【技術實現步驟摘要】
本專利技術涉及煙苗育苗，尤其涉及一種煙苗育苗期生長狀態判別和出苗率檢測方法及相關裝置。
技術介紹
1、在煙葉生產過程中，“有苗三分收，好苗一半收”，充分說明了培育出苗是煙葉生產成功的必然條件。由于不同海拔的煙苗播種期、移栽期存在較大差異，同時煙苗各生長階段對于生態環境、養分的需求各有差異，煙苗在對應階段的生長速度是偏快還是偏慢缺少一致性參考，依靠人工監管和控制干預是大部分煙區煙苗培育作業的普遍現象。育苗期間的增溫、補光、通風、等大量頻繁的業務仍需人工完成，對育苗管理人員的技術管理要求較高，亟需建立育苗期的生長發育模型。
2、煙苗的生長發育狀態包括出苗期、小十字期、大十字期和成苗期一共4種苗期狀態。近年，隨著大數據、人工智能算法的進步，圖像采集和算法識別能力有了極大提升。可通過物聯網設備(棚內溫濕度傳感器、棚內監控攝像機等)等手段對煙草育苗出苗過程圖像進行采集，采用深度學習視覺算法初步構建煙苗發育狀態判別模型，研判育苗期生長發育狀態，實現育苗情況實時播報，以及煙苗出苗率計算。是降低煙苗移栽損失，提高煙苗品質的有效途徑。
3、針對煙苗生長發育狀態識別的問題，目前相關研究有參考文獻[1]何艷.基于機器視覺的穴盤煙苗識別算法研究[d].西南大學，2019.該文獻為了解決移栽時自動間苗的問題，基于adaboost算法實現穴盤煙苗分割，然后采用多層感知器和alexnet對穴盤煙苗進行識別和分類，主要關注穴盤內空穴和多株煙苗壯苗識別，兩種算法的準確率分別為96.75％和97.58％，但其對選取的特征要求很高，不同的特征
4、參考文獻[2]何艷，祝詩平，夏志林，等.基于機器視覺的穴盤煙苗自動間苗算法研究[j].云南農業大學學報(自然科學版)，2019.該文獻為了解決快速自動間苗的問題，提出基于k-means聚類算法將穴盤分割為單元格，通過計算煙苗的圓形度、長寬比和矩形度，利用幼苗植株的面積和周長，在不同生長期設定一個合適閾值來識別單株、多株和空穴，煙苗數目正確識別率達到97.04％以上，空穴位置達到100％，間苗位置及壯苗識別平均準確率分別達到94.76％和89.58％，實現自動間苗的目的。雖然考慮了不同生長發育狀態下的煙苗差異，但高度依賴閾值的設定，不具有泛化性能。另外，基于形狀特征的識別算法的識別率低，不具有魯棒性。并且無法自動判別煙苗所屬的苗期。
5、參考文獻[3]吳聰，郭志強，楊杰.基于改進的注意力機制殘差網絡穴盤幼苗分類算法研究[j].激光與光電子學進展，2022,59(22):10.doi:10.3788/lop202259.2210002.該文獻提出將通道注意力機制和空間注意力機制引入殘差網絡resnet中，以白茄苗、花菜苗、辣椒苗、茄子苗、芹菜苗、西瓜苗、黃瓜苗等7種穴盤幼苗圖像作為數據樣本，通過圖像矯正、圖像分割、數據擴充等預處理操作獲得幼苗數據集，然后將隨機擦除的數據樣本輸入改進的殘差網絡進行訓練，實現了穴盤幼苗的多分類。該文獻提出二元多項式法完成穴盤圖像矯正，使用adaboost分類器得到穴盤分割。數據集預處理的方案較為復雜。提出基于cbam注意力機制的resnet算法解決了多種不同作物的幼苗分類識別。但該方案在獲取苗盤圖像時僅選取幼苗大小基本相當的圖像，去除了幼苗形態過小的苗盤以及幼苗形態較大有遮擋的苗盤。因此該方法無法考慮到幼苗生長發育過程的形態變化。該模型僅在幼苗生長過程中很短的時間段內能夠用來判斷幼苗種類，不具備實際應用價值。
6、綜上所述，現有研究集中在煙苗移栽間苗場景下的育苗盤空穴定位、一穴多株檢測，作物的苗期生長過程是一個復雜、動態的生理生化的代謝過程，目前苗期作物的群體生長檢測大多局限于固定苗齡狀態，如文獻[4]李韜，任玲，胡斌，等.改進yolov5s和遷移學習對番茄穴盤苗的分級檢測[j].農業工程學報，2023,39(23):174-184提出改進yolov5s模型對苗齡20天的番茄穴盤苗分為空穴、弱苗、壯苗和病苗四級，文獻[5]張秀花，靜茂凱，袁永偉，等.基于改進yolov3-tiny的番茄苗分級檢測[j].農業工程學報,2022,38(01):221-229.提出基于yolov3-tiny算法對苗齡10天的番茄穴苗盤分為空穴、弱苗和壯苗，雖然可以實現不同穴格煙苗的生長狀態分級，但局限于固定苗齡，無法擴展到煙苗全生育期的生長監測，或局限于單株成年期作物的生長檢測，缺少或忽略了群體作物在各苗期苗齡下的持續生長監測，基于機器視覺的單株作物形態檢測與監測技術已經比較成熟，而對苗期作物群體關鍵生長參數的提取以及作物群體全生育期的生長監測研究較少的問題，目前尚未提出有效的解決方案。
技術實現思路
1、專利技術目的：提供一種煙苗育苗期生長狀態判別和出苗率檢測方法及相關裝置，以解決現有技術存在的上述問題。
2、技術方案：一種煙苗育苗期生長狀態判別和出苗率檢測方法，包括：s1、采集育苗過程中的各苗齡狀態下的苗盤圖像；s2、對苗盤圖像進行預處理，并分割生成若干苗穴格子圖；s3、利用labelimg工具對若干苗穴子圖進行幼苗類別標注及定位框標注并隨機切分數據集；s4、基于深度學習算法對標注后的苗穴子圖數據集進行模型訓練，訓練出煙苗育苗期目標判別和出苗率檢測模型。
