CN109523509B - 小麦抽穗期的检测方法、装置及电子设备 - Google Patents

小麦抽穗期的检测方法、装置及电子设备 Download PDF

Info

Publication number
CN109523509B
CN109523509B CN201811145965.4A CN201811145965A CN109523509B CN 109523509 B CN109523509 B CN 109523509B CN 201811145965 A CN201811145965 A CN 201811145965A CN 109523509 B CN109523509 B CN 109523509B
Authority
CN
China
Prior art keywords
image
wheat
heading
detected
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811145965.4A
Other languages
English (en)
Other versions
CN109523509A (zh
Inventor
韩冰
周望
徐爱国
金红伟
朱平
席建辉
刘伯远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace new weather Technology Co.,Ltd.
Original Assignee
Aerospace New Weather Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aerospace New Weather Technology Co ltd filed Critical Aerospace New Weather Technology Co ltd
Priority to CN201811145965.4A priority Critical patent/CN109523509B/zh
Publication of CN109523509A publication Critical patent/CN109523509A/zh
Application granted granted Critical
Publication of CN109523509B publication Critical patent/CN109523509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种小麦抽穗期的检测方法、装置及电子设备，其中，方法包括：获取待检测图像；将待检测图像输入小麦特征检测模型，以得到特征标注图像；其中，小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；特征标注图像上标注有若干特征框；利用特征标注图像上标注的特征框，确定待检测图像是否为抽穗期的小麦图像。该方法基于神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型，对输入的田间小麦图像进行麦穗特征检测。该方法无需综合分析多张连续生长序列的图片，可以实现基于单张小麦作物图像中的麦穗识别，并且可以在野外光线多变的环境条件下，对小麦抽穗期进行有效识别，且识别准确性高。

