CN109961007A - 水稻分蘖期识别方法及终端设备 - Google Patents

水稻分蘖期识别方法及终端设备 Download PDF

Info

Publication number
CN109961007A
CN109961007A CN201910111101.9A CN201910111101A CN109961007A CN 109961007 A CN109961007 A CN 109961007A CN 201910111101 A CN201910111101 A CN 201910111101A CN 109961007 A CN109961007 A CN 109961007A
Authority
CN
China
Prior art keywords
rice
identified
gray level
level image
coverage
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.)
Pending
Application number
CN201910111101.9A
Other languages
English (en)
Inventor
王健宗
刘奡智
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910111101.9A priority Critical patent/CN109961007A/zh
Publication of CN109961007A publication Critical patent/CN109961007A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明适用于图像检测技术领域，提供了一种水稻分蘖期识别方法及终端设备，所述方法包括：获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像；对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像确定待识别水稻是否进入分蘖期；若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期，能够智能识别水稻分蘖期，无需人工参与，能够客观、快速、准确地确定水稻是否进入分蘖期。

Description

水稻分蘖期识别方法及终端设备
技术领域
本发明属于图像检测技术领域，尤其涉及一种水稻分蘖期识别方法及终端设备。
背景技术
水稻的发育期要经过移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期和成熟期这几个阶段。分蘖期是采取措施对分蘖数量进行促控、建立合理的群体结构、增长根系的重要时期，可以决定水稻的最终产量，因此，对水稻的分蘖期进行及时识别是非常重要的。
传统的水稻分蘖期都是通过人工观测进行确定的，这种方法需要通过肉眼进行观察，具有很大的主观性，不能客观准确地识别水稻分蘖期。
发明内容
本发明实施例提供一种水稻分蘖期识别方法及终端设备，以解决现有技术中，需要通过肉眼进行观察，具有很大的主观性，不能客观准确地识别水稻分蘖期的问题。
本发明实施例的第一方面提供了一种水稻分蘖期识别方法，包括：
获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像；
对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期；
若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期。
本发明实施例的第二方面提供了一种水稻分蘖期识别***，包括：
灰度图像转换模块，用于获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像；
覆盖度获取模块，用于对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
第一判定模块，用于若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期；
第二判定模块，用于若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如下步骤：
获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像；
对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期；
若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期。
