[发明专利]一种自动无损提取大豆植株表型的方法

说明书

本发明公开了一种自动无损提取大豆植株表型的方法，包括：获取大豆植株图像，将大豆植株图像输入至预先训练的YOLOv5s‑S神经网络模型中识别豆荚区域和茎区域，获得豆荚和茎秆的坐标信息，并根据豆荚的坐标信息获取豆荚个数，采用训练后的Usupgt;2/supgt;‑Net神经网络模型对大豆植株图像进行语义分割，获得伪彩色分割图，对大豆植株图像进行二值化处理，获得二值化图像，将伪彩色分割图和二值化图像进行叠加，采用基于A*搜索的路径搜索算法对叠加后的图像进行处理，获得株高、有效分枝数以及分枝长度。本发明的自动无损提取大豆植株表型的方法可以在一次扫描中计算大豆植株的豆荚个数，识别所有有效分枝，测量植株高度和分枝长度，具有令人满意的精度。

技术领域

本发明涉及农学技术领域，特别涉及一种自动无损提取大豆植株表型的方法。

背景技术

大豆是世界上最重要的豆类作物之一，也是人类优质蛋白的主要来源。大豆的营养价值在一定程度上有助于预防心脏病和糖尿病。由于大豆在现代经济环境中发挥着重要作用，培育优质高产大豆品种成为育种专家关注的焦点。大豆的表型分析有利于筛选出优良品种，是作物育种的重要过程，也是培育优质大豆的关键步骤。获取茎相关的表型数据一直是大豆植株表型提取的难题，以往茎相关的表型主要通过人工获取，需耗费大量的人力物力，而且时间成本大，难以满足育种家的需求，人工观察的准确性和可靠性也易受主观影响。

现有申请号为CN202210870626.2、公开号为CN115205834A的中国发明专利公开了一种大豆植株茎相关表型自动获取方法，该方法通过将目标检测和定向搜索相结合，以识别成熟植株中的有效分枝数、分枝角度、主茎长度和茎曲率，但这种方法针对分枝较多、分枝向下弯曲的植株会提取出错，而且该大豆植株表型获取方法是通过直线连接茎节，不能反映真实的茎秆脉络。而且在实际生产中，植株通常存在豆荚密集、茎秆被遮挡严重、分枝数较多以及有二级分枝等问题，加大了表型提取的难度，目前没有完整的方法可以获取大豆植株分枝长度的表现型。

发明内容

本发明提出一种SPP-extractor(Soybean Plant Phenotype Extractor，大豆植株表型提取)算法，旨在自动和非破坏性地从密集生长和完整的大豆植株中提取豆荚相关和茎相关的表型特征，不仅能够提高对大豆植株表型提取的效率，而且表型提取结果具有较高精度，对大豆育种研究具有重要意义。

为实现上述目的，本发明提供了一种自动无损提取大豆植株表型的方法，所述方法包括以下步骤：

获取大豆植株图像；

将所述大豆植株图像输入至预先训练的YOLOv5s-S神经网络模型中，对所述大豆植株图像中的豆荚区域和茎区域进行识别，根据识别结果分别获取豆荚的坐标信息和茎秆的坐标信息；

根据所述豆荚的坐标信息获取豆荚个数；

采用训练后的U²-Net神经网络模型对所述大豆植株图像进行语义分割，获得伪彩色分割图；

对所述大豆植株图像进行二值化处理，获得二值化图像；

将所述伪彩色分割图和所述二值化图像进行叠加，采用基于A*搜索的路径搜索算法对叠加后的图像进行处理，获得大豆植株茎相关表型特征。

优选地，所述将所述大豆植株图像输入至预先训练的YOLOv5s-S神经网络模型中，对所述大豆植株图像中的豆荚区域和茎区域进行识别的步骤之前，所述方法还包括：

获取大豆植株图像，使用LabelImg图像标注工具对大豆植株的豆荚和茎秆进行标注，将豆荚尖端区域标注为豆荚类，将茎秆上的连续区域标注为茎秆类，获得目标检测数据集；

将所述目标检测数据集输入至基于SE注意力机制的初始YOLOv5神经网络模型进行迭代训练，得到预先训练的YOLOv5s-S神经网络模型。