Description

小麦抽穗期的检测方法、装置及电子设备
技术领域
本发明涉及图像处理以及农业气象观测交叉的技术领域，具体涉及一种小麦抽穗期的检测方法、装置及电子设备。
背景技术
小麦是我国主要的粮食作物之一，在全国范围内有着广泛的种植面积。小麦作为三大谷物之一，几乎可以全作食用。长期以来，小麦发育期观测主要通过人工田间观测的方式进行记录，人工观测结果容易受观测员的主观因素及技能水平差异的影响，并且人工观测费时、费力且周期较长。因此，通过田间获得的系列作物图像，利用图像处理技术对小麦发育期进行实时、自动化的观测可以极大的解放生产力，农业自动化观测业务的开展有着重要的意义。
由于小麦抽穗期标志着小麦由营养生长(根和茎、叶等的生长)转向生殖生长(开花结果)，也是营养生长和生殖生长旺盛的并进阶段，这是决定农作物产量最为重要的关键期，因此小麦抽穗期的准确观测显得尤为重要。
现有技术中，对于小麦抽穗期的检测一般是基于图像中小麦麦穗的颜色特征作为分割依据，通过得到小麦麦穗的颜色特征，对图像中麦穗进行识别。然而，该方法是采用户外数码图像进行麦穗的识别，而拍摄的照片容易受太阳光影响，当光线较强时小麦旗叶易出现反光现象，因此该方法容易出现将小麦旗叶误检为麦穗的情况。
发明内容
有鉴于此，本发明实施例提供了一种小麦抽穗期的检测方法、装置及电子设备，以解决小麦抽穗期的检测准确性较低的问题。
根据第一方面，本发明实施例提供了一种小麦抽穗期的检测方法，包括：
获取待检测图像；
将所述待检测图像输入小麦特征检测模型，以得到特征标注图像；其中，所述小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框；
利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像。
本发明实施例提供的小麦抽穗期的检测方法，基于神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型，对输入的田间小麦图像进行麦穗特征检测。该方法无需综合分析多张连续生长序列的图片，可以实现基于单张小麦作物图像中的麦穗识别，并且可以在野外光线多变的环境条件下，对小麦抽穗期进行有效识别，且识别准确性高，实用性强。
结合第一方面，在第一方面第一实施方式中，所有所述特征框分为多个特征类别，所述特征类别为小麦生育期各个阶段的特征；
其中，所述利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像，包括：
计算抽穗特征框在所有所述特征框中的占比；其中，所述抽穗特征框为所述特征类别为抽穗期的所述特征框；
判断所述占比是否小于或等于第一阈值；
当所述占比小于或等于第一阈值时，确定所述待检测图像不是抽穗期的小麦图像。
本发明实施例提供的小麦抽穗的检测方法，通过抽穗期特征框在所有特征框中的占比与第一阈值的大小关系，确定待检测图像是否为抽穗期的小麦图像；即，利用统计的方法，对小麦特征检测模型检测出的特征框进行二次判断，提高了检测的准确性。
结合第一方面第一实施方式，在第一方面第二实施方式中，每个所述特征框还标注有置信度；还包括：
当所述占比大于第一阈值时，统计所述置信度大于第二阈值的所述抽穗特征框的数量；
判断统计出的所述抽穗特征框的数量是否大于第三阈值；
当统计出的所述抽穗特征框的数量大于第三阈值时，确定所述待检测图像为抽穗期的小麦图像。
本发明实施例提供的小麦抽穗期的检测方法，再次利用抽穗特征框的置信度进行待检测图像的是否为抽穗期的检测，进一步提高了检测的准确性。
结合第一方面第二实施方式，在第一方面第三实施方式中，还包括：
当统计出的所述抽穗特征框的数量小于或等于第三阈值时，获取所述待检测图像的拍摄日期；
根据所述拍摄日期，构建回归模型；其中，所述回归模型用于预测所述抽穗期前一个生育期的剩余天数；
基于所述回归模型预测的所述剩余天数，确定所述待检测图像是否为抽穗期的小麦图像。
本发明实施例提供的小麦抽穗期的检测方法，在对待检测图像是否为抽穗期的确定过程中，结合拍摄日期对应的其他类型的变量构建回归模型；即，将图像特征与其他特征结合，以确定待检测图像的检测结果，使得检测结果具有较高的可靠性。
结合第一方面第三实施方式，在第一方面第四实施方式中，所述基于所述回归模型预测的所述剩余天数，确定所述待检测图像是否为抽穗期的小麦图像，包括：
判断所述剩余天数是否小于或等于第四阈值；
当所述剩余天数小于或等于所述第四阈值时，确定所述待检测图像为抽穗期的小麦图像。
结合第一方面第三实施方式，在第一方面第五实施方式中，所述根据所述拍摄日期，构建线性预测模型，包括：
基于所述拍摄日期提取小气候数据；其中，所述小气候数据包括每天的平均温度、昼夜温差、日降雨量以及土壤单位体积含水量中的至少之一；
对所述小气候数据进行解释变量的选择，其中，所述解释变量为所述小气候数据中的一种或多种；
利用所述解释变量构建所述回归模型。
本发明实施例提供的小麦抽穗期的检测方法，将图像特征与小气候数据结合，用于后续的待检测图像的抽穗期的综合检测，提高了检测的准确性。
结合第一方面第五实施方式，在第一方面第六实施方式中，采用如下公式对所述小气候数据进行解释变量的选择：
Figure BDA0001815681760000041
其中，yi为第i个小气候数据；Xi为第i个解释变量；β为最小二成估计值；λ≥0，且为惩罚函数。
结合第一方面第五实施方式，在第一方面第七实施方式中，所述回归模型采用如下公式表示：
Figure BDA0001815681760000042