3、作為優選，采集育苗過程中的各苗齡狀態下的苗盤圖像，包括：
4、通過對目標基地的育苗盤發育過程實地監測，定期采集獲取預設像素的原始育苗盤圖像，獲得若干張從出苗到成苗的全生育期育苗盤原始圖像；
5、根據苗期的定義將原始圖像分別歸類為四個苗期類別；其中，原始圖像包括：出苗期、小十字期、大十字期和成苗期。
6、作為優選，對苗盤圖像進行預處理，并分割生成若干苗穴格子圖，包括：
7、通過采用苗盤邊緣檢測和仿射變換算法對原始圖像進行歪斜校準和苗盤裁剪，得到標準四方形的苗盤；其中，每個苗盤一共10行20列，共200個苗穴，按分辨率切割為200張穴格子圖，穴格子圖分辨率為80*80；
8、利用圖像切割算法對苗盤進行處理，將每張裁剪完成的苗盤圖像切割為200張苗穴子圖；
9、基于歸一化超綠特征法和最大類間方差法提取整盤苗盤的綠色煙苗葉片區域和苗盤邊框區域，并分析煙苗葉面積率和整盤育苗進度的線性映射關系，推導出基于葉面積率的整盤育苗進度。
10、作為優選，利用labelimg工具對若干苗穴子圖進行幼苗類別標注及定位框標注并隨機切分數據集，包括：
11、采用labelimg工具對每個小穴子圖進行圖中幼苗的苗期類別和位置標注，獲得每張子圖的xml格式的標注文件；其中，標注類別包括：出苗期、小十字期、大十字期；
12、按照預設比例對標注后的苗穴子圖隨機分割訓練集和驗證集。
13、作為優選，基于深度學習算法對標注后的苗穴子圖數據集進行模型訓練，訓練出煙苗育苗期目本文檔來自技高網...
【技術保護點】
1.煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，包括：
2.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，采集育苗過程中的各苗齡狀態下的苗盤圖像，包括：
3.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，對苗盤圖像進行預處理，并分割生成若干苗穴格子圖，包括：
4.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，利用Labelimg工具對若干苗穴子圖進行幼苗類別標注及定位框標注并隨機切分數據集，包括：
5.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，基于深度學習算法對標注后的苗穴子圖數據集進行模型訓練，訓練出煙苗育苗期目標判別和出苗率檢測模型，包括：
6.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，基于YOLOv5s算法模型引入分塊檢測策略，包括：
7.根據權利要求6所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，基于YOLOv5s算法模型分別引入分塊檢測策略、S
8.根據權利要求7所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，判別整盤生育期和各期煙苗占比，當超過50％比例的穴內單株進入預設時期則認定整盤已進入該時期，包括：
9.根據權利要求7所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，判別整盤生育期和各期煙苗占比，當超過50％比例的穴內單株進入預設時期則認定整盤已進入該時期之后，還包括：
10.煙苗育苗期生長狀態判別和出苗率檢測裝置，其特征在于，包括：
...【技術特征摘要】
1.煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，包括：
2.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，采集育苗過程中的各苗齡狀態下的苗盤圖像，包括：
3.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，對苗盤圖像進行預處理，并分割生成若干苗穴格子圖，包括：
4.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，利用labelimg工具對若干苗穴子圖進行幼苗類別標注及定位框標注并隨機切分數據集，包括：
5.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，基于深度學習算法對標注后的苗穴子圖數據集進行模型訓練，訓練出煙苗育苗期目標判別和出苗率檢測模型，包括：
6.根據權利要求1所述的煙苗育苗期生長狀態判別和出苗率檢測方法，其特征在于，基于yolov5s算法模型引入...
【專利技術屬性】
技術研發人員：張馳，易嬌，王聰，陳棟，狄濤，梅雨婷，魯夢瑤，姜舒文，
申請(專利權)人：農芯南京智慧農業研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。