本发明实施例的第四方面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程序，所述计算机程序被处理器执行时实现如第一方面所述的水稻分蘖期识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例提供的水稻分蘖期识别方法及终端设备，通过获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像，对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度，若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像确定待识别水稻是否进入分蘖期，若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期，能够智能识别水稻分蘖期，无需人工参与，能够客观、快速、准确地确定水稻是否进入分蘖期。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种水稻分蘖期识别方法的示意流程图；
图2是本发明一实施例提供的卷积神经网络模型的部分连接关系的示意图；
图3是本发明另一实施例提供的一种水稻分蘖期识别方法的示意流程图；
图4是本发明再一实施例提供的一种水稻分蘖期识别方法的示意流程图；
图5是本发明一实施例提供的一种水稻分蘖期识别***的结构示意图；
图6是本发明一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
请参阅图1，图1是本发明一实施例提供的一种水稻分蘖期识别方法的示意流程图。如图1所示，在该实施例中，水稻分蘖期识别方法可以包括以下步骤：
S101：获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像。
其中，待识别水稻的图像中可以包括多颗同期种植的水稻，水稻要铺满整个图像，且图像清晰。待识别水稻的图像可以是彩色图像。
在本发明实施例中，可以采用现有方法将待识别水稻的图像转换成待识别水稻的灰度图像，例如，可以采用式(1)将待识别水稻的图像中的每个像素点的RGB值转换成灰度值，从而得到灰度图像。
Gray＝R×0.299+G×0.587+B×0.114 (1)
式(1)中，Gray为像素点的灰度值，R为像素点的红色(Red，R)值，G为像素点的绿色(Green，G)值，B为像素点的蓝色(Blue，B)值。
S102：对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度。
在本发明实施例中，通过作物分割可以获得待识别水稻的覆盖度。若待识别水稻的覆盖度未达到预设覆盖度，则可以直接确定待识别水稻未进入分蘖期。
由于覆盖度会因为种植习惯略有不同，有些人种植稀疏，有些人种植密集，所以需要根据待识别水稻的实际种植情况来确定预设覆盖度。
S103：若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期。
在本发明实施例中，只有覆盖度大于或等于预设覆盖度的待识别水稻才有可能是进入分蘖期的水稻。对于覆盖度大于或等于预设覆盖度的待识别水稻，基于训练后的神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期。
在本发明的一个实施例中，在步骤S103之前，还可以包括以下步骤：
将待识别水稻的灰度图像转换成预设大小的灰度图像。
步骤S103可以包括以下步骤：
将预设大小的灰度图像输入到训练后的卷积神经网络模型中，得到训练后的卷积神经网络模型的输出结果。
若输出结果为第一神经元，则确定待识别水稻进入分蘖期。
若输出结果为第二神经元，则确定待识别水稻未进入分蘖期。
其中，预设大小可以是64*64。
在本发明实施例中，可首先对待识别水稻的灰度图像进行缩放，从而将待识别水稻的灰度图像转换成预设大小的灰度图像。
将预设大小的灰度图像输入到训练后的卷积神经网络模型中，可以得到一个输出结果，根据该输出结果可以确定待识别水稻是否进入分蘖期。
训练后的卷积神经网络模型的输出层对应两个神经元，每个神经元分别对应一种类别，即水稻进入分蘖期或水稻未进入分蘖期。将水稻进入分蘖期对应的神经元称为第一神经元，将水稻未进入分蘖期对应的神经元称为第二神经元。
根据输出结果判断待识别水稻是否进入分蘖期；若输出结果为第一神经元，则确定待识别水稻进入分蘖期；若输出结果为第二神经元，则确定待识别水稻未进入分蘖期。
在本发明的一个实施例中，卷积神经网络模型包括输入层、第一卷积层、第一子采样层、第二卷积层、第二子采样层、第三卷积层、第三子采样层和输出层。
在本发明实施例中，输入层输入的是64*64的灰度图像。
第一卷积层C1有12个5*5的卷积核，可以输出12个60*60的特征图，激活函数选择tanh函数因此，第一卷积层C1需要进行的运算为y＝tanh(wx+b)，其中，w为卷积神经中的权值，b为偏移系数，x为第一卷积层C1的输入。
第一子采样层S1的计算过程为tanh(w×∑xi+b)，其中，求和是对第一卷积层C1输出的60*60的特征图的2*2的不重叠区域求和。第一子采样层S1输出12个30*30的特征图。
第二卷积层C2有24个5*5的卷积核，输出24个26*26的特征图。
