一种作物苗情苗势采集分析方法和装置与流程

本发明实施例涉及农业信息技术领域，更具体地，涉及一种作物苗情苗势采集分析方法和装置。

背景技术：

随着气候剧烈变化、土地资源减少以及人口持续增加等不利因素使得粮食安全面临巨大挑战，粮食增产变得尤为迫切。选育优良品种以实现作物高产并保持其在胁迫环境下的稳产性是解决当前粮食问题的重要途径，而选育品种就离不开对农作物全生育期各种表型参数的测量和分析。表型测量分析的同时联系农作物的基因型和环境因素等各方面情况，可以对农作物的选育提供有价值的信息，也同时为促进改良农艺性状和改善育种管理提供有效的大数据支撑，进而加速选育优良品种的进程。

玉米是世界上分布最广、生产最多、最重要的农作物之一。随着中国经济的快速发展对玉米的刚性需求迅速增长，2000年以来我国玉米消费量从1.14亿吨持续上升至2017年的2.21亿吨。采集与分析玉米在各个时期的田间表型数据是选育优良品种不可或缺的重要步骤。通过高通量、高精度和低成本的表型测量系统，将基因型、表型和环境三个因子进行关联分析，有计划地选育优良品种成为当前育种学及表型组学研究的迫切需求，玉米的表型性状很大程度上决定了品种的区域适应性和产量的稳定性，是筛选和培育优良品种的重要参考标准。

作物育种表型信息同基因型信息之间的相互协作关系研究是一个难题，其原因主要是育种材料的表型信息是由成干上万的复杂基因以及作物生长环境不断变化所控制的。目前这些表型信息参数的获取主要依靠人工测量，其缺点是：工人老龄化、效率低、可重复性差、主观误差大，以致对后续分析产生影响。因此远不能满足大面积试验小区高通量的表型数据采集要求。在此背景前提下，国外已经有一些该方面的相关研究和产品，如配备水平放置和垂直放置的立体相机，对多个高粱品系进行了田间测量，对田间高密度种植的高杆作物例如高粱进行表型研究；又如构建自动田间表型平台，旨在不同大田试验环境中实现分布式，可扩展，自动化的作物表型分析，还集成了基于图像的高通量性状表型分析算法和软件流程，但以上两类平台主要应用于固定区域内的表型采集，成本高，灵活性比较差。

技术实现要素：

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种作物苗情苗势采集分析方法和装置。

第一方面，本发明实施例提供一种作物苗情苗势采集分析方法，包括：

s1、获取目标区域的图像，并对所述图像进行垄向小区识别和背景分割，得到无背景的植株图像；

s2、将所述植株图像旋转至垄向水平方向，并基于预设面积阈值查找植株轮廓，得到各植株的植株轮廓；遍历各植株轮廓，并分别进行骨架化处理，得到各植株的茎秆部位；

s3、基于垄向对茎秆部位进行排序和聚类，得到茎秆位置，基于每相邻两株植株的茎秆位置的距离，判断相邻两株植株间是否缺苗，若缺苗则获取缺苗数。

第二方面，本发明实施例提供一种作物苗情苗势采集分析装置，包括：

图像获取模块，用于获取目标区域的航拍图像，并对所述航拍图像进行垄向小区识别和背景分割，得到无背景的植株图像；

茎秆提取模块，用于将所述植株图像旋转至垄向水平方向，并基于预设面积阈值查找植株轮廓，得到各植株的植株轮廓；遍历各植株轮廓，并分别进行骨架化处理，得到各植株的茎秆部位；

缺苗分析模块，用于基于垄向对茎秆部位进行排序和聚类，得到茎秆位置，基于每相邻两株植株的茎秆位置的距离，判断相邻两株植株间是否缺苗，若缺苗则获取缺苗数。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明实施例提出了一种作物苗情苗势采集分析方法和装置，通过无人机采集待分析作物的航拍图像，并经过图像处理、人工智能分析软件进行分析，能根据航拍图像即时获取作物的苗情苗势等表型参数，并可多任务多地点同时进行分析，对作物生长的苗期性状进行精准快速的定位，成本低、灵活性高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例的作物苗情苗势采集分析方法示意图；

图2为根据本发明实施例的作物苗情苗势采集分析装置示意图；

图3为根据本发明实施例的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

由于现有技术中的苗情苗势分析平台主要应用于固定区域内的表型采集，因此本发明各实施例通过无人机采集待分析作物的航拍图像，并经过图像处理、人工智能分析软件进行分析，能根据航拍图像即时获取作物的苗情苗势等表型参数，并可多任务多地点同时进行分析。以下将通过多个实施例进行展开说明和介绍。

