[发明专利]一种大豆全生育期生物量无损测量方法

说明书

本发明实施例提供一种大豆全生育期生物量无损测量方法、处理器。方法包括：获取每株大豆在每个生育时期的N张大豆图像，N为自然数，其中，N张大豆图像包括大豆的侧视图和顶视图，将大豆图像输入至植株分割模型，以通过植株分割模型提取出每张大豆图像的特征，针对每株大豆，将侧视图的特征和顶视图的特征共同作为大豆的图像特征值，对每株大豆所有的图像特征值进行筛选，以得到每株大豆的最优特征子集，将每株大豆的最优特征子集中的图像特征值输入至预测模型中，以通过预测模型对每株大豆的生物量进行预测。

技术领域

本发明属于农业自动化领域，具体涉及一种大豆全生育期生物量无损测量方法及处理器。

背景技术

大豆是我国重要的经济作物。快速、准确地监测大豆长势信息，对于大豆生长过程中实施精细化管理及产量预测具有重要意义。地上的生物量的积累动态反应了大豆的生长状态，与大豆的生长速度、健康状态、光能利用效率、产量及品质等都息息相关。现有技术中，通过传统的人工测量方法，必须在大田对大豆植株进行破坏性取样后带回实验室进行分析，整个过程耗时、费力、准确性低并且不能对大豆的整个生育时期进行连续性观测。

发明内容

鉴于此，本发明目的在于提供一种大豆全生育期生物量无损测量方法。

发明人通过长期的探索和尝试，以及多次的实验和努力，不断的改革创新，为解决以上技术问题，本发明提供的技术方案是，提供了一种大豆全生育期生物量无损测量方法，包括：

获取每株大豆在每个生育时期的N张大豆图像，N为自然数，其中，N张大豆图像包括大豆的侧视图和顶视图；

将大豆图像输入至植株分割模型，以通过植株分割模型提取出每张大豆图像的特征；

针对每株大豆，将侧视图的特征和顶视图的特征共同作为大豆的图像特征值；

对每株大豆所有的图像特征值进行筛选，以得到每株大豆的最优特征子集；

将每株大豆的最优特征子集中的图像特征值输入至预测模型中，以通过预测模型对每株大豆的生物量进行预测。

在本申请的实施例中，方法还包括对植株分割模型的训练步骤，训练步骤包括：获取多张大豆图像作为样本图像；从样本图像中筛选出符合预设标准的样本图像，并对筛选出的样本图像的图像大小进行调整；对调整后的样本图像中的植株所在区域进行标注；将标注后的样本图像输入至植株分割模型中，以对植株分割模型进行训练。

在本申请的实施例中，训练步骤还包括：将样本图像划分为训练集、测试集和验证集；在对调整后的样本图像中的植株所在区域进行标注之后，将调整后的样本图像和标注后的样本图像按照8：1：1的比例划分，以确定分为训练集、测试集和验证集中的样本图像；将数据转换为VOC2007的数据格式，以对植株分割模型进行训练；首先使用VOC 2012数据集对模型进行预训练，训练模型的特征提取能力。使用预训练获得的权重和训练集中的样本图像对植株分割模型进行正式训练。当模型在验证集上分割的结果不再变化，确定网络基本收敛，植株分割模型训练完毕，使用测试集中样本图片对植株分割模型进行评估。

在本申请的实施例中，正式训练包括第一训练阶段和第二训练阶段，第一训练阶段是指冻结植株分割模型的主干特征提取网络，针对性的训练分类网络，第二训练阶段是指解冻特征提取网络，以对整个植株分割模型进行训练。

在本申请的实施例中，将所述样本图像包括的大豆为全生育时期时的样本图像随机划分至训练集、测试集和验证集；在本申请的实施例中，对每株大豆所有的图像特征值进行筛选，以得到每株大豆的最优特征子集包括：使用skleran库中的RFECV函数对每株大豆所有的图像特征值自动进行特征筛选，以从92个图像特征值中筛选出74个图像特征值，以确定每株大豆的最优特征子集。