为了使连接数量保持在合理范围内，不是将第一子采样层S1输出的所有特征图作为输入。部分连接方式如图2所示。
第二子采样层S2和第一子采样层S1类似，输出24个13*13的特征图。
第三卷积层C3，采用随机丢弃连接的方式保证连接数的合理性，丢弃率为25％，得到120个9*9的特征图。
第三子采样层S3，采用随机丢弃连接的方式保证连接数的合理性，丢弃率为25％，得到600个5*5的特征图。
输出层与第三子采样层S3全连接，对应2个神经元，即为水稻进入分蘖期和水稻未进入分蘖期。
S104：若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期。
在本发明实施例中，若待识别水稻的覆盖度小于预设覆盖度，说明待识别水稻未进入分蘖期。
从以上描述可知，本发明实施例的水稻分蘖期识别方法，通过获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像，对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度，若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像确定待识别水稻是否进入分蘖期，若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期，能够智能识别水稻分蘖期，无需人工参与，能够客观、快速、准确地确定水稻是否进入分蘖期。
请参阅图3，图3为本发明另一实施例提供的一种水稻分蘖期识别方法的示意流程图。在上述实施例的基础上，步骤S102详述如下：
S301：获取待识别水稻的灰度图像中的每个像素点的灰度值，并根据每个像素点的灰度值和分割阈值将待识别水稻的灰度图像划分为背景区和目标区，背景区的灰度值小于或等于分割阈值，目标区的灰度值大于分割阈值。
其中，背景区是由灰度值小于或等于分割阈值的像素点组成的，目标区是由灰度值大于分割阈值的像素点组成的。
在本发明实施例中，根据获取的待识别水稻的灰度图像中的每个像素点的灰度值和分割阈值，可以将待识别水稻的灰度图像划分为背景区和目标区。
S302：计算背景区的分布概率和灰度均值，以及目标区的分布概率和灰度均值，并根据背景区的分布概率和灰度均值及目标区的分布概率和灰度均值计算类间方差。
其中，背景区的分布概率是背景区的像素点数量与待识别水稻的灰度图像的像素点总数量的比值，目标区的分布概率是目标区的像素点数量与待识别水稻的灰度图像的像素点总数量的比值。
背景区的灰度均值为背景区的每个像素点的灰度值的总和与背景区的像素点数量的比值，目标区的灰度均值为目标区的每个像素点的灰度值的总和与目标区的像素点数量的比值。
根据背景区的分布概率和灰度均值及目标区的分布概率和灰度均值计算类间方差的计算公式为：
式(2)中，σ为类间方差，a1为背景区的分布概率，a2为目标区的分布概率，μ1为背景区的灰度均值，μ2为目标区的灰度均值，N为总像素点数量，t为分割阈值，i和j均为灰度值，ni为灰度值为i的像素点数量，nj为灰度值为j的像素点数量。
S303：以分割阈值为变量，以类间方差最大为目标函数，确定使类间方差最大的目标分割阈值。
在本发明实施例中，目标分割阈值的计算公式为：
式(3)中，T为目标分割阈值，0≤t≤255。
S304：根据目标分割阈值得到目标区的像素点数量，并根据目标区的像素点数量和待识别水稻的灰度图像的像素点总数量确定待识别水稻的覆盖度。
其中，目标区的像素点数量即为灰度值大于目标分割阈值的像素点的数量。待识别水稻的覆盖度为目标区的像素点数量与待识别水稻的灰度图像的像素点总数量的比值。
从上述描述可知，本发明实施例的水稻分蘖期识别方法，通过以分割阈值为变量，以类间方差最大为目标函数，得到使类间方差最大的目标分割阈值，然后根据目标分割阈值得到目标区的像素点数量，根据目标区的像素点数量和待识别水稻的灰度图像的像素点总数量确定待识别水稻的覆盖度，能够准确得到待识别水稻的覆盖度，从而可以根据分蘖期覆盖度特征来确定水稻是否进入分蘖期，可以提高分蘖期识别效率。
请参阅图4，图4为本发明再一实施例提供的一种水稻分蘖期识别方法的示意流程图。在上述实施例的基础上，在步骤S103中的“基于训练后的卷积神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期”之前，还可以包括：
S401：获取训练样本集，训练样本集包括已标定为进入分蘖期或未进入分蘖期的水稻图像。
在本发明实施例中，训练样本集包括大量清晰的水稻图像，且水稻图像已被标定为进入分蘖期或未进入分蘖期。
S402：将训练样本集中的水稻图像均转换为预设大小的灰度水稻图像。
在本发明实施例中，可以将训练样本集中的水稻图像均转换为64*64的灰度水稻图像。
S403：基于预设大小的灰度水稻图像，训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型。
在本发明实施例中，利用训练样本集中已转换为64*64的灰度输掉图像，对构建的卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，训练方法可以采用现有的训练方法。
