[发明专利]一种智能化高通量测算大田油菜花序密度的方法及应用

说明书

本发明公开了一种智能化高通量测算大田油菜花序密度的方法及应用，方法包括：采用无人机搭配RGB照相机在油菜整个开花期间隔采集油菜田影像，制作成油菜花序数据集；采取花簇(花序)检测计数策略，以油菜花簇的检测框数目作为花簇计数输出；针对油菜花簇小目标的特点结合深度学习的方法，设计一种结合CBAM注意力机制的YOLOv5网络模型检测方法；用大田的数据集建立油菜花序数测算模型并进行模型测试与优化。本发明可实现大田油菜整个开花期内单位面积花序总数的快捷、精准与高通量测定，所获取的油菜花序密度数据可以用来评估大田油菜长势和估算油菜单产水平，有助于了解油菜等作物的生长发育状况，为它们的智能高效化品种选育提供了重要新型工具手段。

技术领域

本发明属于油菜遗传育种与油菜农田生产领域，具体涉及一种智能化高通量测算大田油菜花序密度的方法，借助无人机遥感影像和人工智能策略测算大田油菜开花期花序密度，并利用花序密度数据预测油菜长势和单位面积产量等，还涉及到其估测油菜单产及评估油菜长势/生物量方面的应用，可大幅度提高油菜优异品种选育效率。

背景技术

油菜是我国第一大油料作物，在保障国家食用油供给安全方面占据着重要地位。油菜的产量由单位面积角果数、每角粒数和千粒重构成，增加单位面积角果数是提高油菜单产的重要途径。油菜的角果由花器官发育而来，着生在油菜主花序与分枝花序上，每一朵花都有潜力发育成为一个角果。针对油菜主栽品种的农艺学研究表明：在各产量相关性状中，油菜分枝数与主花序长度对油菜单产的影响居高靠前。因此，适当增加分枝数从而提高单位面积角果数成为油菜的主要育种目标。开花为油菜从营养生长转化为生殖生长后的一个重要阶段，通常油菜开花期持续30天左右。开花旺盛程度不仅可以反映油菜苗期长势，同时也可以反映油菜分枝状况。调查油菜开花旺盛程度对了解油菜整体长势和预估产量具有重要意义。油菜开花期内花朵密集(高达上千个/平米)，且开花过程进展很快，是难以通过人工下田实地计数的方法来实现对油菜开花性状的精准调查。此外，开花期内的人工实地调查会对油菜后期生长产生严重不良影响。一直以来都缺乏对大田油菜开花信息有效调查估测的手段方法。遥感技术在农业中的应用已成为一种趋势。它可以在不破坏大面积农作物结构的情况下获取不同时空的多尺度作物冠层信息，有效地广泛应用于精准农业，产量预测等。然而，固定周期的图像采集，低空间分辨率的不足限制了卫星遥感技术在精准农业上的发展。近几年，无人机(UAV)技术发展迅速，它根据需要支持不同分辨率的图像，并能随时获取现场数据。

目前植物领域的计数问题在计算机学科中被认为是一个目标计数问题，有研究者将该问题视为密度估计问题，但这些相关方法丢弃了目标的位置信息，计数位置的不可解释性限制了油菜花簇的计数性能。有研究人员将该问题作为目标检测任务处理。目标检测是计算机视觉领域的一项基本任务。检测算法一般分为两类，一阶段网络和二阶段网络。二阶段网络以Faster-RCNN为代表，它是一种传统的目标检测网络，适用于各种植株及植株器官的检测，其特性是第一阶段先训练生成目标候选框，第二阶段训练完成目标检测，二阶段网络优点是精度高，但存在速度慢，实时性差的缺点。而单阶段网络以YOLO系列为代表，将检测视为一个回归过程，输入原始图像可直接得到物体的位置和类别信息，检测速度快，实时性强，但精度低于二阶段网络。YOLOv5作为单阶段经典深度识别端到端网络模型，是YOLO系列的最新版本。这种模型能够显著提高检测效率，同时保持现有模型的检测精度，是高通量检测的最佳选择之一，但油菜花簇属于小目标，YOLOv5存在对小目标检测不够敏感的缺陷，容易漏检，降低了对油菜花簇的检测与计数能力。

发明内容

有鉴于此，本发明的目的在于提供了一种智能化高通量测算大田油菜花序密度的方法，结合无人机RGB影像与深度学习策略测算大田油菜花序密度，针对油菜花小、密集等特点训练而成，对计数的准确性有起到积极效果，可实现大田油菜整个开花期内单位面积花序总数的快捷、精准与高通量测定。

本发明还有一个目的在于提供了一种前述的方法在估测油菜单产及评估油菜长势/生物量方面的应用，通过对大田油菜花序的自动检测与计数，有助于了解油菜等作物的生长发育状况，有助于解析油菜籽粒产量的影响因素和辅助预测油菜籽粒单产，可大幅度提高油菜优异品种选育效率。