摘要
单位面积穗数是影响小麦产量的重要因素，快速确定穗数对估算小麦产量具有重要意义。生产中常采用人工计数的方法来估算产量费时费力。因此，开发一种快速准确的获取穗数方法，对小麦产量估算具有重要意义。本文利用无人机和手机移动设备采用垂直拍摄的方式获取大田麦穗图像，通过图像增强、去噪运算对采集的麦穗图像进行预处理，利用K-means聚类实现麦穗的自动精准定位与分割，对分割后麦穗分拣，提取非麦穗、1个麦穗、2个麦穗和3个麦穗4类标签构建数据集，将构建的数据集进行数据增强和数据标准化处理后送入构建的卷积神经网络(CNN)模型进行训练验证，将训练好的模型用以麦穗的识别与计数，最后将麦穗识别过程集成Web系统。具体研究结果如下: 1.CNN模型的构建与验证。将分割完成后产生140000余幅麦穗小图中选取非麦穗、1个麦穗、2个麦穗和3个麦穗4类标签构建数据集，分别为8000、8000、2173和1193，通过翻转、旋转等数据增强手段将4类数据集别扩充到12000幅，其中训练集为11000幅，验证集为1000幅。将麦穗数据集送入构建的卷积神经网络(CNN)模型进行训练，将验证集数据送入已经训练好的CNN模型进行验证，实验结果表明，对非麦穗、1个麦穗、2个麦穗和3个麦穗的识别准确率分别为99.8％、97.5％、98.07％和98.5％。 2.采用不同设备拍摄的麦穗图像进行识别结果对比分析。本文选取60幅手机拍摄的麦穗图像和20幅无人机拍摄的麦穗图像进行识别，其中，手机麦穗识别结果R2为0.97，RMSE为0.03，无人机麦穗识别结果R2为0.97，RMSE为9.47，结果表明两种拍摄方式均能够有效识别麦穗，手机拍摄的照片略优于无人机拍摄的照片。 3.对不同拍摄时期的麦穗图像进行识别对比分析。结果表明，小麦籽粒形成期和籽粒灌浆高峰期的麦穗识别结果存在一定差异，比较CNN模型的麦穗识别结果与人工麦穗计数之间的均方根误差(RMSE)从22.54下降到3.24。其中小麦籽粒灌浆高峰期后(5月20日)采集的麦穗图像取得了最好的识别效果(R2=0.99，RMSE=3.24)，表明小麦籽粒灌浆高峰后通过信息设备开展小麦群体估测是较好的时期。 4.对不同小麦品种麦穗图像进行识别结果对比分析。针对10个小麦品种，选取50张麦穗照片进行麦穗识别计数，结果表明，50张不同品种小麦麦穗识别精度在92.70％～99.63％之间，标准误差约为12.43，表明所构建模型在不同品种麦穗识别计数应用中具有一定的稳定性。 5.研发了小麦麦穗识别与计数系统。系统使用Java实现Web功能、pythonthrift服务端集成CNN模型、Opencv等技术实现了麦穗识别功能，并使用thrift框架实现RPC交互完成主要功能。系统不仅能够对获取的麦穗图像进行识别计数，还提供了麦穗图像识别纠错功能以及CNN模型的再学习功能。
NETL