[發(fā)明專(zhuān)利]基于卷曲葉片檢測(cè)的玉米干旱識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910446308.1
• 申請(qǐng)日: 2019-05-27
• 公開(kāi)（公告）號(hào): CN110188657A
• 公開(kāi)（公告）日: 2019-08-30
• 發(fā)明（設(shè)計(jì)）人: 安江勇;李茂松
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06T7/10
• 代理公司: 北京德崇智捷知識(shí)產(chǎn)權(quán)代理有限公司 11467
• 代理人: 董柏雷

本發(fā)明涉及玉米干旱識(shí)別技術(shù)領(lǐng)域，通過(guò)對(duì)干旱脅迫下玉米卷曲葉片的檢測(cè)對(duì)玉米干旱進(jìn)行識(shí)別。本發(fā)明通過(guò)獲取干旱脅迫下玉米數(shù)字圖像，通過(guò)玉米卷曲葉片的檢測(cè)對(duì)玉米干旱進(jìn)行及時(shí)的診斷和識(shí)別，基于卷曲葉片檢測(cè)的干旱識(shí)別是一種快速、無(wú)損、直接的干旱監(jiān)測(cè)方法，目標(biāo)檢測(cè)算法不僅能檢測(cè)出卷曲葉片，而且能對(duì)卷曲葉片進(jìn)行定位并分割出卷曲葉片。

技術(shù)領(lǐng)域

本發(fā)明涉及農(nóng)作物干旱識(shí)別領(lǐng)域，具體地，涉及一種基于卷曲葉片檢測(cè)的玉米干旱識(shí)別方法。

背景技術(shù)

干旱是影響玉米產(chǎn)量的主要因素之一，快速，及時(shí)的玉米干旱監(jiān)測(cè)對(duì)保障玉米產(chǎn)量具有重要的作用，傳統(tǒng)的干旱監(jiān)測(cè)方法有土壤水分、農(nóng)業(yè)氣象預(yù)報(bào)和人為診斷等，雖能對(duì)玉米干旱做出判斷，但具有滯后性。在干旱脅迫下玉米植株表現(xiàn)出一系列的表型特征，如葉片萎焉，卷曲，植株生長(zhǎng)緩慢等，其中葉片卷曲是玉米干旱脅迫最顯著的特征之一。隨著計(jì)算機(jī)視覺(jué)和作物表型組學(xué)的發(fā)展，傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法廣泛的應(yīng)用于農(nóng)作物生物或非生物脅迫的識(shí)別(Singh et al.,2016；Singh et al.,2018)，而常用的圖像識(shí)別和分類(lèi)算法是對(duì)一張圖像的內(nèi)容進(jìn)行識(shí)別和分類(lèi)，然而在農(nóng)業(yè)生產(chǎn)實(shí)踐中特別是大田條件下一幅圖像可能包含多種物體(比如作物和雜草，不同作物)或者是有多種脅迫的作物，如包含不同的病蟲(chóng)害或由于土壤水分分布不均，導(dǎo)致在大田條件下采集的一幅圖像里既有適宜水分的植株，也有干旱萎焉的植株(An et al.,2019)。在一幅圖像包含多物體，多目標(biāo)情況下，受到復(fù)雜的圖像背景及多物體之間的相互影響，常用的圖像識(shí)別算法無(wú)法對(duì)圖像進(jìn)行精確的識(shí)別和分級(jí)。因此圖像識(shí)別算法在多物體識(shí)別中仍然存在問(wèn)題。計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用于生物或非生物脅迫的防災(zāi)減災(zāi)和監(jiān)測(cè)預(yù)警中不僅要對(duì)圖像中生物或非生物脅迫進(jìn)行正確的識(shí)別和分級(jí)，而且要對(duì)目標(biāo)位置進(jìn)行精確的定位，以便我們采取合適和準(zhǔn)確的防災(zāi)減災(zāi)措施，保障作物正常生長(zhǎng)，提高作物產(chǎn)量水平。