在第一卷积层C1，需要训练的参数数目为12*(5*5+1)＝312，输入层与第一卷积层C1的连接数为312*60*60＝1123200。
在第二卷积层C2，第一子采样层S1与第二卷积层C2的连接数为24+12+8+6+4+4+3+3+2+2+2+2＝72。
在本发明的一个实施例中，将待识别水稻的灰度图像转换成预设大小的灰度图像，包括：
根据待识别水稻的灰度图像的大小和预设大小分别确定长和宽的缩放比例。
根据长和宽的缩放比例，确定预设大小的灰度图像中的每个像素点在待识别水稻的灰度图像中对应的虚拟像素点，并确定距离该虚拟像素点最近的四个实际像素点。
根据距离每个像素点对应的虚拟像素点最近的四个实际像素点的灰度值，确定每个像素点的灰度值，得到预设大小的灰度图像。
在本发明实施例中，若待识别水稻的灰度图像的长为a，宽为b，预设大小的灰度图像的长为m，宽为n，那么长的缩放比例为a/m，宽的缩放比例为b/n。
假设预设大小的灰度图像中的某个像素点为(i,j)，那么该像素点在待识别水稻的灰度图像中对应的虚拟像素点为该像素点的灰度值为该虚拟像素点的灰度值，但是，由于和可能是浮点数，所以也可能是浮点数，而图像中的实际像素点的位置都是整数的，所以需要在待识别水稻的灰度图像中找到距离该虚拟像素点最近的四个实际像素点，分别为(x,y)，(x+1,y)，(x,y+1)和(x+1,y+1)，其中，x为向下取整得到的整数，y为向下取整得到的整数。
示例性的，假设虚拟像素点为(1.25,1.4)，那么距离该虚拟像素点最近的四个实际像素点分别为(1,1)，(2,1)，(1,2)和(2,2)。
根据距离每个像素点对应的虚拟像素点最近的四个实际像素点的灰度值，确定每个像素点的灰度值的计算公式为：
f(i,j)＝(1-u)(1-v)f(x,y)+u(1-v)f(x+1,y)+(1-u)vf(x,y+1)+
uvf(x+1,y+1) (4)
在式(4)中，f(i,j)为预设大小的灰度图像中的像素点(i,j)的灰度值，f(x,y)为待识别水稻的灰度图像中的像素点(x,y)的灰度值，f(x+1,y)为待识别水稻的灰度图像中的像素点(x+1,y)的灰度值，f(x,y+1)为待识别水稻的灰度图像中的像素点(x,y+1)的灰度值，f(x+1,y+1)为待识别水稻的灰度图像中的像素点(x+1,y+1)的灰度值，
计算出预设大小的灰度图像中的每个像素点的灰度值，根据所述每个像素点的灰度值可以得到预设大小的灰度图像。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的水稻分蘖期识别方法，图5示出了本发明实施例提供的一种水稻分蘖期识别***的结构示意图。为了便于说明，仅示出了与本实施例相关的部分。
在本发明的一个实施例中，水稻分蘖期识别***可以包括：
灰度图像转换模块501，用于获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像；
覆盖度获取模块502，用于对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
第一判定模块503，用于若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期；
第二判定模块504，用于若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期。
在本发明的一个实施例中，覆盖度获取模块502具体用于：
获取待识别水稻的灰度图像中的每个像素点的灰度值，并根据每个像素点的灰度值和分割阈值将待识别水稻的灰度图像划分为背景区和目标区，背景区的灰度值小于或等于分割阈值，目标区的灰度值大于分割阈值；
计算背景区的分布概率和灰度均值，以及目标区的分布概率和灰度均值，并根据背景区的分布概率和灰度均值及目标区的分布概率和灰度均值计算类间方差；
以分割阈值为变量，以类间方差最大为目标函数，确定使类间方差最大的目标分割阈值；
根据目标分割阈值得到目标区的像素点数量，并根据目标区的像素点数量和待识别水稻的灰度图像的像素点总数量确定待识别水稻的覆盖度。
在本发明的一个实施例中，水稻分蘖期识别***还可以包括：
训练样本集获取模块，用于获取训练样本集，所述训练样本集包括已标定为进入分蘖期或未进入分蘖期的水稻图像；
第一图像转换模块，用于将训练样本集中的水稻图像均转换为预设大小的灰度水稻图像；
训练模块，用于基于预设大小的灰度水稻图像，训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型。
在本发明的一个实施例中，水稻分蘖期识别***还可以包括：
第二图像转换模块，用于将待识别水稻的灰度图像转换成预设大小的灰度图像；
第一判定模块503，具体用于：
将预设大小的灰度图像输入到训练后的卷积神经网络模型中，得到所述训练后的卷积神经网络模型的输出结果；
若输出结果为第一神经元，则确定待识别水稻进入分蘖期；
若输出结果为第二神经元，则确定待识别水稻未进入分蘖期。
