[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210815376.2
• 申請(qǐng)日: 2022-07-08
• 公開（公告）號(hào): CN115205653A
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 楊琳琳;王建坤;常金攀;賀小梅;白振江;別書凡;徐振南;孫波;唐秀英;施杰;張鴻富
• 申請(qǐng)（專利權(quán)）人: 云南農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06V10/82
• 分類號(hào): G06V10/82;G06V10/774;G06N3/08;G06N3/04
• 代理公司: 云南盛恒知識(shí)產(chǎn)權(quán)代理有限公司 53224
• 代理人: 陳藝琴

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)提取方法，使用工業(yè)相機(jī)采集玉米單株的俯視圖和側(cè)視圖，人工采集玉米單株的株高，莖粗，干生物量，葉面積，葉綠素含量，含水量等數(shù)據(jù)，使用圖像與表型數(shù)據(jù)構(gòu)建玉米表型數(shù)據(jù)集，使用玉米表型數(shù)據(jù)集構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)回歸模型。本發(fā)明可以自動(dòng)提取圖像特征，并根據(jù)特征進(jìn)行分類和參數(shù)回歸，準(zhǔn)確率高，避免了人工提取表型參數(shù)，相比傳統(tǒng)機(jī)器學(xué)習(xí)避免了人為設(shè)計(jì)特征的步驟，且在準(zhǔn)確率上達(dá)到使用要求。

技術(shù)領(lǐng)域

本發(fā)明專利屬于植株表型參數(shù)提取領(lǐng)域，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)提取方法。

背景技術(shù)

玉米是重要的糧食作物，其種植面積僅次于小麥和水稻，玉米產(chǎn)量影響著我國(guó)的糧食安全。玉米的表型參數(shù)在提高玉米產(chǎn)量，進(jìn)行玉米育種和培育的研究中具有重要意義。在傳統(tǒng)玉米育種、表型和基因型研究過程中，人工采集表型參數(shù)效率低下，測(cè)量人員的主觀性強(qiáng)，誤差大，另外，傳統(tǒng)干生物量測(cè)量無法在不損壞玉米植株的條件下采集數(shù)據(jù)，基于無人機(jī)和三維重建的干生物測(cè)量方法費(fèi)時(shí)費(fèi)力。

為了解決上述問題，本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)提取方法。

發(fā)明內(nèi)容

為了解決上述的技術(shù)問題，本發(fā)明設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)提取方法，而基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)提取，可快速，準(zhǔn)確，無損的實(shí)現(xiàn)玉米單株干生物量數(shù)據(jù)的提取，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法相較于傳統(tǒng)方法，可以自動(dòng)提取圖像特征，并根據(jù)特征進(jìn)行分類和參數(shù)回歸，準(zhǔn)確率高，隨著近年計(jì)算設(shè)備性能的大幅提高，深度學(xué)習(xí)模型構(gòu)建方便且易于部署到移動(dòng)設(shè)備和邊緣設(shè)備上，非常適合應(yīng)用在玉米表型參數(shù)提取任務(wù)中。

為了達(dá)到上述技術(shù)效果，本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)的：一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米表型參數(shù)提取方法，其特征在于，具體包含以下步驟：

步驟1、使用工業(yè)相機(jī)在玉米田間進(jìn)行玉米單株圖像采集，采集對(duì)應(yīng)的株高，莖粗，干生物量，葉面積，葉綠素含量，含水量數(shù)據(jù)，得到玉米表型數(shù)據(jù)；

步驟2、將步驟1中得到的同一單株的四幅圖像進(jìn)行合并，選擇對(duì)應(yīng)的玉米表型數(shù)據(jù)作為標(biāo)簽，得到卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需的數(shù)據(jù)集；

步驟3、將步驟1得到的玉米表型參數(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理；

步驟4、將步驟3得到的數(shù)據(jù)集進(jìn)行數(shù)據(jù)增廣操作，通過數(shù)據(jù)集圖像的隨機(jī)反轉(zhuǎn)和角度變換進(jìn)行圖像數(shù)據(jù)擴(kuò)充，然后進(jìn)行隨機(jī)打亂劃分，劃分為訓(xùn)練集和驗(yàn)證集；

步驟5、搭建用于玉米表型參數(shù)提取的卷積神經(jīng)網(wǎng)絡(luò)，使用卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型，該模型使用深度可分離卷積，大大減少計(jì)算量和模型參數(shù)量；

步驟6、將步驟4中得到的數(shù)據(jù)集使用步驟5中的網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，得到卷積神經(jīng)網(wǎng)絡(luò)模型，通過調(diào)整網(wǎng)絡(luò)參數(shù)進(jìn)行網(wǎng)絡(luò)優(yōu)化，得到優(yōu)化后的網(wǎng)絡(luò)模型；

步驟7、將待處理玉米植株圖片輸入到步驟6得到的模型進(jìn)行玉米表型參數(shù)的提取。

作為優(yōu)選，所述步驟1中，采集后續(xù)訓(xùn)練所需的玉米表型數(shù)據(jù)，其中，使用塔尺測(cè)量玉米植株株高，株高指植株地上部分根莖部到頂部之間的距離，其中頂部是指主莖頂部；使用莖粗測(cè)量?jī)x測(cè)量莖粗，或者使用游標(biāo)卡尺測(cè)量基莖直徑，多次測(cè)量求平均值；使用葉面積測(cè)量?jī)x采集葉面積；使用葉綠素測(cè)量?jī)x測(cè)量葉綠素含量；采用烘干稱重法獲得玉米植株的干生物量，獲取植株地上部分，將其進(jìn)行分段處理后，放入紙袋中，再置于烘箱中殺青、烘干至恒重，然后利用天平進(jìn)行重量測(cè)定。

作為優(yōu)選，所述步驟2中，選擇俯視圖和側(cè)視圖進(jìn)行合并，圖像的合并操作使用OpenCv完成，順序讀取俯視圖和各個(gè)角度的側(cè)視圖，并調(diào)整各個(gè)圖像的尺寸，合并后得到單株玉米的圖片數(shù)據(jù)。