水稻是重要的糧食作物之一,其產(chǎn)量關(guān)乎到人類的生存與健康。培育高產(chǎn)水稻一直是水稻育種研究的重要方向,其中水稻表型性狀的測量是水稻育種研究中的關(guān)鍵環(huán)節(jié)。水稻表型性狀主要包括粒型性狀參數(shù)和穗型性狀參數(shù),其中前者包括谷粒數(shù)、谷粒面積、粒長、粒寬等,后者包括穗長、一次枝梗長度、在穗谷粒數(shù)等。傳統(tǒng)的表型性狀獲取方法主要采用人工測量,勞動量大、效率低下、測量精度低。利用圖像處理技術(shù),可以提高測量效率和精度,易于實現(xiàn)自動化。本研究基于圖像處理技術(shù),設(shè)計了一種粒穗一體化性狀測量平臺,將粒型性狀與穗型性狀的測量集成到一個平臺,可實現(xiàn)大多數(shù)粒型和穗型性狀參數(shù)的精確測量。對于穗型性狀參數(shù)中的在穗谷粒數(shù),由于穗株谷粒之間復雜的粘連和遮擋情況,傳統(tǒng)圖像處理方法難以進行精確測量。對此,本研究提出基于深度學習的在穗谷粒數(shù)預(yù)測方法,利用全卷積神經(jīng)網(wǎng)絡(luò),結(jié)合谷粒中心點標注方式,在不損壞穗株形態(tài)結(jié)構(gòu)的前提下,實現(xiàn)了對完整穗株上的谷粒檢測和計數(shù)。在穗谷粒數(shù)測量誤差達到3.47%,滿足測量誤差指標。對于被遮擋的谷粒,傳統(tǒng)圖像處理無法測量其性狀參數(shù),通常會忽略這部分谷粒,對測量結(jié)果的完整性造成影響。本研究提出了基于深度學習的谷粒性狀還原方法,模擬谷粒遮擋現(xiàn)象,設(shè)計自動標注方法生成訓練樣本,訓練具有圖像還原功能的卷積神經(jīng)網(wǎng)絡(luò),將被遮擋谷粒圖像的殘缺部分還原。還原后的谷粒在形狀和顏色上十分接近普通谷粒,可對其進行粒長、粒寬、面積等性狀參數(shù)的測量。通過實驗,對比了還原圖像與真實圖像之間的谷粒性狀參數(shù)差異,對本方法在實際應(yīng)用中的可行性進行了分析。本研究提出的深度學習穗株谷粒數(shù)預(yù)測方法,解決了谷粒粘連和遮擋問題。針對遮擋谷粒性狀參數(shù)無法測量的問題,本研究提出的深度學習谷粒性狀還原方法提供了一種有效的解決方案。
【學位單位】：上海交通大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：S511;TP18;TP391.41
【部分圖文】：

圖 1- 1 手工測量粒長的方式[17]Fig.1- 1 Manual measurement of grain length[17]型性狀的傳統(tǒng)人工測量具有誤差較大，勞動強度大，且效率低下，限制，重復性較差。隨著技術(shù)的發(fā)展，自動化控制、機器視覺、高用于作物表型特征的提取，自動化表型測量平臺逐漸取代了傳統(tǒng)手工省大量時間和人力成本。如比利時研究團隊開發(fā)的“表型性狀工廠植物表型組自動檢測平臺[19]，澳大利亞的植物表型設(shè)備中心[20]，歐組學研究平臺 PhenoFab[21]等。這些平臺通常除了配置常見的可見光可能配置有近紅外、紅外、高光譜、X 射線成像等成像系統(tǒng)，通過集的圖像進行分析計算，獲取其表型性狀數(shù)據(jù)。其中，圖像處理和量平臺的關(guān)鍵環(huán)節(jié)，是表型性狀測量的核心技術(shù)。年來，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學習技術(shù)飛速發(fā)展，使機器視前的進步，尤其在圖像分類和物體檢測方向有重大突破，機器視覺魯棒性大幅提高[22]。深度學習在農(nóng)業(yè)方面的研究和應(yīng)用潛力逐漸被研究者在水果病變識別[23,24]，苜蓿葉部病害檢測[25]，玉米籽粒完整

