基于改进Bayes抠图算法的麦穗小穗自动计数方法

发布时间：2021-10-11 21:30

　　小麦产量评估需人工获取田间单位面积的麦穗数和麦穗小穗数,往往耗时耗力。为了实现高效、自动地麦穗小穗计数,提出一种基于改进Bayes抠图算法的麦穗小穗自动计数方法。该方法首先利用改进Bayes抠图算法对获取地自然生长条件下的麦穗图像进行抠图,将麦穗从自然背景中分割出来。然后对该图像进行平滑滤波和二值化,运用迭代极限腐蚀运算对二值化图像进行腐蚀处理,去除麦穗图像中的麦芒,分离出麦穗上每个单独的麦穗小穗。再运用面积滤波滤除掉面积过小的区域,对剩余区域的黑洞进行填充,由此每个单独的麦穗小穗形成一个单独的连通区域,最后对连通区域进行标记和计数,完成麦穗小穗的自动计数。使用4个小麦品种的麦穗图像对麦穗上的小穗进行计数验证,结果表明,该方法在识别4个品种田间麦穗单幅图像中小穗数量的平均计数精度达到94.53%,平均相对误差为5.47%,对比已有麦穗小穗自动计数方法,计数精度显著提高,这对于小麦在线产量预估具有重要意义。 

【文章来源】：中国农业科技导报. 2020,22(08)北大核心CSCD

【文章页数】：8 页

【部分图文】：

麦穗原始图像

分别从西农529、西农511、西农583、陕农33小麦样本中各选取40个,进行人工实测计数和本文算法计数的统计分析比较,结果如表1所示。由表1可以看出,与人工实测计数相比, 西农529统计误差是4.92%,统计精度95.08%;西农511统计误差是5.33%,统计精度94.67%;西农583统计误差5.79%,统计精度是94.21%,陕农33统计误差是5.84%,统计精度是94.16%。对于4种小麦品种的麦穗小穗计数,其平均统计误差是5.47%,平均统计精度是94.53%。图3 4个品种小麦图像预麦穗小穗数与实测麦穗小穗数的线性相关关系

图2 麦穗图像处理结果表1 人工计数与算法计数统计比较Table 1 Statistical comparison between manual counting and algorithm counting 小麦品种Wheat variety 人工统计Manual statistics 算法统计Algorithm statistics 统计误差Statistical error/% 统计精度Statistical accuracy/% 西农529 Xinong 529 1 341 1 275 4.92 95.08 西农511 Xinong 511 1 332 1 261 5.33 94.67 西农583 Xinong 583 1 365 1 283 5.79 94.21 陕农33 Shaannong 33 1 353 1 274 5.84 94.16 平均 Average - - 5.47 94.53

【参考文献】：
期刊论文
[1]冬小麦产量结构要素预报方法[J]. 张佩,陈郑盟,刘春伟,王福政,江海东,高苹.  农业工程学报. 2020(08)
[2]小麦生物量及产量与无人机图像特征参数的相关性[J]. 杨俊,丁峰,陈晨,刘涛,孙成明,丁大伟,霍中洋.  农业工程学报. 2019(23)
[3]基于混合群智能算法优化BP神经网络的粮食产量预测[J]. 庄星,韩飞.  江苏大学学报(自然科学版). 2019(02)
[4]基于改进K-means聚类算法的大田麦穗自动计数[J]. 刘哲,黄文准,王利平.  农业工程学报. 2019(03)
[5]基于卷积神经网络的冬小麦麦穗检测计数系统[J]. 张领先,陈运强,李云霞,马浚诚,杜克明.  农业机械学报. 2019(03)
[6]基于小麦群体图像的田间麦穗计数及产量预测方法[J]. 李毅念,杜世伟,姚敏,易应武,杨建峰,丁启朔,何瑞银.  农业工程学报. 2018(21)
[7]基于改进全卷积网络的棉田冠层图像分割方法[J]. 刘立波,程晓龙,赖军臣.  农业工程学报. 2018(12)
[8]基于无人机遥感植被指数优选的田块尺度冬小麦估产[J]. 朱婉雪,李仕冀,张旭博,李洋,孙志刚.  农业工程学报. 2018(11)
[9]基于GRA&BPNN的广西粮食产量预测研究[J]. 戎陆庆,陈飞,欧阳浩.  中国农业资源与区划. 2017(02)
[10]小麦田间测产和实际产量转换系数实证研究[J]. 李向东,吕风荣,张德奇,杨程,王汉芳,邵运辉,方保停,岳俊芹,马富举,秦峰.  麦类作物学报. 2016(01)



本文编号：3431268