基于深度学习的小麦叶片表型参数变化率监测方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的小麦叶片表型参数变化率监测方法和装置，涉及图像处理的技术领域，并包括：1获取小麦幼苗盆栽RGB图像信息，并对小麦幼苗盆栽RGB图像信息进行预处理，得到研究数据图像和标签数据；2构建并训练基于小麦叶片检测网络；3利用已训练好的小麦叶片检测模型，获得小麦叶片的检测框以及各个检测框的顶点坐标；4利用获得的检测框的顶点坐标进行小麦表型参数的提取，并对小麦叶片进行生长率监测。本发明专利技术能够准确提取小麦叶片表型参数，同时进行小麦长势，从而能解决现有小麦幼苗叶片表型参数变化率动态监测方法效率低的问题。效率低的问题。效率低的问题。

【技术实现步骤摘要】
基于深度学习的小麦叶片表型参数变化率监测方法和装置


[0001]本专利技术涉及无损检测和图像处理领域，具体涉及一种基于深度学习的小麦叶片表型参数变化率监测方法和装置。

技术介绍

[0002]小麦是中国最重要的粮食作物之一，小麦产量高且广泛应用，除了满足国内需求以外，还可以成为重要的出口商品。为了保持小麦产量增长的同时，还需提高小麦的质量，育种专家需要不断努力和探索新的改进方法。育种专家从改善耕地环境、品种的选择、合理播种等方面研究，通过研究发现，小麦品种的培育是最能起到影响结果的因素。因此，在小麦培育、改善小麦品种中，需要及时了解小麦叶片变化情况。
[0003]对于小麦品种的选择主要依赖人工对植株发育生长状况进行观测，在种植的中后期都需要投入大量的人力进行对小麦的生长发育进行人工观测，这会受到很大的主观因素的影响，不利于小麦植株的连续性观测，通过人力观测小麦的长势情况误差大、效率较低，不能满足现代小麦种植的研究需求。计算机视觉是一种可行的解决方法，通过拍摄不同时期的小麦植株图像，获得小麦叶片表型参数变化率。常见的图像处理技术是使用图像分割，将小麦叶片分割出来后进一步提取小麦的叶片变化率，但是这种分割算法会受到背景、光照等不利因素影响，效果不佳。

