基于深度学习的大田水稻稻穗分割及无损产量预估研究

发布时间：2020-03-18 07:05

【摘要】：水稻作为我国主要的粮食作物和重要的经济作物,可持续增产一直是水稻育种研究的首要目标。随着我国人口数量的迅猛增长,稻米的消费量也越来越高,人多地少的现状还很难在短时间内得到缓解,因此,高产品种水稻的选育也就成了田间水稻研究的重点。传统的田间水稻产量测量方法大多采用的是有损的方式,即水稻收获后,进行脱粒,扬净,晒干和称重等一系列步骤,然后折算出最终的产量。该方法耗时耗力,并且操作中极易由于操作失误而引入人工误差。而无损估产的方式大多采用田间气象模型或者光谱指数法,通过提取具有代表性的气象特征或者光谱因子,然后构建合理的产量预测模型,但该方法的计算量较大,且需要依赖大量的外部数据支撑,实用价值不高。因此,快速而精准的田间水稻估产仍然是现阶段水稻研究的重点。本论文提出了一种基于图像的田间水稻产量预估新方法。稻穗作为水稻重要的营养生殖器官,稻穗的穗长、穗粒数等表型性状与其最终产量息息相关。因此,在基于图像的水稻产量预估研究中,稻穗区域的精准分割是产量预估的前提,也是最为关键一步。本研究首先采用数码相机获取田间不同角度的水稻小区高分辨图像,然后利用深度学习技术设计并提出了三种不同的稻穗分割算法(即:Panicle-SEG,Panicle Net和Panicle Net v2),比较了三种分割算法在稻穗分割精度,召回率,F值,交并比和效率等方面的优劣,同传统的分割算法相比,基于深度学习的分割算法展现出了优良的分割性能。对于分割好的水稻小区稻穗图像,本文从三个角度进行了稻穗的特征提取。首先是基于小区的尺度,重点提取了稻穗小区在颜色,纹理,形态以及一些尺度不变的特征描述。然后考察了单一稻穗的细节图像特征,提取了稻穗的穗长和稻穗面积。最后分析了单株水稻的谷粒考种特征。本文的稻穗特征提取角度多样,更加全面的提取了稻穗的特征描述。针对提取到的大量稻穗特征,本文探讨了基于多种特征自变量组合情况下的回归模型构建方法。尝试了包括线性和非线性模型在内的不同模型构建形式,分析对比了各个产量模型在回归性能优劣。从最终的产量预测结果来看,基于图像的无损水稻估产方法为精准的早期稻田估产提供了可能,并且其为深度学习技术在农业上的应用提供了成功案例。这种早期的水稻估产,使得农户能及时了解不同水稻田块的产量丰缺情况,调整管理和培育措施,总结经验与不足,分析影响产量的主要因素,为水稻测产和育种研究提供了一种新思路。
【图文】：

特征图,计算原理,卷积,卷积核

图 1.1 卷积神经网络中卷积层作用与计算原理Fig 1.1 Convolution layer function and computational principle in CNN个卷积核都会计算它们的权重与对应相连的输入特征图像素的点积。这里算为卷积核上的权重值和特征图上对应区域中像素的灰度值相乘然后求和

方向图,卷积核,特征图,步长

输入卷积层的宽度为 7，高度也为 7，那么当采用步长为 S 1，零填充P 0时，如图1.2A 所示，卷积核会逐像素的在输入特征图上滑动，第一次计算如红色方框所示，第二次为蓝色方框，第三次滑动到绿色方框描述的区域。从左到右，从上到下滑动完全部输入特征图后，其输出的空域会比原图的四周要少一个像素，即黑色虚线框描述。也就是说，采用步长为，零填充这种方式，卷积层的输出大小不会改变太多，但是输出会比输入特征图的空域少了一个卷积核的半径。采用步长为 S 2，零填充时的情况如图 1.2B 所示，由于步长为，也就是卷积核会每隔一个像素在输入的特征图上滑动，红色方框，蓝色方框和绿色分别展示了三次卷积计算的过程，，如图 1.2B 所示，3×3 大小的特征图为最终的输出结果。可以看出采用了 S 1的卷积核之后
【学位授予单位】：华中科技大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：S511;TP181

【参考文献】