基于纹理特征与深度学习的小麦图像中的穗粒分割与计数

作     者：许鑫 耿庆 郑凯 石磊 马新明 XU Xin;GENG Qing;ZHENG Kai;SHI Lei;MA Xin-ming

作者机构：河南农业大学信息与管理科学学院河南郑州450002 国家统计局河南调查总队河南郑州450002 河南农业大学农学院河南郑州450002 

出 版 物：《江苏农业学报》 (Jiangsu Journal of Agricultural Sciences)

年 卷 期：2024年第40卷第4期

页      面：661-674页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 09[农学] 0835[工学-软件工程] 0901[农学-作物学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家统计局重大统计专项(2022ZX11) 河南省科技创新杰出人才项目(184200510008) 河南省现代农业产业技术体系项目(S2010-01-G04) 

主　　题：麦穗 籽粒数 图像处理 HRNet 深度学习 图像分割 

摘      要：穗粒数是小麦产量构成的重要因素和估测产量的参数之一,传统的人工计数方法耗时费力,人为因素影响大。为了实现对小麦穗粒数的智能、快速监测,以百农307、新麦26、稷麦336这3个小麦品种为试验材料,利用智能手机于小麦灌浆后期拍摄麦穗图像,随后对麦穗图像进行预处理并归一化为480×480像素大小,结合深度学习和迁移学习机制,构建基于冻结-解冻机制的HRNet模型的小麦小穗图像分割计数深度学习模型,利用图像处理算法、小麦小穗图像纹理特征确定小穗像素数与穗粒数之间的关系阈值,构建小穗粒数预测模型,实现对小麦穗粒的预测计数。结果表明,对比同样采用冻结-解冻机制的PSPNet模型、DeeplabV3+分割模型、U-Net模型及无冻结解冻机制的HRNet模型,采用基于冻结-解冻机制的HRNet模型对小麦小穗的分割效果更优,且具有更好的鲁棒性,分割精确度为0.9594,平均交并比(mIoU)为0.9119,类别平均像素准确率(mPA)为0.9419,召回率为0.9419;通过3个不同品种小麦的麦穗图像对小穗进行计数,所得决定系数(R2)为0.92,平均绝对误差为0.73,平均相对误差为2.89%;籽粒计数的R2为0.92,平均绝对误差为0.43,平均相对误差为5.51%。由研究结果可知,基于冻结-解冻机制得出的HRNet模型的小麦小穗图像分割算法能够有效分割小麦图像中的小穗,并获得更加丰富的语义信息,可用于解决小目标图像分割困难及训练欠拟合问题,通过粒数预测模型可以快速、精确地对小麦的籽粒数进行预测,从而为小麦高效、智能化估产提供算法支撑。