一种小穗计数方法、装置、设备和存储介质

本发明实施例涉及图像处理，尤其涉及一种小穗计数方法、装置、设备和存储介质。

背景技术：

1、小麦麦穗由多个小穗组成，每个小穗上结有数目不等的小穗。小穗的发育和分枝模式决定了麦穗结构和小穗产量。若能够准确测量小麦小穗数对解析小穗数的遗传机制，提升小麦产量具有十分重要的意义。

2、目前利用图像处理技术自动获得小穗数的过程中，传统图像分割方法计算结果容易受麦穗形态和麦芒的影响，对小穗生长紧密、重叠的麦穗计算效果很差；基于mask-rcnn模型的深度学习方法，需要人工标记大量麦穗图像中所有小穗的精细轮廓作为深度学习模型的训练数据和验证数据，标记成本高。

技术实现思路

1、本发明实施例提供了一种小穗计数方法、装置、设备和存储介质，可以提高对麦穗中小穗进行计数的自动化程度，提高计数的准确度，降低小穗计数成本。

2、第一方面，本发明实施例提供了一种小穗计数方法，该方法包括：

3、获取待处理侧视麦穗图像，并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像；

4、将各所述侧视单麦穗图像输入到目标小穗识别模型，得到各所述侧视单麦穗图像中小穗位置信息；

5、对所述小穗位置信息进行统计分析，得到各所述侧视单麦穗图像中麦穗的小穗数量。

6、第二方面，本发明实施例提供了一种小穗计数装置，该装置包括：

7、麦穗图像预处理模块，用于获取待处理侧视麦穗图像，并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像；

8、小穗识别模块，用于将各所述侧视单麦穗图像输入到目标小穗识别模型，得到各所述侧视单麦穗图像中小穗位置信息；

9、小穗计数模块，用于对所述小穗位置信息进行统计分析，得到各所述侧视单麦穗图像中麦穗的小穗数量。

10、第三方面，本发明实施例提供了一种计算机设备，该计算机设备包括：

11、一个或多个处理器；

12、存储器，用于存储一个或多个程序；

13、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的小穗计数方法。

14、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的小穗计数方法。

15、本发明实施例所提供的技术方案，通过获取待处理侧视麦穗图像，并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像；将各所述侧视单麦穗图像输入到目标小穗识别模型，得到各所述侧视单麦穗图像中小穗位置信息；对所述小穗位置信息进行统计分析，得到各所述侧视单麦穗图像中麦穗的小穗数量。本发明实施例的技术方案解决了现有技术中对麦穗中的小穗进行计数时，计数准确度低和计数成本高的问题，可以提高对麦穗中小穗进行计数的自动化程度，提高计数的准确度，降低计数成本。

技术特征：

1.一种小穗计数方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对所述小穗位置信息进行统计分析，得到各所述侧视单麦穗图像中麦穗的小穗数量，包括：

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述根据所述去掉麦芒的侧视单麦穗二值图像中麦穗的各轮廓点到所述第一直线和所述第二直线的距离确定所述去掉麦芒的侧视单麦穗二值图像中麦穗的麦长和麦宽，包括：

5.根据权利要求1所述的方法，其特征在于，所述目标小穗识别模型的训练过程，包括：

6.根据权利要求5所述的方法，其特征在于，所述初始小穗识别模型包括vgg16-bn网络结构。

7.根据权利要求1-6中任一所述的方法，其特征在于，所述目标小穗识别模型是基于p2pnet模型训练得到的模型。

8.一种小穗计数装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，所述计算机设备包括：

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的小穗计数方法。

技术总结
本发明实施例公开了一种小穗计数方法、装置、设备和存储介质，其中，方法包括：获取待处理侧视麦穗图像，并对所述待处理侧视麦穗图像进行图像预处理得到至少一个侧视单麦穗图像；将各所述侧视单麦穗图像输入到目标小穗识别模型，得到各所述侧视单麦穗图像中小穗位置信息；对所述小穗位置信息进行统计分析，得到各所述侧视单麦穗图像中麦穗的小穗数量。本发明实施例的技术方案解决了现有技术中对麦穗中的小穗进行计数时，计数准确度低和计数成本高的问题，可以提高对麦穗中小穗进行计数的自动化程度，提高计数的准确度，降低计数成本。

技术研发人员：蒋霓,郑树松,杨凌杰,鲁任翔,孙孚俊,陈煜宁
受保护的技术使用者：中国科学院遗传与发育生物学研究所
技术研发日：
技术公布日：2024/1/12