[发明专利]一种大豆植株茎相关表型自动获取方法

说明书

本发明公开了一种大豆植株茎相关表型自动获取方法，包括：获取大豆植株图像，在基于深度学习网络YOLOX的目标检测模型中输入大豆植株图像，识别成熟期大豆植株的茎节点,采用定向搜索算法判断大豆植株茎节点的分枝数，对于多个分枝的大豆植株茎节点，采用节点判断算法，获得包含分支数和茎节点的多分枝大豆植株的空间构像，采用表型获取算法和比例尺处理多分枝大豆植株的空间构像的节点坐标，获得大豆成熟植株茎相关表型。该方法能够提高大豆植株表型计算效率。

技术领域

本发明涉农学技术领域，更具体的涉及一种大豆植株茎相关表型自动获取 方法。

背景技术

大豆(Glycine max L.Merrill)是世界上最重要的豆类种子作物之一。它 是食用油的主要来源，占世界食用油总量的近25％。大豆的营养价值在一定程 度上有助于预防心脏病和糖尿病。此外，大豆不仅可以用于人类消费，还可以 用于动物消费，这是全球主要的油消费品种。中国是世界第四大大豆生产国， 仅次于美国、巴西和阿根廷。由于大豆在现代经济环境中发挥着重要作用，培 育优质高产大豆品种成为育种专家关注的焦点。大豆表型的探索是培育优质大 豆的关键步骤，通常情况下，成熟期大豆植株茎相关表型的探索由人工操作完 成，该方法效率低，耗费时间长，不能高通量进行。因此，寻求一种自动识别 测量成熟期大豆植株茎相关表型的方法对大豆育种研究具有重要意义。

目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物 体)，确定它们的类别和位置。传统的目标检测与识别方法主要可以表示为： 目标特征提取-目标识别-目标定位。如今，基于深度学习的目标检测与识别 成为主流方法，主要可以表示为：图像的深度特征提取-基于深度神经网络的 目标识别与定位，其中主要用到深度神经网络模型中的卷积神经网络(CNN)。 卷积神经网络因其成本低，效率高，操作简单方便等优点已经在作物表型方面 得到广泛应用。在作物表型方面，可应用水稻，大豆，玉米，番茄等各式各样 的作物，具有非常好的适应性。因此，利用卷积神经网络探索成熟期大豆植株 的特征区别，准确地识别出成熟期大豆植株茎节点，对大豆产量预估，大豆品 种分析，大豆育种研究等具有重要意义。

发明内容

本发明实施例提供一种大豆植株茎相关表型自动获取方法，包括：

获取大豆植株图像；

在基于深度学习网络YOLOX的目标检测模型中输入大豆植株图像，识别 成熟期大豆植株的茎节点；

采用定向搜索算法判断大豆植株茎节点的分枝数；

对于多个分枝的大豆植株茎节点，采用节点判断算法，获得包含分支数和 茎节点的多分枝大豆植株的空间构像；

采用表型获取算法和比例尺处理多分枝大豆植株的空间构像的节点坐标， 获得大豆成熟植株茎相关表型。

优选地，大豆成熟期植株图像，包括：

无限豆荚习性的大豆成熟期植株图像；

有限豆荚习性的大豆成熟期植株图像；

亚有限豆荚习性的大豆成熟期植株图像。

优选地，还包括：

利用基于YOLOX的目标检测模型检测出包含成熟期大豆植株的最小外接 矩形框；

裁剪最小外接矩形框，保存有效部分，剔除无效背景。

优选地，定向搜索算法，包括：

通过深度学习网络YOLOX的目标检测模型，识别包含成熟期大豆植株茎 节点的最小外接矩形框；

对每个检测茎节点的矩形框取中心点，保存在一个n行2列的Node坐标 数组中：

Node＝[Y,X]