基于双YOLO与拓扑骨架提取的种子发芽参数测量方法与流程

本发明涉及农业生产，尤其涉及一种基于双yolo与拓扑骨架提取的种子发芽参数测量方法。

背景技术：

1、近年来，深度学习技术在计算机视觉领域取得突破性进展，卷积神经网络在目标检测、实例分割、特征提取等任务上的精度与鲁棒性已远超传统图像处理方法。随着机器视觉技术向农业领域深度渗透，基于深度学习的种子发芽检测方案逐渐成为研究热点，现有相关专利方案在种子发芽信息获取方向上取得一定进展，但仍存在明显技术缺陷。

2、公开号cn116612139b基于深度学习实现了发芽率的计算，其采用深度学习目标检测模型识别种子与发芽芽点，通过计数统计种子发芽率，解决了人工计数效率低的问题。但其技术方案仅停留在目标检测层面，无法对种皮、种芽进行像素级细粒度分割，不具备芽长、根长等形态参数的测量能力，检测维度单一，无法全面评价种子活力水平。

3、公开号cn119516247a具备芽长测量能力，其在目标检测基础上增加了芽长测量环节，对裁剪出的发芽种子图像依次进行二值化、膨胀模糊与骨架提取，以骨架最长直线距离换算芽长数据。但算法原理存在多重固有缺陷，覆盖目标区分、骨架提取、长度计量三个核心环节：

4、（1）该专利直接对整颗发芽种子的二值图像进行骨架提取，未剥离种皮区域，种皮会干扰骨架生成，造成骨架起点错位、路径冗余；

5、（2）该专利依托传统形态学膨胀腐蚀算法提取骨架，骨架无法保证单像素宽度，易出现粘连、断裂、中心线偏移问题；

6、（3）该专利采用直线距离表征弯曲种芽长度，与种芽实际生长路径偏差较大，存在种芽长度测量失真问题。

7、综上，现有技术无法实现种皮与种芽的精准拆分、弯曲幼根的路径化精准测长，同时缺少完整的发芽信息指标自动化计算逻辑，检测精度与完整性均无法满足国标种子质检要求。基于此，本发明设计双yolo分级分割架构实现粗细双层检测，结合掩码匹配消除种皮干扰，依托拓扑骨架提纯算法精准还原幼根真实长度，全方位解决现有技术缺陷，实现种子发芽率与种芽长度的高精度、标准化全自动测量。

技术实现思路

1、本发明公开了基于双yolo与拓扑骨架提取的种子发芽参数测量方法，本发明设计双yolo分级分割架构构建粗细双层检测体系，通过掩码匹配算法滤除种皮背景干扰，搭配拓扑骨架提纯算法精准还原幼根实际长度，从多维度克服现有技术存在的各类缺陷，完成种子发芽率、种芽长度高精度、标准化全自动一体化检测。

2、本发明的技术实施方案是：

3、基于双yolo与拓扑骨架提取的种子发芽参数测量方法，包括以下步骤：

4、s1、种子双层级实例分割检测：构建两级实例分割检测模型架构，对采集的培养皿种子全景图像执行并行推理，分别输出种子整体目标的全局掩码、种子内部种皮与种芽结构的细粒度局部掩码，形成全局粗定位分割与局部精细结构分割的双层检测模式；

5、s2、掩码关联匹配与发芽状态判定：采用掩码匹配策略，建立种子全局掩码与种皮、种芽局部掩码一一映射，据此判别单粒种子发芽状态；

6、s3、种芽区域骨架细化处理：步骤s2中，对判定为发芽种子的种芽区域掩码执行骨架细化处理，将具有一定宽度的种芽区域收缩为单像素宽度、拓扑连续的中心骨架线；

7、s4、主骨架提纯与种芽长度测算：基于骨架像素的邻域拓扑特征对初始中心骨架进行主骨架提纯，剔除侧枝毛刺并复原主干末端像素，依据提纯后的主骨架计算得到种芽的实际物理长度；

8、s5、发芽指标统计与可视化输出：统计全部种子的发芽状态与种芽长度数据，计算发芽率与平均种芽长度核心指标，并生成叠加有检测标注信息的可视化图像进行输出。

9、作为上述技术方案的进一步描述，所述步骤s1包括以下步骤：

10、s1-1、采用固定机位的图像采集设备，同意拍摄高度、焦距与图像分辨率，从而采集培养皿全景种植图像；

11、s1-2、基于同源种子图像制作，并对两类标注数据集：第一类为粗粒度标注数据集，仅标注完整种植个体轮廓，不区分内部结构与发芽状态；第二类为细粒度标注数据集，拆分标注种皮、种芽两类独立结构区域；