其中，D所述剩余天数；K为常数；n为所述解释变量的数量；Xi为第i 个解释变量；αi为对应于第i个解释变量的系数。
结合第一方面，或第一方面任意一种实施方式，在第一方面第八实施方式中，所述基于所述小麦特征检测模型，对所述待检测图像进行检测的步骤之前，还包括：
分割所述待检测图像，以得到若干待检测子图；
其中，所述基于所述小麦特征检测模型，对所述待检测图像进行检测，包括：
基于所述小麦特征检测模型，对所述待检测子图进行检测。
本发明实施例提供的小麦抽穗期的检测方法，通过将待检测图像进行分割，以确保每个子图可以有效覆盖待检测特征，为后续检测提供了条件，提高了检测的准确性。
根据第二方面，本发明实施例还提供了一种小麦抽穗期的检测装置，包括：
获取模块，用于获取待检测图像；
检测模块，用于将所述待检测图像输入小麦特征检测模型，以得到特征标注图像；其中，所述小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框；
确定模块，用于利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像。
本发明实施例提供的小麦抽穗期的检测装置，基于神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型，对输入的田间小麦图像进行麦穗特征检测。该方法无需综合分析多张连续生长序列的图片，可以实现基于单张小麦作物图像中的麦穗识别，并且可以在野外光线多变的环境条件下，对小麦抽穗期进行有效识别，且识别准确性高，实用性强。
根据第三方面，本发明实施例还提供了一种电子设备，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或第一方面任意实施方式中所述的小麦抽穗期的检测方法。
根据第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面或第一方面任意实施方式中所述的小麦抽穗期的检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的小麦抽穗期的检测方法的流程图；
图2是根据本发明实施例的小麦抽穗期的检测方法的流程图；
图3是根据本发明实施例的特征标注图像的示意图；
图4是根据本发明实施例的小麦抽穗期的检测方法的部分流程图；
图5是根据本发明实施例的小麦抽穗期的检测方法的流程图；
图6是根据本发明实施例的待检测子图分割的示意图；
图7是根据本发明实施例的小麦抽穗特征模型的构建流程图；
图8是根据本发明实施例的小麦抽穗期的检测装置的结构框图；
图9是根据本发明实施例的小麦抽穗期的检测装置的结构示意图；
图10是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明实施例，提供了一种小麦抽穗期的检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种小麦抽穗期的检测方法，可用于上述的电子设备中，图1是根据本发明实施例的小麦抽穗期的检测方法的流程图，如图1所示，该流程包括如下步骤：
S11，获取待检测图像。
其中，需要实时确认农田内的小麦是否进入抽穗期，则该待检测图像可以是通过架设在农田内的图像采集设备实时采集的待检测图像，并回传给电子设备进行后续的检测的；若不需要实时确认农田内的小麦是否进入抽穗期，则待检测图像可以是存储在电子设备内，也可以是从外界获取的等等；只需保证电子设备能够根据检测需求，获取到待检测图像即可。
S12，将待检测图像输入小麦特征检测模型，以得到特征标注图像。
其中，小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框。
具体地，小麦特征检测模型可以事先利用小麦抽穗期的样本图像训练得到的，也可以是在需要对待检测图像进行检测时，对小麦抽穗期的样本图像训练得到的；亦或是其他方式得到的。只需保证在对待检测图像进行检测时，电子设备能够利用小麦特征检测模型对待检测图像进行检测即可；且该小麦特征检测模型是利用神经网络架构对小麦抽穗期的样本图像进行训练得到，例如，神经网络架构可以是卷积神经网络(CNN)，也可以是Faster－RCNN等等。其中，小麦抽穗期的样本图像可以是在不同的生长环境、不同的小麦品种以及不同的田间环境下获得的；也可以是仅包含有抽穗期的样本图像，也可以是在从田间采集的小麦图像，再进行目视解译，对小麦图像中抽穗期的小麦进行画框标注。
此外，电子设备在利用小麦特征检测模型对待检测图像进行检测之后，得到的特征标注图像中可以标注各个特征的小麦，即，在待检测图像经过小麦特征检测模型之后，得到的特征标注图像上标注有若干特征框。
S13，利用特征标注图像上标注的特征框，确定待检测图像是否为抽穗期的小麦图像。
电子设备可以利用特征标注图像上标注的特征框的数量，确定待检测图像是否为抽穗期的小麦图像；也可以利用用于表示出抽穗期的特征框的占比，确定待检测图像是否为抽穗期的小麦图像；亦或是其他方法，或结合其他特征进行抽穗期小麦图像的确定等等。
本实施例提供的小麦抽穗期的检测方法，基于神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型，对输入的田间小麦图像进行麦穗特征检测。该方法无需综合分析多张连续生长序列的图片，可以实现基于单张小麦作物图像中的麦穗识别，并且可以在野外光线多变的环境条件下，对小麦抽穗期进行有效识别，且识别准确性高，实用性强。
本发明实施例还提供了一种小麦抽穗期的检测方法，可用于上述的电子设备中，图2是根据本发明实施例的小麦抽穗期的检测方法的流程图，如图2所示，该流程包括如下步骤：