在本发明的一个实施例中，第二图像转换模块，具体用于：
根据待识别水稻的灰度图像的大小和预设大小分别确定长和宽的缩放比例；
根据长和宽的缩放比例，确定预设大小的灰度图像中的每个像素点在待识别水稻的灰度图像中对应的虚拟像素点，并确定距离该虚拟像素点最近的四个实际像素点；
根据距离每个像素点对应的虚拟像素点最近的四个实际像素点的灰度值，确定每个像素点的灰度值，得到预设大小的灰度图像。
在本发明的一个实施例中，卷积神经网络模型包括输入层、第一卷积层、第一子采样层、第二卷积层、第二子采样层、第三卷积层、第三子采样层和输出层。
对应于上文实施例所述的水稻分蘖期识别方法，图6示出了本发明实施例提供的终端设备的结构示意图。为了便于说明，仅示出了与本实施例相关的部分。
在本实施例中，水稻分蘖期识别程序600安装并运行于终端设备60中。该终端设备60可以是移动终端、掌上电脑、服务器等。该终端设备60可包括，但不仅限于，存储器601、处理器602及显示器603。图6仅示出了具有组件601-603的终端设备60，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器601在一些实施例中可以是所述终端设备60的内部存储单元，例如该终端设备60的硬盘或内存。所述存储器601在另一些实施例中也可以是所述终端设备60的外部存储设备，例如所述终端设备60上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器601还可以既包括所述终端设备60的内部存储单元也包括外部存储设备。所述存储器601用于存储安装于所述终端设备60的应用软件及各类数据，例如所述水稻分蘖期识别程序600的程序代码等。所述存储器601还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器602在一些实施例中可以是一中央处理器(Central ProcessingUnit，CPU)，微处理器或其他数据处理芯片，用于运行所述存储器601中存储的程序代码或处理数据，例如执行所述水稻分蘖期识别程序600等。
所述显示器603在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。所述显示器603用于显示在所述终端设备60中处理的信息以及用于显示可视化的用户界面，例如应用菜单界面、应用图标界面等。所述终端设备60的部件601-603通过***总线相互通信。
在本实施例中，所述的水稻分蘖期识别程序600可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器601中，并由一个或多个处理器(本实施例为所述处理器602)所执行，以完成本发明。例如，在图5中，所述的水稻分蘖期识别程序600可以被分割成灰度图像转换模块、覆盖度获取模块、第一判定模块和第二判定模块。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述水稻分蘖期识别程序600在所述终端设备60中的执行过程。以下描述将具体介绍各个模块的功能。
其中，灰度图像转换模块，用于获取待识别水稻的图像，并将待识别水稻的图像转换成待识别水稻的灰度图像；
覆盖度获取模块，用于对待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
第一判定模块，用于若待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和待识别水稻的灰度图像，确定待识别水稻是否进入分蘖期；
第二判定模块，用于若待识别水稻的覆盖度小于预设覆盖度，则确定待识别水稻未进入分蘖期。
其它模块或者单元可参照图5所示的实施例中的描述，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水稻分蘖期识别方法，其特征在于，包括：
获取待识别水稻的图像，并将所述待识别水稻的图像转换成待识别水稻的灰度图像；
对所述待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
若所述待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和所述待识别水稻的灰度图像，确定所述待识别水稻是否进入分蘖期；
若所述待识别水稻的覆盖度小于所述预设覆盖度，则确定所述待识别水稻未进入分蘖期。
2.根据权利要求1所述的水稻分蘖期识别方法，其特征在于，所述对所述待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度，包括：
获取所述待识别水稻的灰度图像中的每个像素点的灰度值，并根据所述每个像素点的灰度值和分割阈值将待识别水稻的灰度图像划分为背景区和目标区，所述背景区的灰度值小于或等于所述分割阈值，所述目标区的灰度值大于所述分割阈值；
计算背景区的分布概率和灰度均值，以及目标区的分布概率和灰度均值，并根据所述背景区的分布概率和灰度均值及所述目标区的分布概率和灰度均值计算类间方差；
