【技术实现步骤摘要】
本专利技术涉及一种植物表型测量处理技术，尤其涉及一种基于目标检测的玉米雌穗高度测量方法。
技术介绍
1、适宜的玉米穗位高(maize ear height)可提高植株的养分和光能利用效率及抗倒伏性，对玉米增产和稳产具有重要意义。即时定位与地图构建(simultaneouslocalization and mapping，slam)和基于深度学习的目标检测技术迅速发展，使智能化的玉米雌穗空间定位与高度测量成为了可能。
2、玉米穗位高的测量主要采用刻度尺人工测量，速度慢、工作量大，已不能满足农业生产和智能化育种的需要。近年，有学者根据玉米叶面积垂直分布与穗位高的关系，基于无人机激光雷达(lidar)获取玉米冠层的垂直点云(point cloud)分布，进一步估算玉米叶面积垂直分布和穗位高。然而，抽雄期后的玉米冠层高大郁闭，要获取高质量的点云垂直分布信息，需要使用高性能激光雷达传感器，造价昂贵。对于作物育种，精确的获取表型是挖掘基因的前提。然而，面对海量的玉米种质资源，玉米叶面积垂直分布和穗位高关系的可靠性、稳定性值得商榷。因此，需要一种基于目标检测的玉米雌穗高度测量方法。
技术实现思路
1、本专利技术的目的是要提供一种基于目标检测的玉米雌穗高度测量方法。
2、为达到上述目的，本专利技术是按照以下技术方案实施的：
3、本专利技术包括如下步骤：
4、a训练目标检测模型权重，构建玉米雌穗检测模型；
5、b采集实时影像和传感器的位置姿
6、c将预处理后的所述实时影像输入所述玉米雌穗检测模型，提取所述玉米雌穗图像特征，通过所述玉米雌穗图像特征对预处理后的所述实时影像进行目标检测获得玉米雌穗在图像像素坐标系中表示的坐标；
7、d对所述实时影像进行识别，分别获取地面和雌穗在世界坐标系中表示的三维空间坐标，获取玉米雌穗高度测量信息。
8、进一步地，所述预处理的方法包括所述实时影像进行方向旋转和尺寸拉伸，将每张输入影像拉伸为640×640像素大小，作为玉米雌穗检测模型的输入影像。进一步地，制作用于构建玉米雌穗检测模型的数据集，包括：预先采集玉米雌穗影像，人工以矩形框标注玉米雌穗在影像中的位置，使用中心点坐标(xtrue,ytrue)、宽(wtrue)和高(htrue)表示该矩形框，该框类别为ear。玉米雌穗影像及其矩形框一同构成玉米雌穗数据集。
9、进一步地，所述构建玉米雌穗检测模型的方法，包括：
10、将yolo v5s架构作为的玉米雌穗检测模型架构，添加卷积层、池化层和全连接层。
11、使用ciou(complete-iou)作为预测矩形框的定位损失函数(lbox)，用于表示预测矩形框和人工标记矩形框间的差异：
12、
13、
14、
15、其中，iou是预测框和真实框的交并比，ρ(b,bg)是预测框中心点(xpred,ypred)和真实框中心点(xtrue,ytrue)之间的欧氏距离，c是最小闭包区域的对角线长度，v是宽高比一致性度量，α是权重系数。
16、二元交叉熵损失(binary cross-entropy loss,bce loss)用于计算分类损失(lcls)和置信度损失(lconf):
17、
18、其中，是预测框的类别c的概率，pcls,c是真实类别c的独热编码(one-hotencoding)向量。
19、
20、其中，是预测框的置信度，pobj是真实框的置信度(0或1)。
21、yolo v5的整体损失函数(loss)是上述三种损失的加权和。具体形式可以表示为：
22、loss＝λbox·lbox+λconf·lconf+λcls·lcls
23、其中，λbox、λcls、λconf为各项损失函数的权重系数，分别设为0.05、0.5和1。
24、将玉米雌穗数据集输入到卷积神经模型进行训练，采用反向传播算法更新玉米雌穗检测模型的权重，通过不断迭代使损失函数loss的值降低至最优水平，学习玉米雌穗特征。
25、进一步地，采集实时影像信息和传感器位置姿态信息时，从连续帧数据中提取特征点并进行匹配得到特征点，通过里程计估计传感器的相对位姿，利用位姿图优化消除累计误差。通过相机位姿和匹配的特征点对，使用三角测量法计算三维点的坐标，将所有计算出的三维点集合，形成稀疏点云。使用基于视差的立体匹配方法生成稠密点云，不断累积，由此构建以点云在相机坐标系中表示的三维地图。通过点云生成、点云数据预处理、点云配准和点云分割将处理完成的点云数据汇入数据库用于玉米雌穗检测和穗位高测量。