S21，获取待检测图像。详细请参见图1所示实施例的S11，在此不再赘述。
S22，将待检测图像输入小麦特征检测模型，以得到特征标注图像。
其中，小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框。
例如，得到的特征标注图像如图3所示。详细请参见图1所示实施例的S12，在此不再赘述。
S23，利用特征标注图像上标注的特征框，确定待检测图像是否为抽穗期的小麦图像。
其中，所有特征框分为多个特征类别，特征类别为小麦生育期各个阶段的特征。具体地，小麦整个生育期经历：出苗期，分蘖期，越冬期，起身期，拔节期，孕穗期，抽穗期，开花期，灌浆期以及成熟期。
例如，在利用小麦特征检测模型对待检测图像进行检测之后，输出的结果可以是统计出各个生育时期的特征框的数量，可以采用下表所示：
生育期 数量
出苗期 0
分蘖期 0
越冬期 0
起身期 0
…
抽穗期 12
开花期 2
灌浆期 1
其中，可以表示出小麦各个生育期的特征框，也可以是仅表示出其中的几个生育期等等；具体可以根据实际情况进行具体设置。
此外，利用标注框进行生育期的确定包括以下步骤：
S231，计算抽穗特征框在所有特征框中的占比。
其中，抽穗特征框为特征类别为抽穗期的特征框。
计算所有特征框的数量，然后，在利用所有特征框的数量以及抽穗特征框的数量，计算出抽穗特征框在所有特征框中的占比。例如，如上表所示，所有特征框的数量为12+2+1＝15；抽穗期特征框的数量为12，计算出的占比为80％。
S232，判断占比是否小于或等于第一阈值。
电子设备在计算出抽穗期特征框在所有特征框中的占比之后，判断计算出的占比是否小于或等于第一阈值，当占比小于或等于时，执行S233；否则，执行S234。
其中，第一阈值的取值在0－1之间，具体数值与采集该待检测图像的图像采集设备中图像传感器的硬件参数以及图像采集设备的架设角度等等因素有关，可以根据实际情况进行具体设置。
S233，确定待检测图像不是抽穗期的小麦图像。
当计算出的占比小于或等于第一阈值时，能够确定出该待检测图像中的小麦并不处于抽穗期。
S234，统计置信度大于第二阈值的抽穗特征框的数量。
在利用小麦特征检测模型对待检测图像进行检测之后，输出的结果中还标注出每个特征框对应的置信度，电子设备统计出置信度大于第二阈值的抽穗特征框的数量。
S235，判断统计出的抽穗特征框的数量是否大于第三阈值。
在统计出置信度大于第二阈值的抽穗特征框的数量之后，电子设备判断统计出的抽穗特征框的数量是否大于第三阈值，当统计出的抽穗特征框的数量大于第三阈值时，执行S236；否则，确定该待检测图像中的小麦并不处于抽穗期，即确定待检测图像不是抽穗期的小麦图像。
S236，确定待检测图像为抽穗期的小麦图像。
电子设备在判断出统计出的抽穗特征框的数量大于第三阈值时，确定该待检测图像中的小麦处于抽穗期，即确定待检测图像为抽穗期的小麦图像。
与图1所示实施例相比，本实施例提供的小麦抽穗期的检测方法，通过抽穗期特征框在所有特征框中的占比与第一阈值的大小关系，以及置信度，确定待检测图像是否为抽穗期的小麦图像；即，利用统计的方法，对小麦特征检测模型检测出的特征框进行二次判断，提高了检测的准确性。
作为本实施例的一种可选实施方式，电子设备在确定统计出的抽穗特征框的数量小于或等于第三阈值时，再利用该待检测图像的拍摄日期对应的小气候数据，再次进行待检测图像是否为抽穗期小麦图像的判断。即，对应小麦抽穗期的额判断兼用小麦抽穗特征模型获取的直接特征信息和田间小气候数据等间接作物信息进行综合判断，如温度、湿度、土壤水分等对农作物生长周期的持续时间有直接影响，因此，利用直接特征信息和田间小气候数据，预测小麦抽穗期前一个生育期(即拔节期)的剩余天数，间接获得抽穗期的初始日期。具体地，如图4所示，S23还包括：
S237，当统计出的抽穗特征框的数量小于或等于第三阈值时，获取待检测图像的拍摄日期。
其中，电子设备在确定统计出的抽穗特征框的数量小于或等于第三阈值之后，获取待检测图像的拍摄日期，以便后续利用该拍摄日期进行小气候数据的获取。
S238，根据拍摄日期，构建回归模型。
其中，回归模型用于预测抽穗期前一个生育期的剩余天数。
电子设备利用待检测图像的拍摄日期，提取小气候数据，并构建回归模型，用于预测抽穗期前一个生育期的剩余天数的预测。具体地，包括：
(1)基于拍摄日期提取小气候数据。
其中，小气候数据包括每天的平均温度、昼夜温差、日降雨量以及土壤单位体积含水量中的至少之一。
例如，可以获取小麦生育期历史人工观测数据和历史小气候数据，田间小气候数据每个一个小时记录一次，通过各个小时的观测值可以计算出每天的平均温度、昼夜温差、日降雨量、5cm土壤单位体积含水量等各个变量。
(2)对小气候数据进行解释变量的选择。
其中，解释变量为小气候数据中的一种或多种。即，通过小气候数据进行分析得到与距离抽穗期开始天数密切相关的变量(解释变量)。
采用如下公式对小气候数据进行解释变量的选择：
Figure BDA0001815681760000101
其中，yi为第i个小气候数据；Xi为第i个解释变量；β为最小二成估计值；λ≥0，且为惩罚函数。
该解释变量的选择模型可以将一部分系数压缩到0，剩下系数不为0的变量即是与被解释变量密切相关的变量。其中，该选择模型可以是LASSO模型，也可以是其他选择模型。
(3)利用解释变量构建回归模型。
电子设备利用选择的解释变量对抽穗期上一个生育期(即拔节期)的结束剩余天数进行拟合线性模型。具体地，所述回归模型采用如下公式表示：
Figure BDA0001815681760000111
