[發明專利]一種基于改進型YOLO v5模型的大豆植株表型數據統計方法

在審

• 申請號: 202210441866.0
• 申請日: 2022-04-25
• 公開（公告）號: CN115099297A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 劉立超;王健清;梁靜;陳黎卿;馬慶;李兆東;張春嶺;王韋韋
• 申請（專利權）人: 安徽農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06T3/40;G06F17/18;G06V10/774;G06V10/82;G06V10/764
• 代理公司: 北京康達聯禾知識產權代理事務所(普通合伙) 11461
• 代理人: 尚婷

本發明涉及大豆人工智能選育技術領域，公開了一種基于改進型YOLO v5模型的大豆植株表型數據統計方法，包括如下步驟：獲得目標大豆植株的采樣圖片；通過基于指定訓練方法訓練完成的識別模型對采樣圖片進行識別；統計并保存識別模型輸出的關于大豆植株的表型特征；其中，識別模型為基于指定改進方法改進的YOLO v5模型；可將對目標大豆植株進行拍攝采樣得到的采樣圖片，輸入預先訓練好的識別模型中進行識別，識別模型可以快速準確的給出該目標大豆植株的表型特征數據，然后可將表型特征數據進行統計，方便后續工作者進行查閱調取。

技術領域

本發明涉及大豆人工智能選育技術領域，具體涉及一種基于改進型YOLO v5模型的大豆植株表型數據統計方法。

背景技術

大豆是我國重要糧食作物和重要經濟作物。然而多年來我國大豆產業高度依賴進口，且進口來源高度集中，嚴重威脅國家糧油安全。

大豆考種工作通過獲取可重復的大豆表型數據，量化分析其與大豆產量、質量等的關系，是解析大豆遺傳規律和大豆育種的關鍵環節。大豆表型是指在基因組和種植環境的共同作用下，大豆生長發育過程和結果的所有物理、生理和性狀等。通過可重復的高質量表型數據，能夠量化分析表型對產量、質量、抗逆等的影響。如大豆葉片形態為大豆重要外觀特征和農藝性狀，能夠直觀地反映植物的生長狀態，葉片形態既影響日光捕獲效率，又影響“氮”庫的吸收效率，可調節產量，大豆的莢粒數性狀也與葉形密切連鎖。

而傳統的大豆考種模式主要依賴于人工，存在著數據采集量有限、人力物力成本高、數據共享能力差、測量精度低、可重復性差、客觀性差等問題，這大大限制了表型數據在大豆育種決策過程中的作用發揮，也是限制大豆產業發展的原因之一。因此現代大豆育種迫切需要能夠準確、快速、無損檢測大豆表型參數的智能化、高通量方法，提高育種效率。

發明內容

本發明的目的在于提供一種基于改進型YOLO v5模型的大豆植株表型數據統計方法，解決以下技術問題：

如何提高大豆考種時大豆表型參數的檢測效率和準確度。

本發明的目的可以通過以下技術方案實現：

一種基于改進型YOLO v5模型的大豆植株表型數據統計方法，包括如下步驟：

獲得目標大豆植株的采樣圖片；

通過基于指定訓練方法訓練完成的識別模型對所述采樣圖片進行識別；

統計并保存所述識別模型輸出的關于所述大豆植株的表型特征；

其中，所述識別模型為基于指定改進方法改進的YOLO v5模型。

通過上述技術方案，可將對目標大豆植株進行拍攝采樣得到的采樣圖片，輸入預先訓練好的識別模型中進行識別，識別模型可以快速準確的給出該目標大豆植株的表型特征數據，然后可將表型特征數據進行統計，方便后續工作者進行查閱調取。

作為本發明進一步的方案：所述指定訓練方法包括：

針對大豆植株獲取訓練樣本集；

增強擴充所述訓練樣本集后得到訓練數據集；

將所述訓練數據集隨機劃分為訓練集、驗證集和測試集三個部分。

作為本發明進一步的方案：所述針對大豆植株獲取訓練樣本集的方法包括：

選取不同時間段、不同天氣情況、不同角度對所述大豆植株進行拍攝后得到拍攝圖像；

對所有所述拍攝圖像進行標注后進行得到所述訓練樣本集，所述標注包括多種類別標簽。

作為本發明進一步的方案：所述增強擴充所述訓練樣本集后得到訓練數據集的方法包括：

對所述訓練樣本集中的每個所述拍攝圖像進行數據增強；