一种基于卷积神经网络的玉米表型参数提取方法

1.本发明专利属于植株表型参数提取领域，具体涉及一种基于卷积神经网络的玉米表型参数提取方法。


背景技术：

2.玉米是重要的粮食作物，其种植面积仅次于小麦和水稻，玉米产量影响着我国的粮食安全。玉米的表型参数在提高玉米产量，进行玉米育种和培育的研究中具有重要意义。在传统玉米育种、表型和基因型研究过程中，人工采集表型参数效率低下，测量人员的主观性强，误差大，另外，传统干生物量测量无法在不损坏玉米植株的条件下采集数据，基于无人机和三维重建的干生物测量方法费时费力。
3.为了解决上述问题，本文提出一种基于卷积神经网络的玉米表型参数提取方法。


技术实现要素：

4.为了解决上述的技术问题，本发明设计了一种基于卷积神经网络的玉米表型参数提取方法，而基于卷积神经网络的玉米表型参数提取，可快速，准确，无损的实现玉米单株干生物量数据的提取，基于卷积神经网络的深度学习方法相较于传统方法，可以自动提取图像特征，并根据特征进行分类和参数回归，准确率高，随着近年计算设备性能的大幅提高，深度学习模型构建方便且易于部署到移动设备和边缘设备上，非常适合应用在玉米表型参数提取任务中。
5.为了达到上述技术效果，本发明通过以下技术方案实现的：一种基于卷积神经网络的玉米表型参数提取方法，其特征在于，具体包含以下步骤：
6.步骤1、使用工业相机在玉米田间进行玉米单株图像采集，采集对应的株高，茎粗，干生物量，叶面积，叶绿素含量，含水量数据，得到玉米表型数据；
7.步骤2、将步骤1中得到的同一单株的四幅图像进行合并，选择对应的玉米表型数据作为标签，得到卷积神经网络训练所需的数据集；
8.步骤3、将步骤1得到的玉米表型参数数据进行数据标准化处理；
9.步骤4、将步骤3得到的数据集进行数据增广操作，通过数据集图像的随机反转和角度变换进行图像数据扩充，然后进行随机打乱划分，划分为训练集和验证集；
10.步骤5、搭建用于玉米表型参数提取的卷积神经网络，使用卷积神经网络网络模型，该模型使用深度可分离卷积，大大减少计算量和模型参数量；
11.步骤6、将步骤4中得到的数据集使用步骤5中的网络进行模型训练，得到卷积神经网络模型，通过调整网络参数进行网络优化，得到优化后的网络模型；
12.步骤7、将待处理玉米植株图片输入到步骤6得到的模型进行玉米表型参数的提取。
13.作为优选，所述步骤1中，采集后续训练所需的玉米表型数据，其中，使用塔尺测量玉米植株株高，株高指植株地上部分根茎部到顶部之间的距离，其中顶部是指主茎顶部；使
用茎粗测量仪测量茎粗，或者使用游标卡尺测量基茎直径，多次测量求平均值；使用叶面积测量仪采集叶面积；使用叶绿素测量仪测量叶绿素含量；采用烘干称重法获得玉米植株的干生物量，获取植株地上部分，将其进行分段处理后，放入纸袋中，再置于烘箱中杀青、烘干至恒重，然后利用天平进行重量测定。
14.作为优选，所述步骤2中，选择俯视图和侧视图进行合并，图像的合并操作使用opencv完成，顺序读取俯视图和各个角度的侧视图，并调整各个图像的尺寸，合并后得到单株玉米的图片数据。
15.作为优选，所述步骤5中，搭建的卷积神经网络在深度可分离卷积的基础上添加了residual connection，形成inverted residual block。该卷积神经网络第一个模块是卷积层，中间模块是bottleneck块的堆叠，最后的模块包括卷积层，池化层和全连接层。通过调整各个模块的参数优化网络效果，输出层神经元个数为玉米表型参数的种类，不使用激活函数，是一个线性层。
16.作为优选，所述步骤6中，模型训练需要多次迭代训练，使用均方误差(mse)作为损失函数，使损失函数收敛直至稳定，获得回归值与实际值最接近的网络模型。