图1为本发明实施例提供的一种作物苗情苗势采集分析方法，包括：

获取目标区域的图像，并对所述图像进行垄向小区识别和背景分割，得到无背景的植株图像；

将所述植株图像旋转至垄向水平方向，并基于预设面积阈值查找植株轮廓，得到各植株的植株轮廓；遍历各植株轮廓，并分别进行骨架化处理，得到各植株的茎秆部位；

基于垄向对茎秆部位进行排序和聚类，得到茎秆位置，基于每相邻两株植株的茎秆位置的距离，判断相邻两株植株间是否缺苗，若缺苗则获取缺苗数。

在本实施例中，通过无人机航拍获得目标区域的航拍图像，通过构建uav(unmannedaerialvehicle，无人机)平台和ai(artificialintelligence，人工智能)技术的高通量表型图像采集系统，该图像采集系统搭载在无人机上面，并通过无人机实现高清图传，高清图像实时传送给内置ai算法的高性能计算机系统进行运算；可随时查看指定区域内的作物苗期表型数据信息。

基于uav平台的空间分辨率高、运营成本低、环境要求低和实时性好的特点可快速获取玉米试验田的高清图像信息，通过结合ai技术的高性能计算机可快速筛选计算分析出有价值的表型数据信息，进而加快遗传改良鉴定的速度，也将促进玉米功能基因组学的发展。

基于uav平台和ai技术的高通量表型采集系统，可降低表型数据获取的成本，加快选育周期，在玉米基因组学和表型组学研究领域有很好的应用前景和经济效益。

具体的，在本实施例中，植株的表型参数包括苗的大小一致性、植株均匀性、缺苗与否、整体出苗率、株距均匀性；单个苗的绿度、占地面积等信息。

在本实施例中，通过对航拍图像进行分割，以每垄所在区域为一个垄向小区，得到田块中每个垄向小区上的植株，并对植株进行分析处理，提取表型参数，以及苗数，出苗率，播种密度，播种质量，覆盖度，叶片绿色等级，苗势，小区整齐度及缺苗数等。

在本实施例中，分割得到田块中的各个垄向小区后，通过图像处理、像素识别即可得到植株表型参数，以及苗数，出苗率，播种密度，播种质量，覆盖度，叶片绿色等级，苗势，小区整齐度；进一步分析缺苗数时，需要进一步获取每相邻两个植株间的距离，以判断是否缺苗，在本实施例中，通过获取植株轮廓、植株茎秆部位，以基于每相邻两个植株茎秆部位间的距离，得到每相邻两个植株间的距离。

在上述实施例的基础上，缺苗数的计算包括查找植株轮廓、计算茎秆部位、平均株距及相邻植株间缺苗数等步骤。

在上述实施例的基础上，获取作物生长区域的图像，具体包括：

设定无人机拍摄间隔时间，以及前后图像、左右图像的重叠度，对目标区域进行多次拍摄；

将拍摄得到的图像进行拼接和3d重建，得到完整覆盖目标区域的航拍图像。

在本实施例中，在进行航拍前，确定航拍区域并规划航线。使用uav规划航线。在设置好飞行高度、图像重叠度及拍摄间隔后，飞行速度会在软件中自动计算生成。设置前后、左右相邻图像的重叠度均为80％，并将相机拍摄间隔设置为2s。此外，需考虑到卫星地图与实际区域之间可能会有偏差，在规划航线时应使航拍区域足够大，以保证其完全覆盖目标区域。

获取拍摄图像后，根据预设的重叠度参数进行图像拼接和3d重建，对拼接图像进行修整和分割，得到完整覆盖目标区域的航拍图像。

在上述各实施例的基础上，对所述航拍图像进行垄向小区识别和背景分割，具体包括：

基于已训练的支持向量机或随机森林分类模型对航拍图片进行像素分割，识别并分割非植物像素和植物像素，得到无背景的植株图像。

svm(supportvectormachine，支持向量机)是一种有监督的机器学习算法，用于分类、回归分析。因为svm内核可以通过改变比例因子来适应大范围的问题，所以在有限的训练数据集中，svm有很好的效果。rf(randomforest，随机森林)是一种组合学习算法(ensemblelearningalgorithm)，该算法基于决策树算法、bagging算法和bootstrapping算法。利用bootstrapping对样本进行抽样，对抽取的每一个样本进行决策树分类，综合每一棵决策树的分类结果，通过投票得到最终分类结果。

