一种基于模拟策略的小麦麦穗计数方法

本发明涉及农业信息，具体而言，涉及一种基于模拟策略的小麦麦穗计数方法。

背景技术：

1、在众多影响小麦产量的因素中，小麦麦穗数的多少与小麦产量之间存在着显著的正相关性。传统的小麦麦穗数计数方法主要依赖人工进行，这种方法不仅劳动强度大、效率低下，而且受人为因素影响较大，数据的准确性和客观性难以保证。同时，田间环境的多变性和复杂性，如天气变化、光照条件等，给数据收集工作带来了极大的困扰，数据收集的难度大，误差也难以避免。

2、近年来，计算机视觉与深度学习技术的迅猛发展，为农作物检测和计数提供了新的解决方案。基于图像的处理和分析方法，能够实现对小麦田图像中小麦麦穗数的自动化检测和计数，极大地提升了工作效率和数据准确性。然而，在实际应用中，田间数据的获取仍然面临着环境不可控、数据质量不稳定等诸多难题。这主要体现在人工检测方法的耗时耗力、准确性低，以及田间复杂多变的环境对数据质量的影响。

技术实现思路

1、本发明的目的是为了解决上述背景技术中提出的问题，继而提出了一种基于模拟策略的小麦麦穗计数方法。

2、本发明解决其技术问题所采取的技术方案是：

3、一种基于模拟策略的小麦麦穗计数方法，包括以下步骤：

4、s1、在室内构建模拟小麦田环境；

5、s2、采集模拟小麦田的图像数据；

6、s3、选取深度学习模型进行训练和测试；

7、s4、选择最佳模型；

8、s5、验证模拟方法的有效性；

9、s6、优化模型的实际应用。

10、进一步的，所述步骤s1的具体步骤如下：通过空气干燥的小麦和模拟的小麦叶片，搭建模拟系统，并使用灰色泡沫板作为背景，模拟真实的小麦生长条件。

11、进一步的，所述灰色泡沫板的尺寸为长度95cm，宽度55cm，所述灰色泡沫板上线性阵列有若干插孔，所述插孔内插接有模拟的小麦叶片，模拟真实小麦田的生长密度。

12、进一步的，所述步骤s2的具体步骤如下：使用尼康相机拍摄了800张高分辨率图像，以确保图像质量，图像采集完成后，将图像裁剪，去除实验无关部分，然后进行灰度图像处理。

13、进一步的，所述步骤s3的具体步骤如下：使用800张模拟小麦图像进行深度学习模型训练，50张真实小麦图像作为验证数据，330张真实小麦图像作为测试数据，比较九种模型在测试数据集上的性能，包括均方根误差和决定系数。

14、进一步的，在步骤s3中，所述深度学习模型包括faster-rcnn、yolov7、yolov8、centernet、ssd、ret i nanet、effic ientdet、deformab l e-detr和d ino。

15、进一步的，在步骤s3中，创建不同数量的模拟小麦图像数据集，分别为100、200、300、400、500、600、700和800张图像，训练最佳模型yolov7，并观察不同训练数据集大小对模型性能的影响，使用不同图像预处理方法对测试数据集进行处理，并测试yolov7模型的性能，选择四个不同日期采集的图像，测试yolov7模型在不同生长阶段的性能。

16、进一步的，在步骤s5中，将基于模拟数据训练的模型与基于真实小麦数据训练的模型进行对比实验。

17、进一步的，在步骤s6中，从测试数据集中选择60个明显重叠的小麦穗区域，包括30个绿色小麦穗和30个黄色小麦穗的重叠区域，使用yolov7模型测试这些重叠区域的性能。

18、与现有技术相比，本发明的有益效果是：本发明通过在室内环境中模拟小麦田的生长条件，结合深度学习模型，实现了高效、准确的小麦麦穗检测和计数，通过这种模拟策略，可以有效地解决田间数据收集难的问题，为小麦产量的预测和管理提供了重要的技术支持。

技术特征：

1.一种基于模拟策略的小麦麦穗计数方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于模拟策略的小麦麦穗计数方法，其特征在于，所述步骤s1的具体步骤如下：通过空气干燥的小麦和模拟的小麦叶片，搭建模拟系统，并使用灰色泡沫板作为背景，模拟真实的小麦生长条件。

3.根据权利要求2所述的基于模拟策略的小麦麦穗计数方法，其特征在于，所述灰色泡沫板的尺寸为长度95cm，宽度55cm，所述灰色泡沫板上线性阵列有若干插孔，所述插孔内插接有模拟的小麦叶片，模拟真实小麦田的生长密度。

4.根据权利要求3所述的基于模拟策略的小麦麦穗计数方法，其特征在于，所述步骤s2的具体步骤如下：使用尼康相机拍摄了800张高分辨率图像，以确保图像质量，图像采集完成后，将图像裁剪，去除实验无关部分，然后进行灰度图像处理。

5.根据权利要求1所述的基于模拟策略的小麦麦穗计数方法，其特征在于，所述步骤s3的具体步骤如下：使用800张模拟小麦图像进行深度学习模型训练，50张真实小麦图像作为验证数据，330张真实小麦图像作为测试数据，比较九种模型在测试数据集上的性能，包括均方根误差和决定系数。

6.根据权利要求5所述的基于模拟策略的小麦麦穗计数方法，其特征在于，在步骤s3中，所述深度学习模型包括faster-rcnn、yolov7、yolov8、centernet、ssd、retinanet、efficientdet、deformable-detr和dino。

7.根据权利要求6所述的基于模拟策略的小麦麦穗计数方法，其特征在于，在步骤s3中，创建不同数量的模拟小麦图像数据集，分别为100、200、300、400、500、600、700和800张图像，训练最佳模型yolov7，并观察不同训练数据集大小对模型性能的影响，使用不同图像预处理方法对测试数据集进行处理，并测试yolov7模型的性能，选择四个不同日期采集的图像，测试yolov7模型在不同生长阶段的性能。

8.根据权利要求1所述的基于模拟策略的小麦麦穗计数方法，其特征在于，在步骤s5中，将基于模拟数据训练的模型与基于真实小麦数据训练的模型进行对比实验。

9.根据权利要求1所述的基于模拟策略的小麦麦穗计数方法，其特征在于，在步骤s6中，从测试数据集中选择60个明显重叠的小麦穗区域，包括30个绿色小麦穗和30个黄色小麦穗的重叠区域，使用yolov7模型测试这些重叠区域的性能。

技术总结一种基于模拟策略的小麦麦穗计数方法，涉及农业信息技术领域，包括以下步骤：在室内构建模拟小麦田环境；采集模拟小麦田的图像数据；选取深度学习模型进行训练和测试；选择最佳模型；验证模拟方法的有效性；优化模型的实际应用。本发明通过在室内环境中模拟小麦田的生长条件，结合深度学习模型，实现了高效、准确的小麦麦穗检测和计数，通过这种模拟策略，可以有效地解决田间数据收集难的问题，为小麦产量的预测和管理提供了重要的技术支持。技术研发人员：耿霞,孔令让,孙晓勇,姜天佑,王永震,汤钟震,宋作杰受保护的技术使用者：山东农业大学技术研发日：技术公布日：2024/9/26