[发明专利]一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法

说明书

本发明公开了一种基于图像金字塔的田间稻穗计数算法HW‑Faster‑RCNN，实现针对稻穗尺寸相对较小且数量超过50的大田水稻图像的自动计数。首先，分析感受野大小选择合适的特征学习网络，根据稻穗尺寸大小计算合适的输入图像尺寸；其次，基于输入图像尺寸范围切割原始图像，设计并构造图像金字塔增大稻穗的相对尺寸；然后，基于图像金字塔构建混合视窗数据集并使用HW‑Faster‑RCNN网络训练稻穗计数模型；最后，分割待测试图像后使用稻穗计数模型对其子图分别计数，设计破损穗融合算法去除重复计数。结果表明根据穗尺寸选择特征学习网络和设计图像金字塔显著提高了小尺寸稻穗的计数准确率，HW‑Faster‑RCNN的平均计数准确率和错检率分别为87.23％和4.60％，能够实际应用于大田复杂场景下的水稻稻穗自动计数。

技术领域

本发明属于植物表型检测技术领域，是图像金字塔算法、基于深度学习的目标检测算法与水稻稻穗数量性状自动检测的交叉领域。提出一种可用于田间自然生长的成熟期水稻的最佳特征学习网络选择、图像金字塔设计与构造以及对稻穗数超过50的单幅图像自动计数的综合方法。

背景技术

水稻是亚洲地区主要的粮食作物之一。准确的产量预估能为科学的生产决策提供依据。水稻等谷类作物产量主要由单位面积穗数(穗密度)、穗粒数以及千粒重三个农学指标决定。已有研究表明，单位面积的穗粒数是与粮食产量最为相关的农学性状。单位面积的穗粒数一般通过结实率和单位面积穗数估算，因此，快速和准确的获取单位面积的水稻穗数是许多育种家们所希望的。目前，在水稻栽培或育种研究中，穗数常通过人工统计来获得，需要花费巨大的时间和人力成本；另一方面由于不同植株间形态的相似性和观察者的主观性，在大面积生产场景下稻穗计数是非常困难和容易出错的。因此，无论是快速估产的实际生产需要还是表型参数检测的科研需要，都需要一种快速且相对准确的自动计数方法。

近年来，随着表型检测技术的发展，基于数字图像的植物叶片和水果果实自动计数研究已有先例。在穗自动计数研究中，主要分为基于颜色或纹理的分割方法和基于候选区域的分类方法两类。穗分割方法通过抽取穗的颜色或纹理等特征实现穗的分割并计数，代表性的方法主要包括分水岭算法、OTSU算法等。穗分割的方法处理速度较快，但需考虑光照变化带来的阴影、穗和叶片颜色不均等影响；当图像中待分割目标和无关目标数量增加时，抽取穗的代表性特征是困难的，计数精度下降明显。基于候选区域的分类方法生成穗的候选区域降低叶片等噪声的干扰，对候选区域进行分类(穗或背景)并计数。此类算法的关键环节是候选区域的生成，候选区域的质量直接影响分类模型的训练数据质量、分类能力和穗的计数精度。常用的一类方法是利用颜色或纹理等特征生成候选区域，如基于I2颜色平面的滞后阈值和Laws纹理能量生成穗部候选区域，进一步训练BP神经网络对候选区域进行分类并计算穗数。另一类方法通过引入超像素提高候选区域的精度，如基于超像素的融合生成候选区域。超像素通过聚类将相似的像素点划分为子区域，保留物体的边界信息提高了分割的精度，但是需要消耗大量的计算资源。相较于分割法，基于候选区域的分类方法通过训练分类器进一步剔除候选区域中无关目标，一定程度上提高了计数精度；但是当待分割目标和无关目标数量增加时，生成只包含穗或叶的高质量候选区域是困难的，含有噪声的候选区域抑制计数的准确率。

不同作物各自的生长特点也导致对于不同作物的计数难度存在差异。，大田下水稻的生长环境复杂，高种植密度下单位面积内含有数量众多的稻穗和叶片，稻穗与叶片之间遮挡和贴合严重；稻穗的尺寸相对较小；不同于小麦，成熟期的水稻稻穗因自重下垂，光照的不均匀导致不同稻穗间颜色差异巨大；这些都导致基于图像的田间水稻稻穗自动计数是困难的。此外，现有的基于颜色或纹理的分割方法和基于候选区域的分类方法主要集中在单幅图像穗数少于30的场景下，当待计数的稻穗和无关的叶片、杂草等数量增加时精度普遍不高。

稻穗计数的本质是复杂场景下稻穗的识别与定位，这与目标检测(Objectdetection)解决的目标识别和目标定位是一致的，因此将田间稻穗计数问题转化为田间稻穗检测问题是可行的。

发明内容