基于面积阈值滤波、霍夫变换的直线检测、以及植株行向检测的方法对二值化图像进行处理，删除每个垄上的杂草，然后计算每个垄向小区植株数量以及株距；

在上述各实施例的基础上，得到无背景的植株图像后，还包括：

基于植株像素的比例获取植株冠层覆盖度，并基于连通域算法获取每个垄向小区内的植株数，以及每相邻两植株间的距离。

在本实施例中，植被冠层覆盖度的计算：

gc＝pv/pvs*100％

其中gc为植被覆盖度(％)，pv为植被部分像素的个数，pvs为田块拼接图像中像素总数。

在上述各实施例的基础上，将所述植株图像旋转至垄向水平方向，并依据预设的面积阈值过滤较小轮廓，得到各植株的轮廓图像；遍历各植株轮廓，分别对其进行骨架化；查找各轮廓的中心点作为茎秆部位。

在上述各实施例的基础上，基于垄向方向对茎秆部位进行排序和聚类，得到茎秆位置后，还包括：

对每个垄向的植株的茎秆位置进行线性回归，得到拟合的垄向回归直线；将茎秆位置向垄向回归直线投影，分别计算每相邻投影点间的距离，并将垄向上每相邻投影点间的距离的中位数作为此行植株的平均株距。

在上述各实施例的基础上，根据下式计算相邻植株间的缺苗数，并由此在图像中定位缺苗位置，缺苗数为：

mnij＝round(pdij/apdi+0.5)-1

式中，mnij为第i垄中第j个植株和第j+1个植株间的缺苗数；pdij为第j个植株和第j+1个植株间的距离；apdi为第i垄的平均株距；round为取整函数。

在上述各实施例的基础上，可以通过无人机进行图像采集，手机app进行图像分析处理，基于无人机图传到手机的图像，用户可以框选要分析的小区，通过输入行列数，app可自动进行裁剪和小区划分，手机将图片回传到云端，进行每个小区苗情苗势指标的统计。

图2为本发明实施例提供的一种作物苗情苗势采集分析装置，包括图像获取模块40、茎秆提取模块50和缺苗分析模块60，其中：

图像获取模块40获取目标区域的航拍图像，并对所述航拍图像进行垄向小区识别和背景分割，得到无背景的植株图像；

茎秆提取模块50将所述植株图像旋转至垄向水平方向，并基于预设面积阈值查找植株轮廓，得到各植株的植株轮廓；遍历各植株轮廓，并分别进行骨架化处理，得到各植株的茎秆部位；

缺苗分析模块60基于垄向对茎秆部位进行排序和聚类，得到茎秆位置，基于每相邻两株植株的茎秆位置的距离，判断相邻两株植株间是否缺苗，若缺苗则获取缺苗数。

图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)810、通信接口(communicationsinterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储在存储器830上并可在处理器810上运行的计算机程序，以执行上述各实施例提供的作物苗情苗势采集分析方法，例如包括：

s1、获取目标区域的航拍图像，并对所述航拍图像进行垄向小区识别和背景分割，得到无背景的植株图像；

s2、将所述植株图像旋转至垄向水平方向，并基于预设面积阈值查找植株轮廓，得到各植株的植株轮廓；遍历各植株轮廓，并分别进行骨架化处理，得到各植株的茎秆部位；

s3、基于垄向对茎秆部位进行排序和聚类，得到茎秆位置，基于每相邻两株植株的茎秆位置的距离，判断相邻两株植株间是否缺苗，若缺苗则获取缺苗数。

此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的作物苗情苗势采集分析方法，例如包括：

s1、获取目标区域的航拍图像，并对所述航拍图像进行垄向小区识别和背景分割，得到无背景的植株图像；

s2、将所述植株图像旋转至垄向水平方向，并基于预设面积阈值查找植株轮廓，得到各植株的植株轮廓；遍历各植株轮廓，并分别进行骨架化处理，得到各植株的茎秆部位；

s3、基于垄向对茎秆部位进行排序和聚类，得到茎秆位置，基于每相邻两株植株的茎秆位置的距离，判断相邻两株植株间是否缺苗，若缺苗则获取缺苗数。

本发明实施例还提供本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行如上述的作物苗情苗势采集分析方法，例如包括：

s1、获取目标区域的航拍图像，并对所述航拍图像进行垄向小区识别和背景分割，得到无背景的植株图像；

s2、将所述植株图像旋转至垄向水平方向，并基于预设面积阈值查找植株轮廓，得到各植株的植株轮廓；遍历各植株轮廓，并分别进行骨架化处理，得到各植株的茎秆部位；

s3、基于垄向对茎秆部位进行排序和聚类，得到茎秆位置，基于每相邻两株植株的茎秆位置的距离，判断相邻两株植株间是否缺苗，若缺苗则获取缺苗数。

综上所述，本发明实施例提供的一种作物苗情苗势采集分析方法和装置，通过无人机采集待分析作物的航拍图像，并经过图像处理、人工智能分析软件进行分析，能根据航拍图像即时获取作物的苗情苗势等表型参数，并可多任务多地点同时进行分析，对作物生长的苗期性状进行精准快速的定位，成本低、灵活性高。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。