其中，D所述剩余天数；K为常数；n为所述解释变量的数量；Xi为第i 个解释变量；αi为对应于第i个解释变量的系数。
例如，步骤(2)中选择出的解释变量为3个，即日均温度X1、地温X2以及土壤含水量X3，则剩余天数可以表示为：D＝K+α1×X1+α2×X2+α3×X3；其中，α1～α3为常数。
S239，基于回归模型预测的剩余天数，确定待检测图像是否为抽穗期的小麦图像。
电子设备在基于回归模型得到剩余天数之后，利用剩余天数与第四阈值的大小比较，确定待检测图像是否为抽穗期的小麦图像。具体地，
判断剩余天数是否小于或等于第四阈值。当剩余天数小于或等于第四阈值时，确定待检测图像为抽穗期的小麦图像。否则，确定待检测图像不是抽穗期的小麦图像。
本实施方式中，在对待检测图像是否为抽穗期的确定过程中，结合拍摄日期对应的其他类型的变量构建回归模型；即，将图像特征与其他特征结合，以确定待检测图像的检测结果，使得检测结果具有较高的可靠性。
在本实施例中提供了一种小麦抽穗期的检测方法，可用于上述的电子设备中，图5是根据本发明实施例的小麦抽穗期的检测方法的流程图，如图5所示，该流程包括如下步骤：
S31，获取待检测图像。详细请参见图2所示实施例的S21，在此不再赘述。
S32，分割待检测图像，以得到若干待检测子图。
其中，待检测图像如图6所示，对待检测图像进行子图分割，即根据所采用的图像传感器的观测高度分辨率、视场角、拍摄俯角等具体参数，对原始图像进行子图分割，以确保获取的子图像可以有效覆盖待检测特征。
例如，分割效果图如图6所示，待检测图像的像素为M×N，分割得到的每张图像限定像素数量为300×300，若分割后的图像像素数量不足300×300，则利用0补齐。
S33，将待检测图像输入小麦特征检测模型，以得到特征标注图像。
其中，小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框。
具体地，如图7所示，小麦特征检测模型可以通过如下步骤构建：
(1)获取样本图像。
基于安装在不同地域的小麦自动观测设备中图像传感器采集的记录小麦生长状态的高清数码图像，并对所述获取的作物图像进行初步预处理，即当作物图片拍摄作物不清晰或者摄像机镜头有水滴等异物的作物图像予以剔除，以确保所获得的作物图像能满足后续处理需要。对上述预处理后的作物图像，基于《农业气象观测规范》中抽穗期的判断标准，对小麦生长序列图片进行抽穗期图像筛选，组成小麦抽穗期图片数据集。
(2)人工标注特征。
对小麦抽穗期图片数据集进行目视解译，对图像中的麦穗特征进行画框标注，标注框的记录信息可表示为(Xp,Yp,Lp,Wp)，其中，(Xp,Yp)为小麦抽穗期图像中特征框左上角的像素在整幅小麦抽穗期图像中的坐标信息，(Lp,Wp)为该特征占的像素的长和宽，并以xml文件形式记录。
(3)PRN网络获取麦穗特征。
标注的麦穗特征图像作为输入数据，进行卷积处理，得到原始图像的特征图(Feature map)。
(4)麦穗特征池化到固定大小。
将输出的feature map以及步骤(2)中输出的特征候选框同时输入ROI 池化层，提取对应特征候选框的特征。池化方式采用最大值2×2池化；得到的候选框特征。
(5)Bbox回归和Softmax分类。
通过全连接层后，输出该候选框的分类得分(Softmax分类)以及回归后的bounding box。具体实施时，采用K折交叉验证(k－foldcross validation) 对模型进行评估，k取10，随机梯度下降(SGD)的学习率设置为0.001，迭代次数设置为50000；对于Bbox回归器，采用检测评价函数(intersection＿over＿union)，其中，GroundTruth是根据训练样本的目标标注区域的四个参数计算得来，DetectionResult是有预测的(x，y，l，w)四个参数计算得来。算法迭代过程中，不断调整相关参数，训练结束后保存网络模型及参数，以得到小麦抽穗期特征模型。
电子设备在得到小麦抽穗期特征模型之后，依次将所述待检测子图输入所述小麦特征检测模型，以进行特征框的标注。
S34，利用特征标注图像上标注的特征框，确定待检测图像是否为抽穗期的小麦图像。
其中，每个待检测子图可以看做是一个独立的待检测图像，在确定待检测图像是否为抽穗期的小麦图像时，将所有待检测子图的特征框进行统计分析，详细请参见图2所示实施例的S24，在此不再赘述。
与图2所示实施例相比，本实施例提供的小麦抽穗期的检测方法，通过将待检测图像进行分割，以确保每个子图可以有效覆盖待检测特征，为后续检测提供了条件，提高了检测的准确性。
需要说明的是，本发明实施例中提供的小麦抽穗期的检测方法，也可以应用小麦其他生育期的检测，或者，用于其他作物的生育期的检测等等。
在本实施例中还提供了一种小麦抽穗期的检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种小麦抽穗期的检测装置，如图8所示，包括：
获取模块41，用于获取待检测图像；
检测模块42，用于将所述待检测图像输入小麦特征检测模型，以得到特征标注图像；其中，所述小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框；
确定模块43，用于利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像。