技术实现思路

[0004]本专利技术是为了解决上述技术中存在的不足地方，提出一种基于深度学习的小麦叶片表型参数变化率动态监测方法，旨在实现小麦叶片表型参数变化率的自动检测，从而判断出小麦叶片生长状态并采取对应的措施。
[0005]本专利技术为解决技术问题，采用如下技术方案：
[0006]本专利技术一种基于深度学习的小麦叶片表型参数变化率监测方法的特点在于，包括：
[0007]步骤1、获取若干期的小麦幼苗盆栽的N张RGB图像，并对每张小麦幼苗盆栽RGB图像进行增强，从而得到小麦盆栽RGB图像集S＝{S1,S2,
…
,S
i
,
…
,S
I
}，并对小麦叶片区域进行标注；其中，S
i
表示第i期小麦幼苗盆栽RGB图像集合，且S
i
＝{s
i,n
|n＝1,2,
…
,N}；s
i,n
表示第i期小麦幼苗盆栽的第n张RGB图像；令S
i
中所标注的小麦叶片区域的检测框为Y
i
；I表示总期数；
[0008]步骤2、建立基于小麦叶片目检测网络，依次包括：特征提取网络模块，颈部注意力特征网络模块以及头部注意力预测模块；并对s
i,n
进行处理，得到s
i,n
中小麦叶片区域的预测框
[0009]步骤3、基于和Y
i
构建交叉熵损失函数，并基于小麦盆栽RGB图像集S，利用梯度下降法对所述小麦叶片检测网络进行训练，同时计算所述交叉熵损失函数以更新网络参
数，直到所述交叉熵损失函数收敛为止，从而得到训练好的小麦叶片检测模型；
[0010]步骤4、利用训练好的小麦叶片检测模型对任意第i期实时拍摄的一张小麦幼苗RGB图像s
i,now
进行小麦叶片区域检测，获得第i期的一张小麦RGB图像s
i,now
中M个小麦叶片区域的检测框以及对应的四个顶点的坐标，令第i期的一张小麦盆栽RGB图像s
i,now
中第m个检测框的左上角、右上角、左下角、右下角坐标在图像坐标系中依次记为A
now
(x
i1m
,y
i1m
)，B
now
(x
i2m
,y
i2m
)，C
now
(x
i3m
,y
i3m
)，D
now
(x
i4m
,y
i4m
)；
[0011]步骤5、根据第m个检测框的四个顶点坐标，计算第i期的一张小麦盆栽RGB图像s
i,now
中表型参数信息，包括：第m个叶片区域的叶倾角、叶长、叶宽、叶片面积；从而根据s
i,now
中每个表型参数信息，计算每个叶片区域的叶倾角变化率和叶片面积变化率，以实现小麦生长的动态监测。
[0012]本专利技术所述的基于深度学习的小麦叶片表型参数变化率监测方法的特点在于，所述步骤2包括：
[0013]步骤2.1、所述特征提取网络模块依次是若干个浅层单元和若干个深度可分离单元构成；每个浅层单元是由二维卷积Conv2D以及归一化层BN组成，每个深度可分离单元是由二维卷积Conv2D、归一化层BN以及激活函数ReLU组成；
[0014]将所述第n张RGB图像s
i,n
输入基于小麦叶片检测网络中，并依次经过特征提取网络模块中的若干个浅层单元和若干个深度可分离单元的处理后，得到小麦叶片特征提取结果F
i,n
；
[0015]步骤2.2、所述颈部注意力特征网络模块依次由若干个残差结构模块、若干个第一浅层单元以及1个第一CA注意力模块构成，其中，每个残差结构模块包括两条并行支路：残差支路以及卷积核为1
×
1的卷积支路；CA注意力模块包括：宽度注意力特征提取模块和高度注意力特征提取模块；
[0016]步骤2.2.1、所述小麦特征提取结果F
i,n
输入到所述颈部注意力特征网络模块，并依次经过若干个残差结构模块和若干个第一浅层单元的处理后，输出小麦叶片残差结构特征提取结果F
′
i,n
；
[0017]步骤2.2.2、所述小麦叶片注意力特征提取结果F
′
i,n
输入第一CA注意力模块，并由其中的宽度注意力提取模块和高度注意力特征提取模块分别对F
′
i,n
进行全局平均池化处理，相应得到宽度池化结果G
x
F
′
i,n
、高度池化结果G
y
F
′
i,n
，再分别进行二维卷积和Sigmoid激活函数的处理后，相应得到宽度注意力权值和高度注意力权值从而利用式(1)得到第一CA注意力模块输出的小麦叶片注意力特征提取输出结果F
″
i,n
；
[0018][0019]步骤2.3、所述头部注意力预测模块包括：若干个第二浅层单元以及1个第二CA注意力模块；
[0020]步骤2.3.1、若干个第二浅层单元依次对F
″
