本技術涉及農(nóng)業(yè)生產(chǎn)領域,尤其涉及一種大豆植株葉面積指數(shù)檢測方法、相應的裝置、電子設備及計算機可讀存儲介質(zhì)。
背景技術:
1、作物表型技術研究是加速培育高產(chǎn)高質(zhì)品種的關鍵所在,是發(fā)展現(xiàn)代種業(yè)的重要利器。葉面積指數(shù)(leaf?area?index,lai)是作物表型技術中一個重要參數(shù),單株植株葉面積指數(shù)定義為單位土地面積上植株所有無遮擋狀態(tài)下葉子的垂直投影面積總和占植株垂直投影面積的倍數(shù)。
2、傳統(tǒng)葉面積指數(shù)計算方式多基于二維成像技術直接測量,即在一種特定的坐標紙上,用鉛筆將待測葉片的輪廓描出并依葉形剪下坐標紙,稱取葉形坐標紙重量,按公式計算葉面積;或是將待測葉片采摘下來,使用格點法、方格法等進行葉面積計算,但大豆植株作物形態(tài)復雜、葉片互相遮擋時,此類方法存在易出錯、提取過程費時長、提取到的信息有限等問題。
3、綜上所述,適應現(xiàn)有技術中大豆植株作物形態(tài)復雜以及葉片互相遮擋時,格點法、方格法等進行葉面積計算存在易出錯、提取過程費時長、提取到的信息有限等問題,本技術人出于解決該問題的考慮作出相應的探索。
技術實現(xiàn)思路
1、本技術的目的在于解決上述問題而提供一種大豆植株葉面積指數(shù)檢測方法、相應的裝置、電子設備及計算機可讀存儲介質(zhì)。
2、為滿足本技術的各個目的,本技術采用如下技術方案:
3、適應本技術的目的之一而提出的一種大豆植株葉面積指數(shù)檢測方法,包括:
4、響應大豆植株葉面積指數(shù)檢測指令,獲取待檢測大豆植株圖像;
5、基于已訓練至收斂狀態(tài)的神經(jīng)輻射場模型根據(jù)所述待檢測大豆植株圖像生成待檢測大豆植株的隱式表示,渲染所述待檢測大豆植株的隱式表示以確定垂直于地面視角下的二維圖像以及垂直于地面視角下的體密度圖;
6、確定大豆葉子區(qū)域中每個像素點的面積,基于預訓練的圖像分割模型對所述二維圖像進行分割以獲得所述待檢測植株中大豆葉子的掩碼圖像,計算確定所述掩碼圖像中大豆葉子區(qū)域中的像素點個數(shù),根據(jù)所述大豆葉子區(qū)域中的像素點個數(shù)以及所述大豆葉子區(qū)域中每個像素點的面積確定大豆植株垂直投影面積;
7、計算確定所述垂直于地面視角下的體密度圖與所述掩碼圖像之間的乘積以確定大豆植株所有葉子的像素值,根據(jù)所述大豆植株所有葉子的像素值以及所述大豆葉子區(qū)域中每個像素點的面積確定無遮擋狀態(tài)下所有葉子的垂直投影面積總和;
8、基于所述無遮擋狀態(tài)下所有葉子的垂直投影面積總和以及所述大豆植株垂直投影面積確定大豆植株的葉面積指數(shù),以完成大豆植株葉面積指數(shù)的檢測。
9、可選的,根據(jù)所述大豆葉子區(qū)域中的像素點個數(shù)以及所述大豆葉子區(qū)域中每個像素點的面積確定大豆植株垂直投影面積的步驟,包括:
10、獲取拍攝時相機與大豆植株之間的距離、相機焦距、大豆葉子區(qū)域中的像素點個數(shù)以及大豆葉子區(qū)域中每個像素點的面積;
11、計算確定所述拍攝時相機與大豆植株之間的距離和所述相機焦距之間第一比值;
12、計算確定所述大豆葉子區(qū)域中的像素點個數(shù)與所述大豆葉子區(qū)域中每個像素點的面積之間的第一乘積;
13、計算確定所述第一比值與所述第一乘積之間的乘積,以確定大豆植株垂直投影面積。
14、可選的,根據(jù)所述大豆植株所有葉子的像素值以及所述大豆葉子區(qū)域中每個像素點的面積確定無遮擋狀態(tài)下所有葉子的垂直投影面積總和的步驟,包括:
15、獲取拍攝時相機與大豆植株之間的距離、相機焦距、大豆植株所有葉子的像素值以及大豆葉子區(qū)域中每個像素點的面積;
16、計算確定所述拍攝時相機與大豆植株之間的距離和所述相機焦距之間第二比值;
17、計算確定所述大豆植株所有葉子的像素值與所述大豆葉子區(qū)域中每個像素點的面積之間的第二乘積;
18、計算確定所述第二比值與所述第二乘積之間的乘積,以確定無遮擋狀態(tài)下所有葉子的垂直投影面積總和。
19、可選的,基于所述無遮擋狀態(tài)下所有葉子的垂直投影面積總和以及所述大豆植株垂直投影面積確定大豆植株的葉面積指數(shù)的步驟,包括:
20、確定大豆植株垂直投影面積以及無遮擋狀態(tài)下所有葉子的垂直投影面積總和;
21、計算確定所述無遮擋狀態(tài)下所有葉子的垂直投影面積總和與所述大豆植株垂直投影面積之間的第三比值,以確定大豆植株的葉面積指數(shù)。
22、可選的,基于已訓練至收斂狀態(tài)的神經(jīng)輻射場模型根據(jù)所述待檢測大豆植株圖像生成待檢測大豆植株的隱式表示,渲染所述待檢測大豆植株的隱式表示以確定垂直于地面視角下的二維圖像以及垂直于地面視角下的體密度圖的步驟,包括:
23、將待檢測大豆植株圖像輸入至已訓練至收斂狀態(tài)的神經(jīng)輻射場模型,生成待檢測大豆植株的隱式表示,其中,所述隱式表示包含了大豆植株的三維信息、顏色以及密度分布;
24、基于待檢測大豆植株的隱式表示,通過投影方法渲染出垂直于地面視角下的二維圖像;
25、通過計算垂直視角下每個點的體積密度,生成每個像素的密度值,以確定垂直于地面視角下的體密度圖。
26、可選的,基于預訓練的圖像分割模型對所述二維圖像進行分割以獲得所述待檢測植株中大豆葉子的掩碼圖像的步驟,包括:
27、調(diào)用預設的圖像分割模型,將所述垂直于地面視角下的二維圖像輸入至已訓練至收斂狀態(tài)的圖像分割模型;
28、對所述垂直于地面視角下的二維圖像進行圖像分割,輸出包含大豆葉子的掩碼圖像。
29、可選的,所述圖像分割模型的基礎網(wǎng)絡架構為sam模型。
30、適應本技術的另一目的而提供的一種大豆植株葉面積指數(shù)檢測裝置,包括:
31、圖像獲取模塊,設置為響應大豆植株葉面積指數(shù)檢測指令,獲取待檢測大豆植株圖像;
32、三維重建模塊,設置為基于已訓練至收斂狀態(tài)的神經(jīng)輻射場模型根據(jù)所述待檢測大豆植株圖像生成待檢測大豆植株的隱式表示,渲染所述待檢測大豆植株的隱式表示以確定垂直于地面視角下的二維圖像以及垂直于地面視角下的體密度圖;
33、垂直投影面積確定模塊,設置為確定大豆葉子區(qū)域中每個像素點的面積,基于預訓練的圖像分割模型對所述二維圖像進行分割以獲得所述待檢測植株中大豆葉子的掩碼圖像,計算確定所述掩碼圖像中大豆葉子區(qū)域中的像素點個數(shù),根據(jù)所述大豆葉子區(qū)域中的像素點個數(shù)以及所述大豆葉子區(qū)域中每個像素點的面積確定大豆植株垂直投影面積;
34、投影面積總和確定模塊,設置為計算確定所述垂直于地面視角下的體密度圖與所述掩碼圖像之間的乘積以確定大豆植株所有葉子的像素值,根據(jù)所述大豆植株所有葉子的像素值以及所述大豆葉子區(qū)域中每個像素點的面積確定無遮擋狀態(tài)下所有葉子的垂直投影面積總和;
35、葉面積指數(shù)檢測模塊,設置為基于所述無遮擋狀態(tài)下所有葉子的垂直投影面積總和以及所述大豆植株垂直投影面積確定大豆植株的葉面積指數(shù),以完成大豆植株葉面積指數(shù)的檢測。
36、適應本技術的另一目的而提供的一種電子設備,包括中央處理器和存儲器,所述中央處理器用于調(diào)用運行存儲于所述存儲器中的計算機程序以執(zhí)行本技術所述大豆植株葉面積指數(shù)檢測方法的步驟。
37、適應本技術的另一目的而提供的一種計算機可讀存儲介質(zhì),其以計算機可讀指令的形式存儲有依據(jù)所述大豆植株葉面積指數(shù)檢測方法所實現(xiàn)的計算機程序,該計算機程序被計算機調(diào)用運行時,執(zhí)行相應的方法所包括的步驟。
38、相對于現(xiàn)有技術,本技術針對現(xiàn)有技術中大豆植株作物形態(tài)復雜以及葉片互相遮擋時,格點法、方格法等進行葉面積計算存在易出錯、提取過程費時長、提取到的信息有限等問題,本技術包括但不限于如下有益效果:
39、本技術基于利用神經(jīng)輻射場技術對大豆植株進行三維建模,并基于三維模型計算植株的葉面積指數(shù),能夠顯著降低成本的同時,還能夠大大提高葉面積指數(shù)的檢測精度;
40、進一步的,本技術在大豆植株作物形態(tài)復雜、葉片互相遮擋的狀態(tài)下,還能夠顯著提高葉面積指數(shù)的檢測精度,通過提高葉面積指數(shù)的檢測精度,能夠準確無誤地分析大豆植株的葉面積分布情況,并在生態(tài)學和農(nóng)業(yè)研究中提供有用的信息,避免出現(xiàn)葉面積指數(shù)計算錯誤、提取過程費時長以及提取到的信息有限等問題。