[發(fā)明專利]基于計算機視覺和深度學(xué)習(xí)技術(shù)的小麥單產(chǎn)觀測方法

在審

• 申請?zhí)枺?/td>: 202111263412.0
• 申請日: 2021-10-26
• 公開（公告）號: CN114066022A
• 公開（公告）日: 2022-02-18
• 發(fā)明（設(shè)計）人: 吳炳方;吳方明;曾紅偉;張淼
• 申請（專利權(quán)）人: 中國科學(xué)院空天信息創(chuàng)新研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06V10/26;G06V10/20;G06T7/62;G06N3/04
• 代理公司: 北京理工大學(xué)專利中心 11120
• 代理人: 高燕燕

本發(fā)明公開一種基于計算機視覺和深度學(xué)習(xí)技術(shù)的小麥單產(chǎn)觀測方法，包括：采集小麥穗圖像和坐標(biāo)位置數(shù)據(jù)采集；并計算出相機參數(shù)，對圖像進行畸變矯正與裁剪；利用深度學(xué)習(xí)目標(biāo)識別模型對小麥穗圖像進行小麥穗識別；利用訓(xùn)練好的深度學(xué)習(xí)目標(biāo)識別模型1對小麥穗圖像進行小麥穗識別并裁剪出小麥穗；利用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)目標(biāo)識別模型2對小麥穗圖像進行小麥顆粒識別；用矯正后的小麥穗圖像和識別的小麥穗計算同一塊小麥地的單位面積穗數(shù)；用矯正后的小麥穗圖像和識別的小麥顆粒計算同一塊小麥地的有效穗粒數(shù)；根據(jù)小麥單位面積穗數(shù)、氣候條件以及千粒重的深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測千粒重；根據(jù)預(yù)測的千粒重及單位面積有效穗粒數(shù)計算畝產(chǎn)。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)技術(shù)領(lǐng)域，涉及一種基于計算機視覺和深度學(xué)習(xí)技術(shù)的小麥單產(chǎn)觀測方法。

背景技術(shù)

小麥單產(chǎn)是指單位面積內(nèi)小麥的產(chǎn)量。單產(chǎn)的預(yù)測可以為農(nóng)業(yè)管理決策提供參考，提前準(zhǔn)備好小麥?zhǔn)崭睢}儲和銷售所需的包裝、運輸資源，為及時有效應(yīng)對糧食短缺和供給沖擊調(diào)整宏觀政策。

現(xiàn)階段標(biāo)準(zhǔn)的小麥單產(chǎn)測量方法要監(jiān)測畝有效穗數(shù)及穗粒數(shù)。在固定監(jiān)測區(qū)用已知面積的取樣框取樣，數(shù)出小麥穗數(shù)，剔除5粒以下的小穗，計算畝有效穗。在固定監(jiān)測區(qū)從根部隨機抓取20穗小麥，剔除5粒以下的麥穗，數(shù)粒數(shù)，計算平均穗粒數(shù)。用監(jiān)測品種常年千粒重(審定千粒重)進行預(yù)產(chǎn)。畝有效穗數(shù)及穗粒數(shù)均采用人工計數(shù)方法獲得費時費力，主觀影響計數(shù)精度。

公開號為CN103632157B的專利公開了一種利用數(shù)字圖像處理技術(shù)進行小麥穗部籽粒數(shù)計數(shù)方法，通過數(shù)字圖像處理技術(shù)獲得麥穗粒性狀穗軸長度和穗部面積，根據(jù)建立的小麥穗部籽粒數(shù)與麥穗粒性狀穗軸長度和穗部面積關(guān)系計算出小麥穗部籽粒數(shù)。一方面該方法獲得麥穗粒性狀穗軸長度和穗部面積時受圖像畸變的影響，會產(chǎn)生測量誤差，另一方面該方法建立的小麥穗部籽粒數(shù)與麥穗粒性狀穗軸長度和穗部面積關(guān)系受品種的影響，也會產(chǎn)生計數(shù)誤差。同時該方法的小麥穗部圖像采集裝置由CCD攝像頭、載物臺、計算機等組成，圖像采集在室內(nèi)進行，一次只能拍攝一個小麥穗圖像，無法應(yīng)用于田間環(huán)境圖像數(shù)據(jù)的快速采集。

發(fā)明內(nèi)容

本發(fā)明公開一種基于計算機視覺和深度學(xué)習(xí)技術(shù)的小麥單產(chǎn)觀測方法，能夠快速對小麥單位面積有效穗數(shù)及穗粒數(shù)進行識別，觀測小麥不同單位面積穗數(shù)、氣候條件情況下的千粒重，提高單產(chǎn)觀測的效率和準(zhǔn)確度。

本發(fā)明通過以下技術(shù)方案實現(xiàn)。

一種基于計算機視覺和深度學(xué)習(xí)技術(shù)的小麥單產(chǎn)觀測方法，包括：

在同一塊小麥地里不同位置進行垂直向下和水平方向的小麥穗圖像和坐標(biāo)位置數(shù)據(jù)采集；并根據(jù)帶有棋盤格的小麥穗圖像計算出相機參數(shù)，對圖像進行畸變矯正與裁剪；

利用深度學(xué)習(xí)目標(biāo)識別模型對小麥穗圖像進行小麥穗識別；利用訓(xùn)練好的深度學(xué)習(xí)目標(biāo)識別模型1對小麥穗圖像進行小麥穗識別并裁剪出小麥穗；利用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)目標(biāo)識別模型2對小麥穗圖像進行小麥顆粒識別；

用矯正后的小麥穗圖像和識別的小麥穗計算同一塊小麥地的單位面積穗數(shù)；用矯正后的小麥穗圖像和識別的小麥顆粒計算同一塊小麥地的有效穗粒數(shù)；

根據(jù)小麥單位面積穗數(shù)、氣候條件以及千粒重的深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測千粒重；根據(jù)預(yù)測的千粒重及單位面積有效穗粒數(shù)計算畝產(chǎn)。

本發(fā)明的有益效果：

本發(fā)明通過深度神經(jīng)網(wǎng)絡(luò)目標(biāo)識別的方法快速、直接地對小麥單位面積有效穗數(shù)及穗粒數(shù)進行識別，替代人工計數(shù)。通過相機畸變矯正得到了準(zhǔn)確的小麥單位面積穗數(shù)和小麥有效顆粒數(shù)。通過建立小麥單位面積穗數(shù)、氣候條件與千粒重的深度神經(jīng)網(wǎng)絡(luò)預(yù)測千粒重，提高了單產(chǎn)觀測的效率和準(zhǔn)確度。

附圖說明

圖1為本發(fā)明基于計算機視覺和深度學(xué)習(xí)技術(shù)的小麥單產(chǎn)觀測方法流程圖；

圖2為本發(fā)明基于計算機視覺和深度學(xué)習(xí)技術(shù)的小麥單產(chǎn)觀測裝置結(jié)構(gòu)圖。