(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111655451.5 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114324336 A (43)申请公布日 2022.04.12 (73)专利权人 四川农业大 学 地址 610000 四川省成 都市温江区惠民路 211号 (72)发明人 刘卫国　李秀妮　向帅　徐香瑶　 陈猛根　许梅　王文艳　 (74)专利代理 机构 成都为知盾专利代理事务所 (特殊普通 合伙) 51267 专利代理师 杨宜付 (51)Int.Cl. G01N 21/84(2006.01)G06V 10/26(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/771(2022.01) 审查员 陈紫容 (54)发明名称 一种大豆全生育期生物量无损测量方法 (57)摘要 本发明实施例提供一种大豆全生育期生物 量无损测量方法、 处理器。 方法包括： 获取每株大 豆在每个生育时期的N张大豆图像， N为自然数， 其中， N张大豆图像包括大豆的侧视图和顶视图， 将大豆图像输入至植株分割模型， 以通过植株分 割模型提取出每张大豆图像的特征， 针对每株大 豆， 将侧视图的特征和顶视图的特征共同作为大 豆的图像特征值， 对每株大豆所有的图像特征值 进行筛选， 以得到每株大豆的最优特征子集， 将 每株大豆的最优特征子集中的图像特征值输入 至预测模型中， 以通过预测模型对每株大豆的生 物量进行 预测。 权利要求书2页 说明书7页 附图4页 CN 114324336 B 2022.09.13 CN 114324336 B 1.一种大豆全生育期生物量无损测量方法， 其特 征在于， 所述方法包括： 获取每株大豆在每 个生育时期的6张侧视图和1张顶视图； 将获取的大豆图像输入至植株分割 模型， 以通过所述植株分割 模型提取出每张大豆图 像的特征； 针对每株大豆， 将所述侧视图的特征和所述顶视图的特征共同作为所述大豆的图像特 征值； 对每株大豆所有的图像特 征值进行筛 选， 以得到每 株大豆的最优特 征子集； 将每株大豆的最优特征子集中的图像特征值输入至预测模型中， 以通过所述预测模型 对每株大豆的生物量进行 预测； 所述预测模型 是通过多层感知器 （MLP） 模型构建的； 所述植株分割模型为Unet神经网络， 所述将获取的大豆图像输入至植株分割模型， 以 通过所述植株分割模型提取 出每张大豆图像的特 征包括： 对所述大豆图像进行 预处理； 将预处理后的大豆图像输入至Unet神经网络以获得与每张大豆图像对应的二 值图； 针对每张大豆图像， 将预处理后的大豆图像与 所述大豆图像的二值图掩膜得到精确分 割后的彩色图像， 掩膜是将预处理后的大豆图像与所述大豆图像的二值图叠加， 通过运算 只保留预处理后的大豆图像中与二值图重合的区域， 得到精确分割后的彩色图像， 其具体 计算公式为： 公式中， (x,y)为某一像素点的坐标， imageroi指精确分割后的彩色图像， imagebinary 为 Unet神经网络输出的二值图像， imageorginal为原始彩色图像， image(x， y)为图像中坐标为   (x， y)的像素点的像素值； 将所述精确分割后的彩色图像的颜色空间转化至HIS颜色空间， 以I通道作为灰度图， 灰度图的具体 计算公式为： ； 分别提取每张二值图、 精确分割后的彩色图、 灰度图的形态参数、 颜色参数和纹理参数 特征值； 再将大豆植株侧视图的特 征和大豆植株顶视图的特 征共同作为大豆的图像特 征值； 所述对每 株大豆所有的图像特 征值进行筛 选， 以得到每 株大豆的最优特 征子集包括： 使用skleran库中的RFECV函数对每株大豆所有的图像特征值自动进行特征筛选， 通过 RFECV自动筛除与生物量相关性特别低的特 征。 2.根据权利要求1所述的方法， 其特征在于， 所述方法还包括对所述植株分割 模型的训 练步骤， 所述训练步骤 包括： 获取多张大豆图像作为样本图像； 从所述样本图像中筛选出符合预设标准的样本图像， 并对筛选出的样本图像的图像大 小进行调整； 对调整后的样本图像中的植株所在区域进行 标注； 将标注后的样本图像输入至所述 植株分割模型中， 以对所述 植株分割模型进行训练。权　利　要　求　书 1/2 页 2 CN 114324336 B 23.根据权利要求2所述的方法， 其特 征在于， 所述训练步骤 还包括： 将所述样本图像划分为训练集、 测试集和验证集； 在对调整后的样本图像中的植株所在区域进行标注之后， 将调整后的样本图像和标注 后的样本图像按照 8： 1： 1的比例划分， 以分别确定所述训练集、 所述测试集和所述验证集中 的样本图像； 将数据转换为VOC2007的数据格式， 以对所述植株分割模型进行预训练； 使用VOC  2012 数据集对 模型进行 预训练， 训练模型的特 征提取能力； 使用预训练获得的权重和训练集中的样本图像对植株分割 模型进行正式训练； 当模型 在验证集上分割的结果 不再变化， 确定网络基本收敛， 植株分割模型训练完毕； 使用测试集中样本图像对植株分割模型进行评估。 4.根据权利要求3所述的方法， 其特征在于， 所述正式训练包括第 一训练阶段和第 二训 练阶段， 所述第一训练阶段是指冻 结植株分割模型 的主干特征提取网络， 针对性的训练分 类网络， 第二训练阶段 是指解冻主干特 征提取网络， 以对整个植株分割模型进行训练。 5.根据权利要求3所述的方法， 其特征在于， 所述将所述样本 图像划分为训练集、 测试 集和验证集包括： 将所述样本图像包括的大豆为全生育时期时的样本图像随机划分至训练集、 测试集和 验证集。 6.根据权利要求1所述的方法， 其特征在于， 所述对每株大豆所有的图像特征值进行筛 选， 以得到每 株大豆的最优特 征子集包括： 使用skleran库中的RFECV函数对每株大豆所有的图像特征值自动进行特征筛选， 以从 78个图像特 征值中筛 选出41个图像特 征值， 以确定每 株大豆的最优特 征子集。 7.根据权利要求1所述的方法， 其特征在于， 每张大豆图像的特征包括46个形态参数、 12个颜色参数和34个纹 理参数。 8.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程 序， 所述计算机程序被配置成执行根据权利要求 1至7中任意一项 所述的大豆全生育期生物 量无损测量方法。权　利　要　求　书 2/2 页 3 CN 114324336 B 3