26、进一步地，玉米雌穗高度信息测量的方法包括：在以点云表示的三维地图中，基于随机采样一致性算法(ransac)进行平面检测，将检测到的地面从相机坐标系转换到世界坐标系，得到地面的z坐标(z0)。定时更新z0的值，以减少因移动产生的累计误差。基于构建的玉米雌穗检测模型，在实时影像中检测玉米雌穗位置，以(xpred,ypred,wpred,hpred)在图像像素坐标系中表示玉米雌穗预测矩形框。使用预测框底部的中点(xpred,ypred+0.5*hpred)和角点(xpred±0.5*wpred,ypred+0.5*hpred)作为玉米雌穗基部的候选位置，结合三维点云地图得到候选位置的深度值zc。认为深度值最小的候选位置即为玉米穗位，将玉米穗位转换至相机坐标系为(xc,yc,zcmin)，进一步转换至世界坐标系为(xw,yw,zw)。玉米雌穗着生高度h＝zw–z0。
27、一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述方法。
28、本专利技术的有益效果是：
29、本专利技术通过深度学习方法实现玉米雌穗精准识别，结合slam技术构建三维地图，实现玉米穗位的自动化、智能化测量。
本文档来自技高网...【技术保护点】
1.一种基于目标检测的玉米雌穗高度测量方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：所述预处理的方法包括所述实时影像进行方向旋转和尺寸拉伸，将每张输入影像拉伸为640×640像素大小，作为玉米雌穗检测模型的输入影像。
3.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：制作用于构建玉米雌穗检测模型的数据集，包括：预先采集玉米雌穗影像，人工以矩形框标注玉米雌穗在影像中的位置，使用中心点坐标、宽和高表示该矩形框，该框类别为ear，玉米雌穗影像及其矩形框一同构成玉米雌穗数据集。
4.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：所述构建玉米雌穗检测模型的方法，包括：
5.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：采集实时影像信息和传感器位置姿态信息时，从连续帧数据中提取特征点并进行匹配得到特征点，通过里程计估计传感器的相对位姿，利用位姿图优化消除累计误差，通过相机位姿和匹配的特征点对，使用三角测量法计算三维点的坐
6.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：玉米雌穗高度信息测量的方法，包括：在以点云表示的三维地图中，基于随机采样一致性算法进行平面检测，将检测到的地面从相机坐标系转换到世界坐标系，得到地面的Z坐标，定时更新z0的值，以减少因移动产生的累计误差，基于构建的玉米雌穗检测模型，在实时影像中检测玉米雌穗位置，以(xpred,ypred,wpred,hpred)在图像像素坐标系中表示玉米雌穗预测矩形框，使用预测框底部的中点(xpred,ypred+0.5*hpred)和角点(xpred±0.5*wpred,ypred+0.5*hpred)作为玉米雌穗基部的候选位置，结合三维点云地图得到候选位置的深度值zc，认为深度值最小的候选位置即为玉米穗位。
7.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～6之任一所述方法。
...【技术特征摘要】
1.一种基于目标检测的玉米雌穗高度测量方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：所述预处理的方法包括所述实时影像进行方向旋转和尺寸拉伸，将每张输入影像拉伸为640×640像素大小，作为玉米雌穗检测模型的输入影像。
3.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：制作用于构建玉米雌穗检测模型的数据集，包括：预先采集玉米雌穗影像，人工以矩形框标注玉米雌穗在影像中的位置，使用中心点坐标、宽和高表示该矩形框，该框类别为ear，玉米雌穗影像及其矩形框一同构成玉米雌穗数据集。
4.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：所述构建玉米雌穗检测模型的方法，包括：
5.根据权利要求1所述的基于目标检测的玉米雌穗高度测量方法，其特征在于：采集实时影像信息和传感器位置姿态信息时，从连续帧数据中提取特征点并进行匹配得到特征点，通过里程计估计传感器的相对位姿，利用位姿图优化消除累计误差，通过相机位姿和匹配的特征点对，使用三角测量法计算三维点的坐标，将所有计算出的三维点集合，形成稀疏点云，使用基于视差的立体匹配方...
【专利技术属性】
技术研发人员：殷大萌，刘亚东，金秀良，余汛，南斐，李黎明，
申请(专利权)人：中国农业科学院作物科学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。