[发明专利]一种水稻有效穗快速检测方法

说明书

本发明公开了一种水稻有效穗的快速检测方法，实现对稻田复杂环境下水稻有效穗的高通量智能计数；所述快速检测方法包括：采集水稻稻茬图像、利用深度卷积神经网络方法检测水稻有效分蘖以及计算水稻有效穗数，具体步骤为：用镰刀在距离地面2‑3厘米处割下整株成熟期水稻植株，然后在距离地面13‑20厘米的位置用智能手机或者照相机等移动采集设备采集稻茬样本图像；用Labellmg软件进行人工数据标注，建立水稻稻茬图像数据库，包括训练集、验证集和测试集；为得到最优的水稻有效穗检测模型，基于其他训练参数保持一致的前提下，利用三种不同的主干网络配合两种训练方法，分别对水稻稻茬图像进行相应训练并组建相应模型；对选出的最优模型进行参数优化，得到最终的水稻有效穗快速检测模型。与现有技术相比，本发明可实现水稻有效穗数的高通量、快速以及准确获取，具有较高的实际应用价值。

技术领域

本发明涉及水稻有效分蘖检测，尤其涉及一种水稻有效穗快速检测方法，属于目标检测领域。

背景技术

水稻产量对人类的生存至关重要，而水稻有效穗数与水稻产量密切相关。同时，水稻有效穗数也是水稻研究(如基因鉴定、干旱胁迫等)的重要组成部分。水稻有效穗数一般在水稻成熟期的时候被统计。因此，快速准确地评估水稻有效穗数是非常重要的。而在水稻产量评估中获取水稻有效穗数的方法仍然主要依靠人工：用镰刀将整株成熟期水稻植株割下，然后逐一计算有效穗数。在现代水稻育种中，需要利用有效穗数性状来评价所生产的数百个新品种。然而，有效穗数的测量方法仍然主要依赖人工，该方法不仅过程繁琐、耗时，而且主观误差较大。因此，开发一种水稻有效穗快速计数是水稻育种和水稻产量评估来说是非常重要的。

目前，关于自动评估作物表型性状的研究已经发展得较好，如基于田间的表型平台(FBP)、数字植物表型平台(D3P)和高梁高度自标定方法等。以上表型平台能满足高通量获取植物表型参数的需求，但其获取的植物表型参数主要是与作物生长期相关的，而不是与作物成熟期产量相关的参数。作物产量相关表型性状对作物改良和育种具有重要意义。因此，许多研究机构都开始注重开发产量相关的表型自动评估工具，例如利用改进的傅里叶级数法来分割黏连谷粒、用图像处理方法测量水稻稻穗长度以及开发算法计算水稻小穗数等。虽然以上基于图像处理的方法已被证明可行，能自动测量水稻产量相关表型性状，但该方法不能有效计算水稻有效穗数，因为大多数水稻有效穗都会被大量的稻叶遮挡。最近，有人将深度学习模型应用于水稻稻穗的自动计数，其精度达86.8％，表明该方法可以有效地对水稻稻穗进行计数。但由于该采集方法精度还不足够高，图像采集设备成本高，不适合在实际中广泛应用。

为了计算水稻有效穗数，目前大多数方法是从水稻冠层位置来识别和计算水稻有效穗数。但成熟期的水稻有效穗常被大量稻叶遮挡，导致不能准确计算。此外，水稻有效穗和水稻有效分蘖是密切相关的，水稻有效穗来自水稻有效分蘖。田间环境下的作物表型检测仍然是当前育种进展的瓶颈。深度卷积神经网络方法是一种广泛应用于农业领域的检测方法，可用于复杂环境中目标的准确识别与检测。该方法可为水稻有效穗的计数提供较高的精度和效率。因此，本发明公开了一种水稻有效穗快速检测方法，该方法能准确评估水稻有效穗数。因此，将水稻有效穗检测问题转化为基于深度卷积神经网络方法的水稻有效分蘖检测问题是可行的。

发明内容

本发明为能快速、准确获取稻田环境下水稻有效穗数，将水稻有效穗检测问题转化为水稻有效分蘖检测问题，该发明能快速、准确获取水稻有效穗数，对水稻育种和水稻测产等工作有实际意义。

本发明的目的可以通过以下技术方案来实现：

一种水稻有效穗快速检测方法，包括以下步骤：

S1：采集水稻稻茬图像；

S2：利用深度卷积神经网络方法检测水稻有效分蘖，计算水稻有效穗数。进一步地，所述步骤S1的具体步骤为：

A1：采用镰刀将整株成熟期的水稻割下，割高为3厘米；

A2：将割下的成熟期水稻移开，远离稻茬位置；