以分割阈值为变量，以类间方差最大为目标函数，确定使类间方差最大的目标分割阈值；
根据目标分割阈值得到目标区的像素点数量，并根据所述目标区的像素点数量和所述待识别水稻的灰度图像的像素点总数量确定待识别水稻的覆盖度。
3.根据权利要求1所述的水稻分蘖期识别方法，其特征在于，在所述基于训练后的卷积神经网络模型和所述待识别水稻的灰度图像，确定所述待识别水稻是否进入分蘖期之前，还包括：
获取训练样本集，所述训练样本集包括已标定为进入分蘖期或未进入分蘖期的水稻图像；
将训练样本集中的水稻图像均转换为预设大小的灰度水稻图像；
基于预设大小的灰度水稻图像，训练构建的卷积神经网络模型，得到训练后的卷积神经网络模型。
4.根据权利要求1所述的水稻分蘖期识别方法，其特征在于，在所述基于训练后的卷积神经网络模型和所述待识别水稻的灰度图像，确定所述待识别水稻是否进入分蘖期之前，还包括：
将所述待识别水稻的灰度图像转换成预设大小的灰度图像；
所述基于训练后的卷积神经网络模型和所述待识别水稻的灰度图像，确定所述待识别水稻是否进入分蘖期，包括：
将所述预设大小的灰度图像输入到所述训练后的卷积神经网络模型中，得到所述训练后的卷积神经网络模型的输出结果；
若所述输出结果为第一神经元，则确定所述待识别水稻进入分蘖期；
若所述输出结果为第二神经元，则确定所述待识别水稻未进入分蘖期。
5.根据权利要求4所述的水稻分蘖期识别方法，其特征在于，所述将所述待识别水稻的灰度图像转换成预设大小的灰度图像，包括：
根据所述待识别水稻的灰度图像的大小和所述预设大小分别确定长和宽的缩放比例；
根据所述长和宽的缩放比例，确定所述预设大小的灰度图像中的每个像素点在所述待识别水稻的灰度图像中对应的虚拟像素点，并确定距离该虚拟像素点最近的四个实际像素点；
根据距离每个像素点对应的虚拟像素点最近的四个实际像素点的灰度值，确定所述每个像素点的灰度值，得到所述预设大小的灰度图像。
6.根据权利要求1所述的水稻分蘖期识别方法，其特征在于，所述卷积神经网络模型包括输入层、第一卷积层、第一子采样层、第二卷积层、第二子采样层、第三卷积层、第三子采样层和输出层。
7.一种水稻分蘖期识别***，其特征在于，包括：
灰度图像转换模块，用于获取待识别水稻的图像，并将所述待识别水稻的图像转换成待识别水稻的灰度图像；
覆盖度获取模块，用于对所述待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
第一判定模块，用于若所述待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和所述待识别水稻的灰度图像，确定所述待识别水稻是否进入分蘖期；
第二判定模块，用于若所述待识别水稻的覆盖度小于所述预设覆盖度，则确定所述待识别水稻未进入分蘖期。
8.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取待识别水稻的图像，并将所述待识别水稻的图像转换成待识别水稻的灰度图像；
对所述待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度；
若所述待识别水稻的覆盖度大于或等于预设覆盖度，则基于训练后的卷积神经网络模型和所述待识别水稻的灰度图像，确定所述待识别水稻是否进入分蘖期；
若所述待识别水稻的覆盖度小于所述预设覆盖度，则确定所述待识别水稻未进入分蘖期。
9.根据权利要求8所述的终端设备，其特征在于，所述对所述待识别水稻的灰度图像进行作物分割得到待识别水稻的覆盖度，包括：
获取所述待识别水稻的灰度图像中的每个像素点的灰度值，并根据所述每个像素点的灰度值和分割阈值将待识别水稻的灰度图像划分为背景区和目标区，所述背景区的灰度值小于或等于所述分割阈值，所述目标区的灰度值大于所述分割阈值；
计算背景区的分布概率和灰度均值，以及目标区的分布概率和灰度均值，并根据所述背景区的分布概率和灰度均值及所述目标区的分布概率和灰度均值计算类间方差；
以分割阈值为变量，以类间方差最大为目标函数，确定使类间方差最大的目标分割阈值；
根据目标分割阈值得到目标区的像素点数量，并根据所述目标区的像素点数量和所述待识别水稻的灰度图像的像素点总数量确定待识别水稻的覆盖度。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述水稻分蘖期识别方法的步骤。
CN201910111101.9A 2019-02-12 2019-02-12 水稻分蘖期识别方法及终端设备 Pending CN109961007A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910111101.9A CN109961007A (zh) 2019-02-12 2019-02-12 水稻分蘖期识别方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910111101.9A CN109961007A (zh) 2019-02-12 2019-02-12 水稻分蘖期识别方法及终端设备

Publications (1)

Publication Number Publication Date
CN109961007A true CN109961007A (zh) 2019-07-02

Family

ID=67023614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910111101.9A Pending CN109961007A (zh) 2019-02-12 2019-02-12 水稻分蘖期识别方法及终端设备

Country Status (1)

Country Link
CN (1) CN109961007A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052141A (zh) * 2023-03-30 2023-05-02 北京市农林科学院智能装备技术研究中心 作物生育期的识别方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102278979A (zh) * 2011-04-28 2011-12-14 华中科技大学 一种水稻移栽分蘖的自动检测方法
CN103900498A (zh) * 2012-12-28 2014-07-02 中国农业机械化科学研究院 一种棉田苗情自动探测方法及其探测装置
CN106845366A (zh) * 2016-12-29 2017-06-13 江苏省无线电科学研究所有限公司 基于图像的甘蔗覆盖度自动检测方法
CN108647652A (zh) * 2018-05-14 2018-10-12 北京工业大学 一种基于图像分类和目标检测的棉花发育期自动识别方法
WO2019043356A1 (en) * 2017-09-04 2019-03-07 LLEO Limited IMPROVEMENTS IN CROP CROPS

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102278979A (zh) * 2011-04-28 2011-12-14 华中科技大学 一种水稻移栽分蘖的自动检测方法
CN103900498A (zh) * 2012-12-28 2014-07-02 中国农业机械化科学研究院 一种棉田苗情自动探测方法及其探测装置
CN106845366A (zh) * 2016-12-29 2017-06-13 江苏省无线电科学研究所有限公司 基于图像的甘蔗覆盖度自动检测方法
WO2019043356A1 (en) * 2017-09-04 2019-03-07 LLEO Limited IMPROVEMENTS IN CROP CROPS
CN108647652A (zh) * 2018-05-14 2018-10-12 北京工业大学 一种基于图像分类和目标检测的棉花发育期自动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘继承: "基于数字图像处理技术的水稻长势监测研究", 《中国优秀硕⼠学位论⽂全⽂数据库 农业科技辑》, no. 05, pages 15 - 57 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052141A (zh) * 2023-03-30 2023-05-02 北京市农林科学院智能装备技术研究中心 作物生育期的识别方法、装置、设备及介质
CN116052141B (zh) * 2023-03-30 2023-06-27 北京市农林科学院智能装备技术研究中心 作物生育期的识别方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN107885317A (zh) 一种基于手势的交互方法及装置
CN110135341A (zh) 杂草识别方法、装置及终端设备
CN109063778A (zh) 一种图像美学质量确定方法及***
CN105868797A (zh) 网络参数训练方法、景物类型识别方法及装置
CN106372648A (zh) 基于多特征融合卷积神经网络的浮游生物图像分类方法
CN109101934A (zh) 车型识别方法、装置与计算机可读存储介质
CN107134005A (zh) 光照适配方法、装置、存储介质、处理器及终端
CN110163884B (zh) 一种基于全连接深度学习神经网络的单个图像分割方法
CN107742290A (zh) 植物病害识别预警方法及装置
CN109902548A (zh) 一种对象属性识别方法、装置、计算设备及***
CN107393118B (zh) 一种纸币的识别方法、装置、终端设备和计算机存储介质
CN109920018A (zh) 基于神经网络的黑白照片色彩恢复方法、装置及存储介质
CN108629289A (zh) 农田的识别方法及***、应用于农业的无人机
CN109740721A (zh) 麦穗计数方法及装置
CN109934781A (zh) 图像处理方法、装置、终端设备及计算机可读存储介质
CN113255434B (zh) 一种融合果实特征与深度卷积神经网络的苹果识别方法
CN107506738A (zh) 特征提取方法、图像识别方法、装置及电子设备
CN107844771A (zh) 农作物生产管理的方法、***、计算机装置及存储介质
CN109829926A (zh) 道路场景语义分割方法及装置
CN109409509A (zh) 一种针对基于fpga的卷积神经网络加速器的数据结构和加速方法
CN108805838A (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN109726756A (zh) 图像处理方法、装置、电子设备及存储介质
CN110399812A (zh) 人脸特征智能提取方法、装置及计算机可读存储介质
CN109961007A (zh) 水稻分蘖期识别方法及终端设备
CN110444181A (zh) 显示方法、装置、终端及计算机可读存储介质

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