距离，D
e
(A
i
‑
j
A
i+j
)是A
i
‑
j
A
i+j
两点之间的欧氏距离，
[0030]根据三角函数定理：
[0031]∠A
i
‑
j
A
i
A
i+j
＝arccos(cos∠A
i
‑
j
A
i
A
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水稻叶龄检测方法，其特征在于，所述方法在水稻移栽前进行叶龄检测的具体过程为：步骤S1：采集移栽前秧田内的水稻植株图像；步骤S2：对步骤S1中采集的水稻植株图像进行预处理后，得到水稻植株图像数据集；步骤S3：分别构建水稻植株识别检测模型，利用步骤S2中得到的水稻植株图像数据集对构建的模型进行训练和测试，选择出识别准确率最高的水稻植株识别检测模型；步骤S4：将待检测图像输入选择出的水稻植株识别检测模型，对识别检测出的移栽前水稻植株进行放大和超分辨率重建；步骤S5：对超分辨率重建后的移栽前水稻植株图像进行水稻主体和背景区域分割，分割出水稻主体图像；步骤S6：利用图像处理技术对步骤S5中得到的水稻主体图像进行边缘提取后，再利用尖端轮廓方法确定水稻主体图像的叶片数量，实现对移栽前水稻植株的叶龄检测；所述利用尖端轮廓方法确定水稻主体图像的叶片数量，其具体过程为：步骤1、从第一行像素开始，对水稻主体图像的各行像素依次进行扫描，且对于每行内的像素来说，扫描顺序均为从左至右；在扫描过程中找到第1个像素值为1的点l1后，则扫描停止，以点l1作为轮廓像素点中的第1个起始点，将点l1在水稻主体图像中的坐标值加入到坐标集合，将点l1的链码值加入到链码值集合，并转至步骤2；若水稻主体图像中的全部像素扫描完成后未找到过像素值为1的点，则水稻主体图像中的叶片数量为0，整个流程结束；步骤2、找到点l1在水稻主体图像中的8个方向上的邻域点，从点l1正右边的邻域像素点开始，以逆时针顺序依次搜索点l1的8个方向上的邻域点，将找到的第1个满足条件的邻域点作为下一个起始点，并将找到的第1个满足条件的邻域点的坐标加入到坐标集合，将找到的第1个满足条件的邻域点的链码值加入到链码值集合；所述下一个起始点需要同时满足下述三个条件：条件一、像素值为1；条件二、未被搜索过；条件三、它的8个方向上的邻域点中存在像素值为0的点；对找到的下一个起始点重复点l1的处理过程，直至找到的下一起始点与点l1重合时结束，得到起始点坐标集合和起始点的链码值集合，并对链码值集合中的链码值采用8方向弗里曼链码法进行编码；步骤3、初始化叶片数量Num的值为0；步骤4、初始化跟踪像素点的间隔值j的值为1；步骤5、初始化跟踪像素点的循环变量i的值为1；步骤6、从起始点坐标集合中选取像素点A
i
，从链码值集合中选取链码值L
i
，其中，A
i
代表第i个加入坐标集合中的像素点的坐标，L
i
代表第i个加入链码值集合中的链码值；从起始点坐标集合中，在像素点A
i
的前后各取一个像素点坐标值，取的像素点坐标值为A
i
‑
j
和A
i+j
，其中，A
i
‑
j
代表第i
‑
j个加入坐标集合中的像素点的坐标，A
i+j
代表第i+j个加入坐标集合中的像素点的坐标，从链码值集合中，在链码值L
i
的前后各取一个链码值，取的链码
值为L
i
‑
j
和L
i+j
，L
i
‑
j
代表第i
‑
j个加入链码值集合中的链码值，L
i+j
代表第i+j个加入链码值集合中的链码值；当i
‑
j≤0时，A
i
‑
j
＝A
N
‑
j+i
，L
i
‑
j
＝L
N
‑
j+i
，i+j＞N时，A
i+j
＝A
i+j
‑
N
，L
i+j
＝L
i+j
‑
N
；步骤7、根据三角形余弦定理：其中，D
e
(A
i
‑
j
A
i
)是A
i
‑
j
A
i
两点之间的欧氏距离，D
e
(A
i
A
i+j
)是A
i
A
i+j
两点之间的欧氏距离，D
e
(A
i
‑
j
A
i+j
)是A
i
‑
j
A
i+j
两点之间的欧氏距离，根据三角函数定理：∠A
i
‑
j
A
i
A
i+j
＝arccos(c...

【专利技术属性】
技术研发人员：张佳岩，刘锐，赵洪林，马永奎，单成兆，杨文超，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：