CN119418117A 烟苗育苗期生长状态判别和出苗率检测方法及相关装置 （农芯(南京)智慧农业研究院有限公司）

司烟苗育苗期生长状态判别和出苗率检测方本发明公开了烟苗育苗期生长状态判别和盘图像；苗盘图像预处理并分割生成苗穴格子2S3、利用Labelimg工具对若干苗穴子图进行幼S4、基于深度学习算法对标注后的苗穴子图数据集通过对目标基地的育苗盘发育过程实地监测，定期采集获取预设像素通过采用苗盘边缘检测和仿射变换算法对原始图像进行歪斜校准和利用图像切割算法对苗盘进行处理，将每张裁剪完成的苗盘图像切割为200张苗穴子基于归一化超绿特征法和最大类间方差法提取整盘苗盘的绿色烟苗叶片区域和苗盘用Labelimg工具对若干苗穴子图进行幼苗类别标注及定位框标注并随机切分数据集，包采用Labelimg工具对每个小穴子图进行图中幼苗的苗期类别和位置标按照预设比例对标注后的苗穴子图随机分割训练集和验证集。依据采集的同批次育苗周期图像数据集，计算出多个苗盘图像每对分块后单穴提取烟叶区域，采用基尼系数分析叶面积率的分基于YOLOv5s算法模型分别引入分块检测策略、SimAM注意力机制模块和S3于YOLOv5s算法模型分别引入分块检测策略、SimAM注意力机制模块和SPD_conv下采样策将200张子图的计数结果累加获得出苗数据，子图中监测到大模型训练过程的评价指标可视化和测试集输出4[0003]烟苗的生长发育状态包括出苗期、小十字期、大十字期和成苗期一共4种苗期状数目正确识别率达到97.04％以上，空穴位置达到100间苗位置及壮苗识别平均准确率分别达到94.76％和89.58实现自动间苗的目的。虽然考虑了不同5伟，等.基于改进YOLOv3_Tiny的番茄苗分级检测[J].农业工程学报,2022,38(01):221_[0015]利用图像切割算法对苗盘进行处理，将每张裁剪完成的苗盘图像切割为200张苗6[0016]基于归一化超绿特征法和最大类间方差法提取整盘苗盘的绿色烟苗叶片区域和[0021]依据采集的同批次育苗周期图像数据集，计算出多个苗盘图像每日叶面积率均[0029]将200张子图的计数结果累加获得出苗数据，子图中监测7[0037]图1是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法的裁剪后[0038]图2是根据本申请的优选实施例的烟苗育苗期生长状态判别和出苗率检测方法的[0039]图3是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法的标注后[0040]图4是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法的烟叶育[0041]图5是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法流程示意[0042]图6是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法的改进后[0043]图7是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法的模型输[0044]图8是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法的根据苗[0045]图9是根据本申请实施例的又一烟苗育苗期生长状态判别和出苗率检测方法流程8[0047]图11是根据本申请实施例的烟苗育苗期生长状态判别和出苗率检测方法的电子员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范[0061]利用图像切割算法对苗盘进行处理，将每张裁剪完成的苗盘图像切割为200张苗[0062]基于归一化超绿特征法和最大类间方差法提取整盘苗盘的绿色烟苗叶片区域和9[0065]由于苗盘中各穴格内的烟苗生长速度不一致且各穴格内烟苗数量在0株至2株不[0066]为了综合量化生长发育进度，使用ExG和Otsu法提取整盘苗盘的绿色烟苗叶片区[0072]如图3所述，采用Labelimg工具工具对每个小穴子图进行图中幼苗的苗期类别和[0078]依据采集的同批次育苗周期图像数据集，计算出多个苗盘图像每日叶面积率均[0089]SimAM(SimpleAttentionModule)注意力机制可增强模型对关键特征的关注。[0100]基于YOLOv5s模型的单穴烟苗分类和定位任务，结合以上三种改进方法后的整体[0110]将200张子图的计数结果累加获得出苗数据，子图中监测[0115]量化整盘生育进度指标。成苗期由于烟叶卷曲及遮盖形[0116]量化生长一致性。由于整盘育苗盘各穴格中的烟苗存在发明依据Gini系数量化各穴格烟苗的生长一致性。极端情况下整盘200个穴格内叶面积完注意力模块包括全局注意力机制GAM(GlobalAttentionMechanism)、双通道注意力机制CBAM(ConvolutionalBlockAttentionModule)、SimAM注意力机制(SimpleAttention入分辨率为640*640。在处理低分辨率图像时卷积体系结构中的池化层会导致细粒度信息的丢失和较低效率的特征表示。SPD_Conv由一个空间到深度(SPD)层和一个非跨行卷积发明使用SPD_Conv模块取代YOLOv5s中所有跨行卷积层和池化层。为了验证各优化模块对测试集上测试了YOLOv5s模型各引入各改进模块后的消融实验定整盘已进入该时期。例如，若处于出苗期的烟苗穴占比低于50而空穴超过50则整个育苗盘尚处于播种期，若处于出苗期的烟苗穴占比超过50则整个育苗盘从播种期进状态判别模型构建方法。首先基于归一化超绿特征法(ExG)和最大类间方差法(Otsu)提取整盘烟叶区域,分析烟苗叶面积率和整盘育苗进度的线性映射关系，实现基于叶面积率推各苗龄状态下的苗盘图像；对苗盘图像进行预处理，并分割生成若干苗穴格子图；利用练和生成烟苗育苗期目标判别和出苗率检测模型的目的，从而实现了精确且高效地识别、各苗龄状态下的苗盘图像；对苗盘图像进行预处理，并分割生成若干苗穴格子图；利用练和生成烟苗育苗期目标判别和出苗率检测模型的目的，从而实现了精确且高效地识别、算、自适应图片缩放技术，Backbone采用Focus结构，CSP结构；Neck采用FPN+PAN结构，Yolov5在Prediction端采用CIOU_Loss做Boundingbox的损失函数。由于烟苗成长过程中大类间方差法(Otsu)提取整盘烟叶区域,分析烟苗叶面积率和整盘育苗进度的线性映射关信息的丢失以及增强低分辨率图像的特征表示。改进后的YOLOv5s目标检测模型用于单穴检测mAP@0.5:0.95达到80.7相比于原YOLOv5s模型提升了67改进后的YOLOv5s算法行性，提出了一种基于改进YOLOv5s目标检测模型结合叶面积率的育苗盘生育状态自动判被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各如因特网的计算机网络和/或各种电信网络与其他设[0146]处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电