[发明专利]一种基于数字相片提取小麦分蘖数的方法和系统

说明书

本发明提出一种基于数字相片提取小麦分蘖数的方法和系统。其中，方法包括：采集冬小麦数字相片，得到训练集和验证集；对所述训练集进行数据增强，得到数据增强后的训练集；以真实的分蘖数为标签，对所述数据增强后的训练集和验证集进行样本标签制作；构建分蘖数提取模型；应用所述数据增强后的训练集和对应的标签对所述分蘖数提取模型进行训练和参数设置；定量评价所述分蘖数提取模型对所述验证集的相片分蘖数提取的准确性。本发明提出的方案，可以从数字相片中提取出小麦的分蘖数量，其精度保证相对误差在10％左右，可以满足未来利用拍摄数字相片的方式，基于深度学习提取冬小麦分蘖数，代替人工田间计数。

技术领域

本发明属于植物生长状况预估领域，尤其涉及一种基于数字相片提取小麦分蘖数的方法和系统。

背景技术

小麦分蘖是指地面以下或接近地面处从麦株上所发生的小麦分枝，单位面积分蘖数是小麦生产中的生长观测和作物管理的关键农艺特征。特别是分蘖作为小麦对现有资源适应的主要机制，现阶段的种植密度决定了有效分蘖，直接影响小麦的产量和品质。同时，分蘖数可以为农户提供准确的出苗率，为水肥管理提供依据。因此，对分蘖期分蘖数的实时评估有助于监测小麦群体生长，或作为作物育种筛选品种的主要表型指标。然而，传统的分蘖数量测定方法多是依靠复杂的人工计数，这种观测方法效率低，精度差，不仅费时费力容易出现人为错误，而且容易损坏作物。

计算机视觉是一种潜在的自动化解决方案，例如，2018年，李琼砚等通过图像分割技术与形态学处理，完成了单株小麦分蘖数目的检测(李琼砚,高云鹏,翁雨辰.一种基于RGB图像的小麦分蘖数自动检测方法:CN107993243A,2018.)2019年，杜蒙蒙等通过图像分割技术和建立回归模型，最后插值得到了人工计数采样区域的分蘖密度。(杜蒙蒙,姬江涛,杜新武,等.一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法:CN110163138A[P].2019.)。2019年，颜华等则是通过无人机包含的深度学习模块实时提取相幅内的小麦像元后，与经验参数相除得到估计值，最后插值得到空间分布图(颜华,魏言聪,刘龙,等.基于深度学习图像分割的小麦植株实时计数方法:CN110503647A[P].2019.)。但是当前方法受限于小麦分蘖之间的相互遮挡，只能适应小麦出苗期的分蘖计数，同时还会受到图像采集时的光照不足和外观变化以及尺度不一致等问题的影响。随着基于深度学习的计数技术的长足发展，其研究工作覆盖了小麦测产的各个环节，尤其是对麦穗的计数上，但是对分蘖期的密集分蘖进行计数的报道较少。

传统的通过人工田间调查获取小麦茎蘖密度信息的方法，时效性与精准度不足，工作量大、效率低而且稀疏的点源统计数据无法精准反映田块内部的小麦茎蘖密度空间差异状况。现有基于数字图像提取方法无法使用密集分蘖情形，只能用于出苗期的小麦分蘖计数。

发明内容

为解决上述技术问题，本发明提出一种基于数字相片提取小麦分蘖数的方法和系统的技术方案，以解决上述技术问题。

本发明第一方面公开了一种基于数字相片提取小麦分蘖数的方法，所述方法包括：

步骤S1、采集冬小麦数字相片，得到训练集和验证集；

步骤S2、对所述训练集进行数据增强，得到数据增强后的训练集；

步骤S3、以真实的分蘖数为标签，对所述数据增强后的训练集和验证集进行样本标签制作；

步骤S4、构建分蘖数提取模型；

步骤S5、应用所述数据增强后的训练集和对应的标签对所述分蘖数提取模型进行训练和参数设置；

步骤S6、定量评价所述分蘖数提取模型对所述验证集的相片分蘖数提取的准确性。

根据本发明第一方面的方法，在所述步骤S1中，所述采集冬小麦数字相片，得到训练集和验证集的方法包括：

按1：1的比例垂直拍摄地面的方形区域，采集冬小麦数字相片。