本实施例提供的小麦抽穗期的检测装置，基于神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型，对输入的田间小麦图像进行麦穗特征检测。该方法无需综合分析多张连续生长序列的图片，可以实现基于单张小麦作物图像中的麦穗识别，并且可以在野外光线多变的环境条件下，对小麦抽穗期进行有效识别，且识别准确性高，实用性强。
作为本实施例的一种可选实施方式，如图9所示，其中，确定模块43包括：
计算单元431，用于计算抽穗特征框在所有所述特征框中的占比；其中，所述抽穗特征框为所述特征类别为抽穗期的所述特征框。
第一判断单元432，用于判断所述占比是否小于或等于第一阈值。
第一确定单元433，用于当所述占比小于或等于第一阈值时，确定所述待检测图像不是抽穗期的小麦图像。
统计单元434，用于当所述占比大于第一阈值时，统计所述置信度大于第二阈值的所述抽穗特征框的数量。
第二判断单元435，用于判断统计出的所述抽穗特征框的数量是否大于第三阈值。
第二确定单元436，用于当统计出的所述抽穗特征框的数量大于第三阈值时，确定所述待检测图像为抽穗期的小麦图像。
作为本实施例的一种可选实施方式，如图9所示，所述确定模块43还包括：
获取单元437，用于当统计出的所述抽穗特征框的数量小于或等于第三阈值时，获取所述待检测图像的拍摄日期。
构建单元438，用于根据所述拍摄日期，构建回归模型；其中，所述回归模型用于预测所述抽穗期前一个生育期的剩余天数。
第三确定单元439，用于基于所述回归模型预测的所述剩余天数，确定所述待检测图像是否为抽穗期的小麦图像。
本实施例中的小麦抽穗期的检测装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/ 或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种电子设备，具有上述图10所示的小麦抽穗期的检测装置。
请参阅图10，图10是本发明可选实施例提供的一种电子设备的结构示意图，如图10所示，该电子设备可以包括：至少一个处理器51，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口53，存储器54，至少一个通信总线52。其中，通信总线52用于实现这些组件之间的连接通信。其中，通信接口53可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口53 还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器 (Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non－volatile memory)，例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图5所描述的装置，存储器54中存储应用程序，且处理器51调用存储器54 中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线52可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器54可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random－access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non－volatile memory)，例如快闪存储器(英文： flash memory)，硬盘(英文：harddisk drive，缩写：HDD)或固态硬盘(英文：solid－statedrive，缩写：SSD)；存储器54还可以包括上述种类的存储器的组合。
其中，处理器51可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU 和NP的组合。
其中，处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application－specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field－programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic，缩写：GAL) 或其任意组合。
可选地，存储器54还用于存储程序指令。处理器51可以调用程序指令，实现如本申请图1、图2或图5所述实施例中所示的小麦抽穗期的检测方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的XXX的处理方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体 (Read－Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种小麦抽穗期的检测方法，其特征在于，包括：
获取待检测图像；
将所述待检测图像输入小麦特征检测模型，以得到特征标注图像；其中，所述小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框；
利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像；所有所述特征框分为多个特征类别，每个所述特征框还标注有置信度，所述特征类别为小麦生育期各个阶段的特征；
其中，所述利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像，包括：