17.本发明的有益效果是：在本发明提出的基于卷积神经网络的玉米表型参数的提取方法中，不需要进行复杂的图像处理以及人工设计特征，能够直接在玉米彩色的图像的基础上进行特征提取和学习，并对玉米表型参数实现回归预测，避免了复杂繁琐的数据拟合；相较于传统的表型参数提取，避免了人工测量表型参数时的主观性和人为误差，大大提高了表型参数提取的效率，准确率高，速度快；对于干生物量的测量，避免了传统测量干生物量的缺点，不需要进行铲除烘干等操作，可以无损的提取玉米植株的干生物量参数。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明的玉米表型数据图；
20.图2是本发明的模型训练流程图；
21.图3是本发明的bottleneck结构图；
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
23.实施例1
24.如图1至图3所示，本发明所述一种基于卷积神经网络的玉米表型参数提取方法，其特征在于，具体包含以下步骤：
25.步骤1：使用工业相机采集玉米单株俯视图和三幅侧视图，采集对应的株高，茎粗，
干生物量，叶面积，叶绿素含量，含水量数据，得到玉米表型数据。
26.步骤1所述的玉米图片拍摄方法，固定俯视图拍摄相机和侧视图拍摄相机，固定玉米植株进行拍摄，完毕后旋转玉米植株90
°
，继续拍摄侧视图。
27.步骤1所述的玉米表型参数提取方法，使用塔尺测量玉米植株株高，株高指植株地上部分根茎部到顶部之间的距离，其中顶部是指主茎顶部。使用茎粗测量仪测量茎粗，或者使用游标卡尺测量基茎直径。使用叶面积测量仪采集叶面积指数。使用叶绿素测量仪测量叶绿素含量。采用烘干称重法获得玉米植株的干生物量，获取植株地上部分，将其进行分段处理后，放入纸袋中，再置于烘箱中，将温度调至105℃杀青30分钟，然后设置温度到75℃烘干至恒重(约24-28h)，然后利用天平进行重量测定。得到目标玉米表型数据。
28.步骤2，对步骤1得到四幅图片按照顺序读取，构建长宽为单张图片二倍的三通道零矩阵，将四幅图像按顺序写入矩阵，即得到对应玉米的图片数据。
29.步骤3，将步骤1测得的玉米表型数据和步骤2得到的玉米图像数据对应组合，得到步骤4需要的玉米表型参数数据集。
30.步骤4，将步骤3得到的玉米表型参数数据集按照7：3的比例划分为训练集和验证集。在训练集和验证集输入模型之前进行随机打乱处理。
31.步骤5，搭建卷积神经网络模型，网络在深度可分离卷积的基础上添加了residual connection，形成inverted residual block。搭建的卷积神经网络第一个模块是卷积层，中间模块是bottleneck块的堆叠，最后的模块包括卷积层，池化层和全连接层。通过调整各个模块的参数优化网络效果，输出层神经元个数为玉米表型种类，不使用激活函数，是一个线性层；
32.所述步骤5中，第一个模块是一层卷积层，用来提取图像特征，生成相应的特征图；在inverted residual block中，feature map的通道数是先增加再减少的。在卷积神经网络结构中，中间的3x3卷积层是深度级可分离卷积，计算量相比于标准卷积小很多，为了提取更多特征，先用1x1卷积层提升通道数，最后再用1x1卷积层把通道数降下来，形成一种两头小中间大的模块；最后一层由卷积层，池化层和全连接层组成，池化层通过下采样减小了特征图大小，全连接输出层神经元个数为玉米表型种类，不使用激活函数，是一个线性层。
33.步骤6，将步骤4中得到的数据集使用步骤5中的网络进行模型训练，得到卷积神经网络模型；
34.所述步骤6中，通过调整网络参数进行网络优化，进行多次迭代训练，得到最优的网络模型。
35.步骤7，将待处理玉米植株图片输入到步骤6得到的模型进行玉米表型参数的提取。
36.本发明的工作原理：将采集到的玉米图像数据进行合并处理，将玉米表型数据进行标准化处理；然后将得到的数据集进行随机打乱和划分，将划分得到的训练集和验证集输入到卷积神经网络中，进行多次迭代训练后得到玉米表型参数提取模型。
37.在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合
适的方式结合。
38.以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。