可以測量粒數(shù)，還可以對粒長、粒寬等性狀參數(shù)進行測量。Lingfeng D可見光 CCD 相機成像與 X-ray 成像結(jié)合獲取雙模式圖像，利用分水嶺谷粒，求出谷�？倲�(shù)量，再通過 X-ray 能反映灌漿程度的特點識別實粒從而得出結(jié)實率[37]，相比于傳統(tǒng)分選機分離實癟粒的機械式方法，這種擺脫電機，風扇等機械裝置，節(jié)省了設(shè)備空間，但 X-ray 成像會引入放。華中科技大學楊萬能等人設(shè)計的全自動數(shù)字化水稻考種機，采用多級結(jié)合風選裝置，分離實粒與癟粒，再利用圖像處理技術(shù)提取總粒數(shù)、實率、粒長、粒寬參數(shù)，整個過程實現(xiàn)全自動化[17]。華中科技大學黃成龍的碾壓式水稻自動脫離系統(tǒng)，將穗株上的谷粒自動脫離，方便送入數(shù)字種機測量參數(shù)，使穗株谷粒數(shù)測量實現(xiàn)自動化[38]。這些自動化的谷粒表備，通常體積比較龐大，不易搬運，且造價昂貴，推廣程度不高。此外究者開發(fā)了表型測量的軟件系統(tǒng)，如日本國立農(nóng)業(yè)生物資源研究所（Nakanari Tanabata 等人，開發(fā)一款可免費使用的種子表型測量軟件 SmartG件使用圖像處理技術(shù)計算幾個形狀參數(shù)，包括谷粒的長度，寬度，面積，但是需要自行配備一套硬件平臺[39]。

圖 2- 1 一款商業(yè)自動化考種機[38]Fig.2- 1 A commercial automaticseed phenotyping facility[38]2.2 平臺機械結(jié)構(gòu)與器件模塊粒穗一體化考種儀主要模塊包括平板電腦、電子稱模塊、嵌入式藍牙控制、頂光燈板、背光燈板、透明托盤、箱體等。此外粒穗一體化考種儀還同時一個風選裝置和一個標簽打印機這兩外部設(shè)備，其中前者用來分離實粒與癟粒便測量實粒數(shù)與實粒率這兩個谷粒性狀參數(shù)，后者用來即時將測量結(jié)果打印紙上，打印得到的標簽可以粘到谷�；蛩胫晔占�，方便標記。如圖 2-2 ，為粒穗一體化考種儀的實物圖，其中中間黑色方形箱體的設(shè)備就是粒穗一考種儀，位于圖像右邊的白色物體為風選裝置，位于圖像左邊的較小黑色箱標簽打印機。
【參考文獻】

相關(guān)期刊論文 前7條

1 王細萍;黃婷;譚文學;吳華瑞;孫闖;;基于卷積網(wǎng)絡(luò)的蘋果病變圖像識別方法[J];計算機工程;2015年12期

2 李金梅;崔迪;湯翠鳳;阿新祥;余滕瓊;馬小定;張恩來;劉昌文;徐福榮;戴陸園;韓龍植;;兩個時期收集的云南水稻農(nóng)家品種表型多樣性比較[J];植物遺傳資源學報;2015年02期

3 譚文學;趙春江;吳華瑞;高榮華;;基于彈性動量深度學習神經(jīng)網(wǎng)絡(luò)的果體病理圖像識別[J];農(nóng)業(yè)機械學報;2015年01期

4 王祥生;王偉;;基于清晰度的細胞顯微圖像分割和計數(shù)方法[J];中國醫(yī)學影像學雜志;2014年10期

5 趙三琴;李毅念;丁為民;呂俊逸;王心怡;;稻穗結(jié)構(gòu)圖像特征與籽粒數(shù)相關(guān)關(guān)系分析[J];農(nóng)業(yè)機械學報;2014年12期

6 李宏;韋曉蘭;;表型組學:解析基因型-表型關(guān)系的科學[J];生物技術(shù)通報;2013年07期

7 吳琦;EL冷光產(chǎn)品及應(yīng)用前景綜述[J];科技創(chuàng)業(yè)月刊;2002年01期

相關(guān)博士學位論文 前3條

1 周博;基于農(nóng)業(yè)可持續(xù)發(fā)展的我國糧食安全影響因素研究[D];沈陽農(nóng)業(yè)大學;2015年

2 黃成龍;多品種水稻數(shù)字化考種關(guān)鍵技術(shù)研究[D];華中科技大學;2014年

3 楊萬能;水稻產(chǎn)量相關(guān)性狀參數(shù)自動提取的數(shù)字化技術(shù)研究[D];華中科技大學;2011年

本文編號：2863372