目標(biāo)檢測(cè)是使用計(jì)算機(jī)視覺(jué)中目標(biāo)檢測(cè)算法對(duì)一幅圖像中目標(biāo)物體進(jìn)行識(shí)別，分類(lèi)和定位。目標(biāo)檢測(cè)算法既要識(shí)別出圖像中物體的類(lèi)別，也要找出物體在圖像中的位置(Felzenszwalb et al.,2010)。近年來(lái)，隨著計(jì)算機(jī)視覺(jué)和人工智能的發(fā)展，目標(biāo)檢測(cè)方法逐漸應(yīng)用于農(nóng)作物生物或非生物脅迫監(jiān)測(cè)預(yù)警的應(yīng)用研究中。吳露露等(吳露露等，2014)基于90幅農(nóng)作物病害圖像使用邊緣檢測(cè)和Hough變換算法對(duì)作物病害進(jìn)行檢測(cè)，其檢測(cè)的擬合精度為87.01％，定位誤差為4.44％。謝忠紅等(謝忠紅等，2010)提出了一種基于Hough變換的果實(shí)檢測(cè)方法，使用2R-G顏色分量進(jìn)行圖像分割，采用模板匹配方法檢測(cè)果實(shí)輪廓。結(jié)果表明該方法能準(zhǔn)確的對(duì)類(lèi)圓果實(shí)進(jìn)行檢測(cè)。Xia et al(Xia et al.,2018)使用深度學(xué)習(xí)模型對(duì)24中昆蟲(chóng)進(jìn)行識(shí)別，在模型中應(yīng)用區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network)對(duì)圖像進(jìn)行處理生成目標(biāo)建議窗口，試驗(yàn)結(jié)果表明深度學(xué)習(xí)模型能得到很高的精度。盡管目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法在人臉和車(chē)輛識(shí)別方面應(yīng)用廣泛(Li et al.,2016)，但在農(nóng)業(yè)領(lǐng)域，特別是農(nóng)業(yè)生物或非生物脅迫識(shí)別方法研究較少，

Hasan et al(Hasan et al.,2018)在大田條件下獲取10個(gè)小麥品種的數(shù)字圖像，使用R-CNN對(duì)小麥麥穗進(jìn)行精確的檢測(cè)和計(jì)數(shù)，計(jì)算小麥麥穗的密度對(duì)小麥產(chǎn)量進(jìn)行預(yù)測(cè)。Tian et al(Tian et al.,2019)使用數(shù)碼相機(jī)獲取不同生育階段的蘋(píng)果圖像，使用改進(jìn)的目標(biāo)檢測(cè)算法YOLO3對(duì)不同生育階段下的蘋(píng)果進(jìn)行檢測(cè)，同時(shí)比較YOLO3與YOLO2和FasterR-CNN對(duì)蘋(píng)果檢測(cè)的效果，結(jié)果表明YOLO3有更好的檢測(cè)性能。干旱主要的非生物脅迫之一(李茂松等，2005)。在干旱脅迫下，玉米水分代謝和光合作用受阻，玉米植株表現(xiàn)出葉片萎焉，發(fā)黃，卷曲，失去光澤等性狀，而葉片卷曲是玉米干旱脅迫表型中最為典型的表型特征之一(Kadioglu et al.,2012)，在其他生長(zhǎng)環(huán)境條件一定的情況下，玉米葉片卷曲可視為主要由干旱脅迫造成。因此本文期望通過(guò)對(duì)玉米卷曲葉片的檢測(cè)對(duì)玉米干旱進(jìn)行精確識(shí)別，為玉米干旱脅迫的防災(zāi)減災(zāi)提供及時(shí)準(zhǔn)確的信息，對(duì)提高灌溉的精確性和及時(shí)性，保障玉米豐產(chǎn)穩(wěn)產(chǎn)，同時(shí)，該方法也可應(yīng)用到其他作物生物或非生物脅迫檢測(cè)和識(shí)別方面，如病蟲(chóng)害的精確檢測(cè)和識(shí)別。