计算抽穗特征框在所有所述特征框中的占比；其中，所述抽穗特征框为所述特征类别为抽穗期的所述特征框；
判断所述占比是否小于或等于第一阈值；
当所述占比大于第一阈值时，统计所述置信度大于第二阈值的所述抽穗特征框的数量；
判断统计出的所述抽穗特征框的数量是否大于第三阈值；
当统计出的所述抽穗特征框的数量小于或等于第三阈值时，获取所述待检测图像的拍摄日期；
根据所述拍摄日期，构建回归模型；其中，所述回归模型用于预测所述抽穗期前一个生育期的剩余天数；
基于所述回归模型预测的所述剩余天数，确定所述待检测图像是否为抽穗期的小麦图像。
2.根据权利要求1所述的方法，其特征在于，
所述利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像，包括：
当所述占比小于或等于第一阈值时，确定所述待检测图像不是抽穗期的小麦图像。
3.根据权利要求2所述的方法，其特征在于，所述利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像，还包括：
当统计出的所述抽穗特征框的数量大于第三阈值时，确定所述待检测图像为抽穗期的小麦图像。
4.根据权利要求1所述的方法，其特征在于，所述基于所述回归模型预测的所述剩余天数，确定所述待检测图像是否为抽穗期的小麦图像，包括：
判断所述剩余天数是否小于或等于第四阈值；
当所述剩余天数小于或等于所述第四阈值时，确定所述待检测图像为抽穗期的小麦图像。
5.根据权利要求1所述的方法，其特征在于，所述根据所述拍摄日期，构建回归模型，包括：
基于所述拍摄日期提取小气候数据；其中，所述小气候数据包括每天的平均温度、昼夜温差、日降雨量以及土壤单位体积含水量中的至少之一；
对所述小气候数据进行解释变量的选择，其中，所述解释变量为所述小气候数据中的一种或多种；
利用所述解释变量构建所述回归模型。
6.根据权利要求5所述的方法，其特征在于，采用如下公式对所述小气候数据进行解释变量的选择：
Figure FDA0003011465430000021
其中，yi为第i个小气候数据；n为所述小气候数据的数量；Xi为第i个解释变量；p为第i个小气候数据对应的解释变量的数量；β为最小二乘估计值；λ≥0，且为惩罚函数。
7.根据权利要求5所述的方法，其特征在于，所述回归模型采用如下公式表示：
Figure FDA0003011465430000031
其中，D所述剩余天数；K为常数；n为所述解释变量的数量；Xi为第i个解释变量；αi为对应于第i个解释变量的系数。
8.根据权利要求1-7中任一所述的方法，其特征在于，所述基于所述小麦特征检测模型，对所述待检测图像进行检测的步骤之前，还包括：
分割所述待检测图像，以得到若干待检测子图；
其中，所述将所述待检测图像输入小麦特征检测模型，以得到特征标注图像，包括：
依次将所述待检测子图输入所述小麦特征检测模型。
9.一种小麦抽穗期的检测装置，其特征在于，包括：
获取模块，用于获取待检测图像；
检测模块，用于将所述待检测图像输入小麦特征检测模型，以得到特征标注图像；其中，所述小麦特征检测模型为利用神经网络架构对小麦抽穗期的样本图像进行训练得到的检测模型；所述特征标注图像上标注有若干特征框；
确定模块，用于利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像；所有所述特征框分为多个特征类别，每个所述特征框还标注有置信度，所述特征类别为小麦生育期各个阶段的特征；
其中，所述利用所述特征标注图像上标注的所述特征框，确定所述待检测图像是否为抽穗期的小麦图像，包括：
计算抽穗特征框在所有所述特征框中的占比；其中，所述抽穗特征框为所述特征类别为抽穗期的所述特征框；
判断所述占比是否小于或等于第一阈值；
当所述占比大于第一阈值时，统计所述置信度大于第二阈值的所述抽穗特征框的数量；
判断统计出的所述抽穗特征框的数量是否大于第三阈值；
当统计出的所述抽穗特征框的数量小于或等于第三阈值时，获取所述待检测图像的拍摄日期；
根据所述拍摄日期，构建回归模型；其中，所述回归模型用于预测所述抽穗期前一个生育期的剩余天数；
基于所述回归模型预测的所述剩余天数，确定所述待检测图像是否为抽穗期的小麦图像。
10.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-8中任一项所述的小麦抽穗期的检测方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-8中任一项所述的小麦抽穗期的检测方法。
CN201811145965.4A 2018-09-28 2018-09-28 小麦抽穗期的检测方法、装置及电子设备 Active CN109523509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811145965.4A CN109523509B (zh) 2018-09-28 2018-09-28 小麦抽穗期的检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811145965.4A CN109523509B (zh) 2018-09-28 2018-09-28 小麦抽穗期的检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN109523509A CN109523509A (zh) 2019-03-26
CN109523509B true CN109523509B (zh) 2021-08-13