i,n
进行卷积和归一化处理后，得到小麦叶片头部特征提取结果F
″′
i,n
；
[0021]步骤2.3.2、所述小麦叶片头部特征提取结果F
″′
i,n
经过第二CA注意力模块的处理后，得到s
i,n
中叶片位置的预测框
[002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小麦叶片表型参数变化率监测方法，其特征在于，包括：步骤1、获取若干期的小麦幼苗盆栽的N张RGB图像，并对每张小麦幼苗盆栽RGB图像进行增强，从而得到小麦盆栽RGB图像集S＝{S1,S2,
…
,S
i
,
…
,S
I
}，并对小麦叶片区域进行标注；其中，S
i
表示第i期小麦幼苗盆栽RGB图像集合，且S
i
＝{s
i,n
|n＝1,2,
…
,N}；s
i,n
表示第i期小麦幼苗盆栽的第n张RGB图像；令S
i
中所标注的小麦叶片区域的检测框为Y
i
；I表示总期数；步骤2、建立基于小麦叶片目检测网络，依次包括：特征提取网络模块，颈部注意力特征网络模块以及头部注意力预测模块；并对s
i,n
进行处理，得到s
i,n
中小麦叶片区域的预测框步骤3、基于和Y
i
构建交叉熵损失函数，并基于小麦盆栽RGB图像集S，利用梯度下降法对所述小麦叶片检测网络进行训练，同时计算所述交叉熵损失函数以更新网络参数，直到所述交叉熵损失函数收敛为止，从而得到训练好的小麦叶片检测模型；步骤4、利用训练好的小麦叶片检测模型对任意第i期实时拍摄的一张小麦幼苗RGB图像s
i,now
进行小麦叶片区域检测，获得第i期的一张小麦RGB图像s
i,now
中M个小麦叶片区域的检测框以及对应的四个顶点的坐标，令第i期的一张小麦盆栽RGB图像s
i,now
中第m个检测框的左上角、右上角、左下角、右下角坐标在图像坐标系中依次记为A
now
(x
i1m
,y
i1m
)，B
now
(x
i2m
,y
i2m
)，C
now
(x
i3m
,y
i3m
)，D
now
(x
i4m
,y
i4m
)；步骤5、根据第m个检测框的四个顶点坐标，计算第i期的一张小麦盆栽RGB图像s
i,now
中表型参数信息，包括：第m个叶片区域的叶倾角、叶长、叶宽、叶片面积；从而根据s
i,now
中每个表型参数信息，计算每个叶片区域的叶倾角变化率和叶片面积变化率，以实现小麦生长的动态监测。2.根据权利1所述的基于深度学习的小麦叶片表型参数变化率监测方法，其特征在于，所述步骤2包括：步骤2.1、所述特征提取网络模块依次是若干个浅层单元和若干个深度可分离单元构成；每个浅层单元是由二维卷积Conv2D以及归一化层BN组成，每个深度可分离单元是由二维卷积Conv2D、归一化层BN以及激活函数ReLU组成；将所述第n张RGB图像s
i,n
输入基于小麦叶片检测网络中，并依次经过特征提取网络模块中的若干个浅层单元和若干个深度可分离单元的处理后，得到小麦叶片特征提取结果F
i,n
；步骤2.2、所述颈部注意力特征网络模块依次由若干个残差结构模块、若干个第一浅层单元以及1个第一CA注意力模块构成，其中，每个残差结构模块包括两条并行支路：残差支路以及卷积核为1
×
1的卷积支路；CA注意力模块包括：宽度注意力特征提取模块和高度注意力特征提取模块；步骤2.2.1、所述小麦特征提取结果F
i,n
输入到所述颈部注意力特征网络模块，并依次经过若干个残差结构模块和若干个第一浅层单元的处理后，输出小麦叶片残差结构特征提取结果F
′
i,n
；步骤2.2.2、所述小麦叶片注意力特征提取结果F
′
i,n
输入第一CA注意力模块，并由其中
的宽度注意力提取模块和高度注意力特征提取模块分别对F
′
i,n
进行全局平均池化处理，相应得到宽度池化结果G
x
F
′
i,n
、高度池化结果G
y
F
′
i,n
，再分别进行二维卷积和Sigmoid激活函数的处理后，相应得到宽度注意力权值和高度注意力权值从而利用式(1)得到第一CA注意力模块输出的小麦叶片注意力特征提取输出结果F
″
i,n
；步骤2.3、所述头部注意力预测模块包括：若干个第二浅层单元以及1个第二CA注意力模块；步骤2.3.1、若干个第二浅层单元依次对F
″
i,n

【专利技术属性】
技术研发人员：杨宝华，支洪波，夏海洋，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：