一种玉米果穗表型测量方法及系统与流程

本发明涉及机器视觉识别技术领域，尤其涉及一种玉米果穗表型测量方法及系统。

背景技术：

在农业种植领域，玉米果穗是影响玉米产量的主要因素。因此，对玉米果穗的性状考察不仅是是玉米品种鉴定的重要根据，也是玉米遗传育种的重要环节。不同的栽培和育种目标所要求的考种流程和重点指标不尽相同，在常规的玉米性状测试中，果穗称重、果穗长度、果穗直径、果穗形状、突尖长、穗行数、行粒数、籽粒厚度、籽粒类型、籽粒颜色、籽粒排列方式等都是常用的果穗性状。

由于玉米考种的指标多样性和复杂性，传统的考种方法大多依赖于手工操作，占用大量人力资源，工作效率低下，主观误差大。随着现代信息技术的快速发展，特别是计算机图形图像技术以及机械自动化技术在农业领域的深入应用，针对玉米考种问题，引入现代信息技术，设计和实现自动化玉米考种流水线的硬件和软件系统装置，对于推动现代种业与农业信息化发展有着巨大的促进作用。

技术实现要素：

本发明实施例提供一种玉米果穗表型测量方法及系统，用以解决现有技术中人工对玉米果穗表型识别效率低下的缺陷，实现自动高效识别玉米果穗表型的目的。

根据本发明实施例的第一方面，提供了一种玉米果穗表型测量方法，包括：

根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；

提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；

将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；

其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。

在上述技术方案的基础上，本发明实施例还可以作如下改进。

作为一个可能的实施方式，所述根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数包括：

对于待识别玉米果穗图像序列中的每一张图像，使用中值滤波、帧差法与浸水填充算法，提取每一张图像中玉米果穗的主体部分；

计算玉米果穗主体部分的最小外接矩形，进行旋转、裁剪修正，计算玉米果穗形状；

使用均值滤波提取玉米果穗主体部分的局部亮度信息，平衡玉米果穗主体部分图像的亮度，并应用otsu阈值化方法生成二值图像；

从二值图像计算玉米果穗籽粒分布波形图，得到籽粒穗行数和籽粒行粒数；

根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状、籽粒穗行数和籽粒行粒数。

作为一个可能的实施方式，所述根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状包括：

对于任一张图像，计算玉米果穗从穗基部到顶端不同位置的直径与穗基部到顶端的整体长度的比值，得到多个比值；

根据不同位置对应的比值，得到玉米果穗形状。

作为一个可能的实施方式，所述根据每一张图像计算出籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的部分表型参数包括：

提取所述待识别玉米果穗图像序列的每一张图像中玉米果穗中部的籽粒穗行数，对从所有图像提取的玉米果穗中部的籽粒行数求取平均值，作为所述待识别玉米果穗的籽粒穗行数；

提取所述待识别玉米果穗图像序列的每一张图像中玉米果穗每行的粒数，求取平均值，作为所述待识别玉米果穗的籽粒行粒数。

作为一个可能的实施方式，通过如下方式训练所述卷积神经网络：

以每一张玉米果穗图像的灰度直方图和灰度共生矩阵为样本特征，对应玉米果穗的败育、病害程度参数为标签，对卷积神经网络进行训练。

作为一个可能的实施方式，还包括：

通过卷积神经网络识别出一批中每一个玉米果穗的败育、病害程度参数；

根据每一个玉米果穗的败育、病害程度参数，计算一批玉米果穗的结实率。

根据本发明实施例的第二方面，提供了一种玉米果穗表型测量系统，包括：

提取模块，用于从不同角度拍摄的根据待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；以及提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；

识别模块，用于将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，以对待识别果穗的败育、病害程度参数进行识别；

其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。

本发明实施例还提供一种电子设备，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上述任一种所述玉米果穗表型测量方法的步骤。

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如上述任一种所述玉米果穗表型测量方法的步骤。

本发明实施例提供的玉米果穗表型测量方法及系统，将玉米果穗表型作为研究对象，根据其特点，通过设计玉米果穗图像的采集方案，使其在较短时间内可自动、快速地采集较好的玉米果穗图像，分析玉米果穗像的特点，构建玉米果穗主体图像提取模型，并计算果穗形状、籽粒穗行数、籽粒行粒数；通过卷积神经网络，实现了果穗败育、病害程度的计算；最后通过果穗表型参数数据，创建玉米果穗三维模型，进行可视化，通过上述研究，有效地解决了目前人工考种工作效率低下，主观误差大等问题。本发明实施例所采用的玉米果穗表型智能测量方法可以快速而准确得出玉米果穗表型参数结果，可以满足玉米种植过程中的自动化考种、科学选种等需求。

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是本发明实施例提供的一种玉米果穗表型测量方法的流程示意图；

图2是本发明实施例提供的一种玉米果穗表型测量系统的结构示意图；

图3是本发明实施例提供的一种电子设备的结构示意图。

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。

参见图1，提供了本发明实施例的一种玉米果穗表型测量方法，包括：

根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；

提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；

将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；

其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。

可以理解的是，本发明实施例基于机器视觉识别，需要对玉米果穗的表型参数进行自动识别。具体的，对于需要识别的玉米果穗(以下称为待识别玉米果穗)，采用拍摄设备从不同角度拍摄待识别玉米果穗图像序列，图像序列中包括同一个待识别玉米果穗的不同角度的图像。根据待识别玉米果穗的图像序列，提取待识别玉米果穗的部分表型参数，部分表型参数主要包括玉米果穗形状、籽粒穗行数和籽粒行粒数，根据玉米果穗的部分表型参数可以分析玉米果穗的长势和产量。

其中，玉米的表型参数还包括玉米果穗的败育、病害程度参数，对待识别玉米果穗的败育、病害程度参数进行识别时，是通过卷积神经网络识别的。具体的，提取待识别玉米果穗的灰度直方图和灰度共生矩阵，输入训练后的卷积神经网络中，输出待识别玉米果穗的败育、病害程度参数，其中，败育、病害程度参数主要是指玉米果穗的结实率。

待识别玉米果穗的部分表型参数和败育、病害程度参数构成待识别玉米果穗的整体表型参数。

本发明实施例将玉米果穗表型作为研究对象，根据其特点，通过设计玉米果穗图像的采集方案，使其在较短时间内可自动、快速地采集较好的玉米果穗图像，分析玉米果穗像的特点，构建玉米果穗主体图像提取模型，并计算果穗形状、籽粒穗行数、籽粒行粒数；通过卷积神经网络，实现了果穗败育、病害程度的计算；最后通过果穗表型参数数据，创建玉米果穗三维模型，进行可视化，通过上述研究，有效地解决了目前人工考种工作效率低下，主观误差大等问题。本发明实施例所采用的玉米果穗表型智能测量方法可以快速而准确得出玉米果穗表型参数结果，可以满足玉米种植过程中的自动化考种、科学选种等需求。

作为一种可能的实施方式，根据从不同角度拍摄的待识别玉米果穗图像序列，提取待识别玉米果穗的部分表型参数包括：对于待识别玉米果穗图像序列中的每一张图像，使用中值滤波、帧差法与浸水填充算法，提取每一张图像中玉米果穗的主体部分；计算玉米果穗主体部分的最小外接矩形，进行旋转、裁剪修正，计算玉米果穗形状；使用均值滤波提取玉米果穗主体部分的局部亮度信息，平衡玉米果穗主体部分图像的亮度，并应用otsu阈值化方法生成二值图像；从二值图像计算玉米果穗籽粒分布波形图，得到籽粒穗行数和籽粒行粒数；根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状、籽粒穗行数和籽粒行粒数。

可以理解的是，在拍摄时，对于同一个待识别玉米果穗从不同的角度拍摄多张图像形成图像序列，对于每一张图像，均采用上述方法计算得出图像中玉米果穗形状、籽粒穗行数和籽粒行粒数，进而得出待识别玉米果穗的玉米果穗形状、籽粒穗行数和籽粒行粒数。

作为一种可能的实施方式，根据每一张图像计算出的玉米果穗形状、籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的玉米果穗形状包括：对于任一张图像，计算玉米果穗从穗基部到顶端不同位置的直径与穗基部到顶端的整体长度的比值，得到多个比值；根据不同位置对应的比值，得到玉米果穗形状。

可以理解的是，对于任一张图像中的玉米果穗，从玉米果穗的穗基部到顶端不同位置的直径是不同的，而穗基部到顶端的整体长度是固定的，这里穗基部到顶端的整体长度是指以玉米果穗的中心轴为基准的长度。本发明实施例计算玉米果穗的每一个不同位置的直径与穗基部到顶端的整体长度的比值，计算得到各个不同位置的比值，根据一些列比值，可以得到玉米果穗的形状。

作为一种可能的实施方式，根据每一张图像计算出籽粒穗行数和籽粒行粒数，得到待识别玉米果穗的部分表型参数包括：提取待识别玉米果穗图像序列的每一张图像中玉米果穗中部的籽粒穗行数，对从所有图像提取的玉米果穗中部的籽粒行数求取平均值，作为待识别玉米果穗的籽粒穗行数；提取待识别玉米果穗图像序列的每一张图像中玉米果穗每一中等长度行的粒数，求取平均值，作为所述待识别玉米果穗的籽粒行粒数。

