[发明专利]基于卷曲叶片检测的玉米干旱识别方法

说明书

本发明涉及玉米干旱识别技术领域，通过对干旱胁迫下玉米卷曲叶片的检测对玉米干旱进行识别。本发明通过获取干旱胁迫下玉米数字图像，通过玉米卷曲叶片的检测对玉米干旱进行及时的诊断和识别，基于卷曲叶片检测的干旱识别是一种快速、无损、直接的干旱监测方法，目标检测算法不仅能检测出卷曲叶片，而且能对卷曲叶片进行定位并分割出卷曲叶片。

技术领域

本发明涉及农作物干旱识别领域，具体地，涉及一种基于卷曲叶片检测的玉米干旱识别方法。

背景技术

干旱是影响玉米产量的主要因素之一，快速，及时的玉米干旱监测对保障玉米产量具有重要的作用，传统的干旱监测方法有土壤水分、农业气象预报和人为诊断等，虽能对玉米干旱做出判断，但具有滞后性。在干旱胁迫下玉米植株表现出一系列的表型特征，如叶片萎焉，卷曲，植株生长缓慢等，其中叶片卷曲是玉米干旱胁迫最显著的特征之一。随着计算机视觉和作物表型组学的发展，传统的机器学习和深度学习算法广泛的应用于农作物生物或非生物胁迫的识别(Singh et al.,2016；Singh et al.,2018)，而常用的图像识别和分类算法是对一张图像的内容进行识别和分类，然而在农业生产实践中特别是大田条件下一幅图像可能包含多种物体(比如作物和杂草，不同作物)或者是有多种胁迫的作物，如包含不同的病虫害或由于土壤水分分布不均，导致在大田条件下采集的一幅图像里既有适宜水分的植株，也有干旱萎焉的植株(An et al.,2019)。在一幅图像包含多物体，多目标情况下，受到复杂的图像背景及多物体之间的相互影响，常用的图像识别算法无法对图像进行精确的识别和分级。因此图像识别算法在多物体识别中仍然存在问题。计算机视觉技术应用于生物或非生物胁迫的防灾减灾和监测预警中不仅要对图像中生物或非生物胁迫进行正确的识别和分级，而且要对目标位置进行精确的定位，以便我们采取合适和准确的防灾减灾措施，保障作物正常生长，提高作物产量水平。

目标检测是使用计算机视觉中目标检测算法对一幅图像中目标物体进行识别，分类和定位。目标检测算法既要识别出图像中物体的类别，也要找出物体在图像中的位置(Felzenszwalb et al.,2010)。近年来，随着计算机视觉和人工智能的发展，目标检测方法逐渐应用于农作物生物或非生物胁迫监测预警的应用研究中。吴露露等(吴露露等，2014)基于90幅农作物病害图像使用边缘检测和Hough变换算法对作物病害进行检测，其检测的拟合精度为87.01％，定位误差为4.44％。谢忠红等(谢忠红等，2010)提出了一种基于Hough变换的果实检测方法，使用2R-G颜色分量进行图像分割，采用模板匹配方法检测果实轮廓。结果表明该方法能准确的对类圆果实进行检测。Xia et al(Xia et al.,2018)使用深度学习模型对24中昆虫进行识别，在模型中应用区域建议网络(Region Proposal Network)对图像进行处理生成目标建议窗口，试验结果表明深度学习模型能得到很高的精度。尽管目前基于深度学习的目标检测算法在人脸和车辆识别方面应用广泛(Li et al.,2016)，但在农业领域，特别是农业生物或非生物胁迫识别方法研究较少，

Hasan et al(Hasan et al.,2018)在大田条件下获取10个小麦品种的数字图像，使用R-CNN对小麦麦穗进行精确的检测和计数，计算小麦麦穗的密度对小麦产量进行预测。Tian et al(Tian et al.,2019)使用数码相机获取不同生育阶段的苹果图像，使用改进的目标检测算法YOLO3对不同生育阶段下的苹果进行检测，同时比较YOLO3与YOLO2和FasterR-CNN对苹果检测的效果，结果表明YOLO3有更好的检测性能。干旱主要的非生物胁迫之一(李茂松等，2005)。在干旱胁迫下，玉米水分代谢和光合作用受阻，玉米植株表现出叶片萎焉，发黄，卷曲，失去光泽等性状，而叶片卷曲是玉米干旱胁迫表型中最为典型的表型特征之一(Kadioglu et al.,2012)，在其他生长环境条件一定的情况下，玉米叶片卷曲可视为主要由干旱胁迫造成。因此本文期望通过对玉米卷曲叶片的检测对玉米干旱进行精确识别，为玉米干旱胁迫的防灾减灾提供及时准确的信息，对提高灌溉的精确性和及时性，保障玉米丰产稳产，同时，该方法也可应用到其他作物生物或非生物胁迫检测和识别方面，如病虫害的精确检测和识别。