Family

ID=65771852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811145965.4A Active CN109523509B (zh) 2018-09-28 2018-09-28 小麦抽穗期的检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN109523509B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011220A (zh) * 2019-12-19 2021-06-22 广州极飞科技股份有限公司 穗数识别方法、装置、存储介质及处理器
CN113139552A (zh) * 2021-04-29 2021-07-20 航天新气象科技有限公司 一种小麦抽穗期识别方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09271246A (ja) * 1996-04-08 1997-10-21 Kubota Corp コンバイン
CN102621075A (zh) * 2012-03-09 2012-08-01 华中科技大学 一种水稻抽穗期自动检测的方法
CN102663397A (zh) * 2012-03-21 2012-09-12 华中科技大学 一种小麦出苗的自动检测方法
CN102855485A (zh) * 2012-08-07 2013-01-02 华中科技大学 一种小麦抽穗的自动检测方法
CN102948282A (zh) * 2012-10-31 2013-03-06 北京农业信息技术研究中心 小麦麦穗发芽程度检测方法
CN107316289A (zh) * 2017-06-08 2017-11-03 华中农业大学 基于深度学习和超像素分割的大田稻穗分割方法
CN107392223A (zh) * 2017-06-09 2017-11-24 中国科学院合肥物质科学研究院 一种Adaboost与NCC相结合的完整麦穗识别方法及***
CN108416353A (zh) * 2018-02-03 2018-08-17 华中农业大学 基于深度全卷积神经网络的大田稻穗快速分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100216225A1 (en) * 2009-02-25 2010-08-26 Ag-Defense Systems, Inc. Portable microorganism detection unit

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09271246A (ja) * 1996-04-08 1997-10-21 Kubota Corp コンバイン
CN102621075A (zh) * 2012-03-09 2012-08-01 华中科技大学 一种水稻抽穗期自动检测的方法
CN102663397A (zh) * 2012-03-21 2012-09-12 华中科技大学 一种小麦出苗的自动检测方法
CN102855485A (zh) * 2012-08-07 2013-01-02 华中科技大学 一种小麦抽穗的自动检测方法
CN102948282A (zh) * 2012-10-31 2013-03-06 北京农业信息技术研究中心 小麦麦穗发芽程度检测方法
CN107316289A (zh) * 2017-06-08 2017-11-03 华中农业大学 基于深度学习和超像素分割的大田稻穗分割方法
CN107392223A (zh) * 2017-06-09 2017-11-24 中国科学院合肥物质科学研究院 一种Adaboost与NCC相结合的完整麦穗识别方法及***
CN108416353A (zh) * 2018-02-03 2018-08-17 华中农业大学 基于深度全卷积神经网络的大田稻穗快速分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BP神经网络在小麦赤霉病气象预测中的应用;刘志红等;《云南农业大学学报(自然科学版)》;20100531(第5期);第680-685页 *
Detecting spikes of wheat plants using neural networks with laws texture energy;Li Qiongyan et al;《Plant Methods》;20171031;第1-10页 *
基于图像的水稻关键发育期自动观测技术研究;白晓东;《中国博士学位论文全文数据库信息科技辑》;20150715(第7期);第88-89、96-100页 *

Also Published As

Publication number Publication date
CN109523509A (zh) 2019-03-26

Similar Documents

Publication Publication Date Title
CN109785337B (zh) 一种基于实例分割算法的栏内哺乳动物清点方法
US20230316555A1 (en) System and Method for Image-Based Remote Sensing of Crop Plants
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
Liu et al. A computer vision system for early stage grape yield estimation based on shoot detection
CN110414738B (zh) 一种农作物产量预测方法及***
CN109492665A (zh) 水稻生育期的检测方法、装置及电子设备
CN109522899B (zh) 咖啡成熟果实的检测方法、装置及电子设备
CN110991222B (zh) 一种物体状态监测、母猪发情监测方法、装置及***
CN113658192B (zh) 一种多目标行人的轨迹获取方法、***、装置及介质
Solvin et al. Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.)
Kicherer et al. Automatic image‐based determination of pruning mass as a determinant for yield potential in grapevine management and breeding
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别***
CN109523509B (zh) 小麦抽穗期的检测方法、装置及电子设备
CN115331124A (zh) 一种基于无人机遥感的入侵植物生物量估算方法
CN115439654B (zh) 动态约束下的弱监督农田地块精细化分割方法及***
CN114494909B (zh) 一种大豆生长季空间分布图的生成方法和***
CN115527130A (zh) 草原害鼠鼠密度调查方法及智能评估***
CN115015258A (zh) 一种农作物长势与土壤水分关联确定方法及相关装置
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
CN117808708A (zh) 云雾遥感影像的处理方法、装置、设备和介质
CN113011220A (zh) 穗数识别方法、装置、存储介质及处理器
CN115620119A (zh) 一种天气类型图像检测及雾天图像处理方法及装置
CN112488230A (zh) 基于机器学习的作物水分胁迫程度判定方法和装置
CN113436193A (zh) 一种城市黑臭水体监测方法和装置
CN113807129A (zh) 一种作物区域识别方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210705

Address after: No. 28, Weiming Road, Binhu District, Wuxi City, Jiangsu Province

Applicant after: Aerospace new weather Technology Co.,Ltd.

Address before: No. 100, Jinxi Road, Binhu District, Wuxi City, Jiangsu Province

Applicant before: JIANGSU PROVINCE RADIO SCIENTIFIC RESEARCH INSTITUTE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant