[发明专利]基于深度学习的大田稻穗分割方法

说明书

本发明公开了一种基于深度学习的大田稻穗分割方法。该方法设计了用于分割大田稻穗的深度全卷积神经网络模型。网络的前半部分采用了ResNet‑101层，并加入Squeeze and Excitation Module结构来进行特征层重要性的筛选。将原始ResNet‑101网络模块4和模块5中全部的传统卷积层替换为空洞卷积层，步长由2改成1。网络的后半部分采用了空洞金字塔池化和金字塔池化的结构。该方法能克服不同品种及生育期的水稻稻穗颜色、形状、大小、姿态、纹理的巨大差异、稻穗边缘严重不规则、穗叶颜色混叠及田间不均匀且变化的光照、遮挡、刮风等因素的影响，实现对不同品种及生育期大田稻穗的准确分割。相比现有技术而言，具备精度高、适用性强的技术优势。

技术领域

本发明属于农业自动化领域，具体涉及水稻表型参数自动化测量，尤其涉及一种基于深度学习的大田稻穗分割方法。

背景技术

水稻的生产和分配关系到世界半数以上人口的粮食安全问题。高产一直是水稻育种与栽培的重要目标之一。在水稻育种与栽培相关领域研究中，需要测量大量候选样本在不同环境下的产量，为培育高产、优质、抗逆的水稻品种提供科学依据。稻穗是水稻谷粒着生的器官，穗部性状与水稻产量直接相关。稻穗在水稻病虫害检测、营养诊断及生育期检测等方面也起着非常重要的作用。因此，稻穗的准确分割，是获取水稻穗部性状、实现水稻表型自动化测量的关键步骤。不同品种及生育期的水稻稻穗外观表现如形状、颜色、大小、纹理、姿态等存在较大差异，稻穗边缘严重不规则，穗叶颜色也存在很大程度的混叠。田间自然环境复杂，水稻不同器官间相互遮挡，光照不均匀且不断变化，这些因素都使得复杂大田环境下的稻穗分割成为了一个非常困难的问题。

陈含等(2013)通过Sobel边缘检测实现麦穗分割，该方法要求图像中的麦穗相互独立、无交叉重叠。刘涛等(2014)基于颜色特征分割麦穗，Tang等(2012)开发了一种基于H分量的分割算法HSeg，用于分割玉米穗。基于颜色特征的分割方法处理速度快，实现简单，其不足在于颜色易受到光照等因素的影响，只适用于特定生育期及天气。普通的基于像素的分割极易产生噪声，为了克服这一问题，可将输入图像进行初步分割，生成候选区域，提取候选区域特征，判定候选区域是否为穗，达到准确分割的目的(赵锋等，2014；Zhu etal.，2016；Duan et al.，2015；Lu et al.，2015)。

深度学习技术基于大数据驱动，具有优越的分类能力，引起了学术界的广泛关注。Pound等(2016)利用滑动窗口的方式提取子图，由卷积神经网络(CNN)识别子图中物体类型，实现了小麦根部及地上部分特征部位如根尖、穗尖、穗基部等的识别。公开号为CN106096655的发明专利提出了一种基于深度学习的光学遥感图像飞机检测方法，公开号为CN105590319的发明专利提出了一种基于深度学习的图像显著性区域检测方法，然而这些方法都只能用于物体识别与检测，而无法直接应用于图像分割。公开号为CN103914841的发明专利提出了一种基于超像素和深度学习的细菌分割与分类方法及其应用。然而，该方法需要利用细菌在颜色、形状和尺寸的先验知识，对每个超像素区域进行初步滤波获取候选细菌区域，由深度学习进行分类，仅适用于颜色、形状和尺寸比较固定的物体的分割。而不同品种及不同生育期的水稻稻穗外观表现如颜色、形状、大小、姿态、纹理等都存在非常大的差异，稻穗边缘严重不规则，穗叶颜色也存在很大程度混叠，田间自然环境的复杂性如不均匀且变化的光照、遮挡、刮风等也会极大地影响稻穗的外观表现。上述方法无法直接应用于大田稻穗的分割。Xiong et al.(2017)提出了一种基于超像素分割和CNN的稻穗分割算法-Panicle-SEG。该算法利用超像素分割技术中的简单线性迭代聚类方法，将具有相似特征的相邻像素构成图像块即超像素，由CNN判别超像素类别实现稻穗的初步分割，并由基于熵率的超像素分割方法对初步分割结果进行优化，最后，去除小区域得到最终的分割结果。Paniele-SEG算法能很好地应用于不同品种及生育期的稻穗分割问题，其缺点在于算法分割精度不高、耗时较长。段凌凤等在SegNet的基础上，开发了用于稻穗分割的深度全卷积网络。

发明内容

(一)要解决的技术问题