可以理解的是，对于拍摄的待识别玉米果穗的图像序列，对于任一张图像，在识别玉米果穗的籽粒穗行数时，主要是提取每一张图像中玉米果穗中部的籽粒穗行数，玉米果穗中部的籽粒穗行数比较准确，对从所有图像中提取的玉米果穗中部的籽粒穗行数求平均值，就可以得到待识别玉米果穗的籽粒穗行数；同样的，提取籽粒行粒数时，也是提取每一张图像中玉米果穗每一行的粒数，对从所有图像中提取的玉米果穗的籽粒穗行粒数求平均值，就可以得到待识别玉米果穗的籽粒穗行粒数。

提取出待识别榆木果穗的部分表型参数后，可大概绘制出玉米果穗的形状，可将识别出的每一个玉米果穗绘制为三维图进行显示。

作为一种可能的实施方式，通过如下方式训练所述卷积神经网络：

以每一张玉米果穗图像的灰度直方图和灰度共生矩阵为样本特征，对应玉米果穗的败育、病害程度参数为标签，对卷积神经网络进行训练。

可以理解的是，在对待识别玉米果穗的败育、病害程度参数进行识别时，是采用卷积神经网络进行识别的。其中，采用有监督学习方法对卷积神经网络进行训练，在训练的过程中，可以拍摄各种不同玉米果穗的多张图像，并提取每一张图像的灰度直方图和灰度共生矩阵作为蓄念样本特征，将每一张图像中玉米果穗的败育、病害程度参数作为标签对卷积神经网络进行训练。训练的过程与传统有监督学习的模型训练过程相似，即将每一组灰度直方图和灰度共生矩阵输入卷积神经网络中，输出对应的败育、病害程度参数，将卷积神经网络输出的败育、病害程度参数与标签中的败育、病害程度参数比较，计算损失，不断调整卷积神经网络的参数，直到损失小于一定阈值。

将待识别玉米果穗图像的灰度直方图和灰度共生矩阵输入训练后的卷积神经网络，输出待识别玉米果穗的败育、病害程度参数。

作为一种可能的实施方式，还包括：

通过卷积神经网络识别出一批中的每一个玉米果穗的败育、病害程度参数；

根据每一个玉米果穗的败育、病害程度参数，计算一批玉米果穗的结实率。

可以理解的是，对于一块土地，其产出的玉米果穗，都可以通过卷积神经网络识别出败育、病害程度参数，进而可以计算同一块土地上产出的玉米果穗的结实率。

参见图2，提供了本发明实施例的一种玉米果穗表型测量系统，包括：

提取模块21，用于根据待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；以及提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；

识别模块22，用于将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，以对待识别果穗的败育、病害程度参数进行识别；

其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。

可以理解的是，本发明实施例提供的玉米果穗表型测量系统与前述实施例提供的玉米果穗表型测量方法相对应，玉米果穗表型测量系统的相关技术特征可参考玉米果穗表型测量方法的相关技术特征，在此不再赘述。

图3示例了一种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)310、通信接口(communicationsinterface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行玉米果穗表型测量方法，该方法包括：根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。

此外，上述的存储器330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。

另一方面，本发明实施例还提供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，计算机能够执行上述各方法实施例所提供的玉米果穗表型测量方法，该方法包括：根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。

又一方面，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玉米果穗表型测量方法，该方法包括：根据从不同角度拍摄的待识别玉米果穗图像序列，提取所述待识别玉米果穗的部分表型参数，所述部分表型参数包括玉米果穗形状、籽粒穗行数和籽粒行粒数；提取所述待识别玉米果穗图像序列的其中一张图像的灰度直方图和灰度共生矩阵；将所述灰度直方图和灰度共生矩阵输入卷积神经网络中，输出待识别果穗的败育、病害程度参数；其中，所述待识别玉米果穗的部分表型参数和败育、病害程度参数为待识别玉米果穗的整体表型参数。

本发明实施例提供的玉米果穗表型测量方法及系统，通过设计玉米果穗图像的采集方案，使其在较短时间内可自动、快速地采集较好的玉米果穗图像，分析玉米果穗像的特点，构建玉米果穗主体图像提取模型，并计算果穗形状、籽粒穗行数、籽粒行粒数；通过卷积神经网络，实现了果穗败育、病毒程度的计算；最后通过果穗表型参数数据，创建玉米果穗三维模型，进行可视化，通过上述研究，有效地解决了目前人工考种工作效率低下，主观误差大等问题。本发明实施例所采用的玉米果穗表型智能测量方法可以快速而准确得出玉米果穗表型参数结果，可以满足玉米种植过程中的自动化考种、科学选种等需求。

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，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。