[發(fā)明專利]基于深度學習的大田稻穗分割方法

有效

• 申請?zhí)枺?/td>: 201811060111.6
• 申請日: 2018-09-08
• 公開（公告）號: CN109360206B
• 公開（公告）日: 2021-11-12
• 發(fā)明（設(shè)計）人: 段凌鳳;楊萬能;馮慧;黃成龍;葉軍立;熊立仲;陳國興;周風燃;楊萬里
• 申請（專利權(quán)）人: 華中農(nóng)業(yè)大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T5/00;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于深度學習的大田稻穗分割方法。該方法設(shè)計了用于分割大田稻穗的深度全卷積神經(jīng)網(wǎng)絡(luò)模型。網(wǎng)絡(luò)的前半部分采用了ResNet?101層，并加入Squeeze and Excitation Module結(jié)構(gòu)來進行特征層重要性的篩選。將原始ResNet?101網(wǎng)絡(luò)模塊4和模塊5中全部的傳統(tǒng)卷積層替換為空洞卷積層，步長由2改成1。網(wǎng)絡(luò)的后半部分采用了空洞金字塔池化和金字塔池化的結(jié)構(gòu)。該方法能克服不同品種及生育期的水稻稻穗顏色、形狀、大小、姿態(tài)、紋理的巨大差異、稻穗邊緣嚴重不規(guī)則、穗葉顏色混疊及田間不均勻且變化的光照、遮擋、刮風等因素的影響，實現(xiàn)對不同品種及生育期大田稻穗的準確分割。相比現(xiàn)有技術(shù)而言，具備精度高、適用性強的技術(shù)優(yōu)勢。

技術(shù)領(lǐng)域

本發(fā)明屬于農(nóng)業(yè)自動化領(lǐng)域，具體涉及水稻表型參數(shù)自動化測量，尤其涉及一種基于深度學習的大田稻穗分割方法。

背景技術(shù)

水稻的生產(chǎn)和分配關(guān)系到世界半數(shù)以上人口的糧食安全問題。高產(chǎn)一直是水稻育種與栽培的重要目標之一。在水稻育種與栽培相關(guān)領(lǐng)域研究中，需要測量大量候選樣本在不同環(huán)境下的產(chǎn)量，為培育高產(chǎn)、優(yōu)質(zhì)、抗逆的水稻品種提供科學依據(jù)。稻穗是水稻谷粒著生的器官，穗部性狀與水稻產(chǎn)量直接相關(guān)。稻穗在水稻病蟲害檢測、營養(yǎng)診斷及生育期檢測等方面也起著非常重要的作用。因此，稻穗的準確分割，是獲取水稻穗部性狀、實現(xiàn)水稻表型自動化測量的關(guān)鍵步驟。不同品種及生育期的水稻稻穗外觀表現(xiàn)如形狀、顏色、大小、紋理、姿態(tài)等存在較大差異，稻穗邊緣嚴重不規(guī)則，穗葉顏色也存在很大程度的混疊。田間自然環(huán)境復(fù)雜，水稻不同器官間相互遮擋，光照不均勻且不斷變化，這些因素都使得復(fù)雜大田環(huán)境下的稻穗分割成為了一個非常困難的問題。

陳含等(2013)通過Sobel邊緣檢測實現(xiàn)麥穗分割，該方法要求圖像中的麥穗相互獨立、無交叉重疊。劉濤等(2014)基于顏色特征分割麥穗，Tang等(2012)開發(fā)了一種基于H分量的分割算法HSeg，用于分割玉米穗。基于顏色特征的分割方法處理速度快，實現(xiàn)簡單，其不足在于顏色易受到光照等因素的影響，只適用于特定生育期及天氣。普通的基于像素的分割極易產(chǎn)生噪聲，為了克服這一問題，可將輸入圖像進行初步分割，生成候選區(qū)域，提取候選區(qū)域特征，判定候選區(qū)域是否為穗，達到準確分割的目的(趙鋒等，2014；Zhu etal.，2016；Duan et al.，2015；Lu et al.，2015)。

深度學習技術(shù)基于大數(shù)據(jù)驅(qū)動，具有優(yōu)越的分類能力，引起了學術(shù)界的廣泛關(guān)注。Pound等(2016)利用滑動窗口的方式提取子圖，由卷積神經(jīng)網(wǎng)絡(luò)(CNN)識別子圖中物體類型，實現(xiàn)了小麥根部及地上部分特征部位如根尖、穗尖、穗基部等的識別。公開號為CN106096655的發(fā)明專利提出了一種基于深度學習的光學遙感圖像飛機檢測方法，公開號為CN105590319的發(fā)明專利提出了一種基于深度學習的圖像顯著性區(qū)域檢測方法，然而這些方法都只能用于物體識別與檢測，而無法直接應(yīng)用于圖像分割。公開號為CN103914841的發(fā)明專利提出了一種基于超像素和深度學習的細菌分割與分類方法及其應(yīng)用。然而，該方法需要利用細菌在顏色、形狀和尺寸的先驗知識，對每個超像素區(qū)域進行初步濾波獲取候選細菌區(qū)域，由深度學習進行分類，僅適用于顏色、形狀和尺寸比較固定的物體的分割。而不同品種及不同生育期的水稻稻穗外觀表現(xiàn)如顏色、形狀、大小、姿態(tài)、紋理等都存在非常大的差異，稻穗邊緣嚴重不規(guī)則，穗葉顏色也存在很大程度混疊，田間自然環(huán)境的復(fù)雜性如不均勻且變化的光照、遮擋、刮風等也會極大地影響稻穗的外觀表現(xiàn)。上述方法無法直接應(yīng)用于大田稻穗的分割。Xiong et al.(2017)提出了一種基于超像素分割和CNN的稻穗分割算法-Panicle-SEG。該算法利用超像素分割技術(shù)中的簡單線性迭代聚類方法，將具有相似特征的相鄰像素構(gòu)成圖像塊即超像素，由CNN判別超像素類別實現(xiàn)稻穗的初步分割，并由基于熵率的超像素分割方法對初步分割結(jié)果進行優(yōu)化，最后，去除小區(qū)域得到最終的分割結(jié)果。Paniele-SEG算法能很好地應(yīng)用于不同品種及生育期的稻穗分割問題，其缺點在于算法分割精度不高、耗時較長。段凌鳳等在SegNet的基礎(chǔ)上，開發(fā)了用于稻穗分割的深度全卷積網(wǎng)絡(luò)。

發(fā)明內(nèi)容

(一)要解決的技術(shù)問題