基于深度全卷积神经网络的大田稻穗分割

稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度。以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征。结合深度学习,运用Faster R CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水稻穗部的二值图像,结合图像处理技术提取穗部的33个表型特征数据。提取了颜色、形态、纹理共85个表型参数,对所有85个数据进行归一化处理,将归一化的85个表型数据与稻穗鲜质量、干质量进行逐步线性回归,挑选相关性高的特征数据。分别使用穗数和33个特征穗部、51个特征整株、所有85个特征中相关性高的特征数据构建盆栽水稻稻穗鲜质量、干质量的预测模型,最后根据模型的决定系数R2、平均相对误差（MAPE）和相对误差绝对值的标准差（SAPE）挑选最优预测模型。预测结果表明穗部特征预测效果最好,其中效果最好的模型鲜质量、干质量预测值与真实值的决定系数R2分别达到0.787±0.051和0.840±0.054。     

基于深度信念网络的多品种水稻生物量无损检测

提出了基于深度信念网络的多品种生殖生育期水稻生物量无损检测方法。对在正常生长及干旱胁迫两个不同环境下的483个水稻品种,分别于胁迫前、胁迫后和复水后3个时间点进行图像采集。利用HSL颜色空间固定阈值分割法分割图像,并对处理后的图像进行特征提取,共提取57个特征值。对数据进行归一化处理后,构建基于深度信念网络的水稻生物量模型,根据决定系数R2、平均相对误差（MAPE）及相对误差绝对值的标准差（SAPE）选择最优模型,并与逐步线性回归模型进行比较。结果表明,基于深度信念网络的生物量测量模型性能更优,R2为0.9299,MAPE为11.19%,SAPE为18.36%。本研究提供了一种精度高且适用于多品种、不同生殖生育期、不同生长环境的水稻生物量无损检测模型,为水稻研究提供了新的测量工具。     

基于X-ray透射成像的稻穗米粒粒型及谷粒饱满度测量

稻穗是水稻产量、干物质积累的最终表现,稻穗米粒粒型和谷粒饱满度对水稻遗传育种及功能基因解析具有重要意义。传统稻穗米粒粒型测量需要经过脱粒、脱壳步骤,不仅过程繁琐而且可能有损伤、可靠性差,而谷粒饱满度测量主要通过水沉法或风选法,无法实现定量测量。为了实现在不脱粒、不脱壳情况下无损观测稻穗内部米粒,提出一种测量稻穗米粒粒型和谷粒饱满度的新方法。采用X-ray透射成像方式获取稻穗射线吸收图,然后采用自动阈值分割、分水岭、图像标记等算法得到单颗米粒标记图像;再采用椭圆检测、边缘提取计算得到米粒的粒长、粒宽、粒面积。对100株稻穗图像做测试,结果表明粒长、粒宽平均测量误差MAPE分别为2.14%、3.45%。同时采用K-means和高斯混合模型聚类（GMM）算法识别出米粒对应的谷粒区域,基于二者面积的比值得到稻穗谷粒饱满度的定量测量结果,基于该结果可以准确识别稻穗中的实粒和瘪粒,为稻穗复杂性状测量研究提供了一种新的有效途径。     

基于BP神经网络的水稻卷叶识别

[目的]对水稻卷叶进行分类识别,为研究水稻的抗旱性和实施自动化农业、精准农业提供技术支持.[方法]通过数字图像处理方法提取5个水稻特征数据,即水稻的周长面积比、水稻面积与水稻最小外接矩形的面积比、水稻的计盒维数、水稻面积与水稻凸包的面积比、水稻绿色部分面积占比;运用MATLAB构建BP神经网络,依据水稻特征数据对水稻卷叶进行分类识别.[结果]在提取的5个水稻特征数据中,有助于分类的特征包括水稻的周长与面积比、水稻面积与最小外接矩形面积比及水稻的绿色部分占比3个特征.在300组样本数据的分类中,总体样本分类正确率达96.47%,训练样本分类正确率达96.61%,验证样本分类正确率达96.17%,测试样本分类正确率达96.33%.因此,采用BP神经网络对水稻卷叶的识别程度高达90.00%以上,具有良好的分类效果.[建议]今后应对水稻卷叶的类别多分几类进行识别,还应将BP神经网络对水稻卷叶进行分类识别的过程实现自动化,并广泛应用于水稻的学术研究和现实生产.