12、s1-3、基于粗粒度标注数据集训练一级基准分割模型，推理输出培养皿内全部种子的定位结果、计数结果与种子全局掩码；

13、s1-4、基于细粒度标注数据集训练二级细分分割模型，推理输出种皮掩码与种芽掩码两类细粒度局部掩码，隔离种皮区域与种芽区域以消除种皮对后续长度测量的干扰。

14、作为上述技术方案的进一步描述，所述s2步骤具体以下包括：

15、s2-1、通过掩码覆盖度作为两级掩码的匹配评价指标，所述掩码覆盖度的计算公式为：

16、

17、式中，为掩码覆盖度；为一级种子掩码与二级局部掩码（种皮/种芽）交集区域像素总个数；为二级局部掩码自身像素总个数；

18、针对种皮、种芽分别设置差异化匹配阈值，种皮匹配阈值设为0.7，种芽匹配阈值设为0.6；当掩码覆盖度大于对应阈值时，判定两组掩码匹配成功；

19、s2-2、采用双轮贪心配对策略执行匹配，通过第一轮完成种植全局掩码和种皮掩码的配对；通过第二轮完成种子全局掩码与种芽掩码的配对；

20、每轮掩码覆盖度降序配对，按照循序选取并标记已占用掩码，确保相互对应匹配无重复；

21、s2-3、在步骤s2-2中，若单粒种子的全局掩码同时匹配到种皮掩码与种芽掩码，判定该种子为发芽种子；若仅匹配到种皮掩码，判定该种子为未发芽种子。

22、作为上述技术方案的进一步描述，所述步骤s3采用并行细化算法执行骨架细化处理，具体包括：

23、s3-1、以3×3邻域为基本判定单元，以当前待检测像素为中心，顺时针顺序提取8邻域像素的二值状态，定义两类核心判定参数：邻域前景像素总数、背景到前景跳变次数，计算公式如下：

24、

25、

26、s3-2、每轮迭代包含两个对称的子扫描阶段，分别针对东南方向、西北方向的边界像素设置删除约束条件，对同时满足邻域前景像素数约束、跳变次数约束及方向边界约束的像素，标记为可删除边界像素；单轮全部扫描完成后，批量删除所有标记像素；

27、s3-3、循环执行迭代细化，直至单轮迭代中无可删除像素时算法收敛，输出与原种芽区域拓扑一致的单像素连续中心骨架。

28、作为上述技术方案的进一步描述，所述步骤s4具体包括：

29、s4-1：采用8邻域跳变次数作为拓扑判定核心指标，判定规则如下：

30、跳变次数为1的像素判定为端点像素，跳变次数为2的像素判定为主干中间像素，跳变次数不小于3的像素判定为分叉节点像素；

31、s4-2：初始化删除轮次掩码矩阵以记录每轮像素删除层级，逐轮批量剔除所有骨架端点像素，直至剩余骨架端点数量不大于2，得到去除侧枝毛刺的初步主干骨架；

32、s4-3：以初步主干骨架的两个端点为起点，按照删除层级由高到低反向遍历邻域像素，逐层复原被误删的主干末端像素，还原种芽真实主干骨架；

33、s4-4：采用方向加权法计算主骨架的像素总长度，再通过像素与物理长度的转换比例换算得到种芽的实际物理长度。

34、作为上述技术方案的进一步描述，所述步骤s5具体包括：

35、所述步骤s5中，种子发芽率计算公式如下：

36、

37、式中，gr为种子发芽率；为发芽种子总数；为培养皿内全部种子总数；

38、平均种芽长度的计算公式为：

39、

40、式中，为种芽平均物理长度；为第i颗发芽种子的种芽物理长度（未发芽长度为0）。

41、作为上述技术方案的进一步描述，在原始种子图像上叠加种子检测框、种皮分割掩码、种芽分割掩码生成掩码标注图；在原始种子图像上叠加提纯后的种芽主骨架线生成骨架标注图，输出两类可视化标注图像以供结果核验。

42、一种种子发芽信息自动测量装置，其特征在于，包括图像采集模块、两级分割推理模块、掩码匹配与状态判定模块、骨架细化模块、主骨架提纯与长度计算模块、指标计算与可视化输出模块；所述装置用于执行权利要求 1 至 6 任一项所述的种子发芽信息自动测量方法。

43、本发明具有如下优点：

44、1、本发明，采用双yolo粗细两级分割架构，一级模型完成种子全局检测，二级模型实现种皮、种芽像素级精细拆分，可规避种皮区域对种芽长度测量造成的干扰。

45、2、本发明，使用基于覆盖度的双轮贪心匹配算法对两级掩码结果进行匹配，依托两级模型推理结果实现双重校验，提升种子整体与发芽信息的识别精度。

46、3、本发明，基于guo-hall细化算法提取种芽主骨架，并结合邻域拓扑数分析与删除轮次回溯机制完成主骨架提纯，彻底去除根系侧枝与毛刺干扰。对不同形态、不同弯曲度、不同分支数量的根系均能稳定提取主骨架，测量精度远优于基于膨胀与腐蚀运算的形态学方法。

47、4、本发明，所提算法全流程自动化运行，处理效率高，单张培养皿图像检测耗时仅需数秒，相比人工检测效率提升数十倍，适配大批量种子质检与实验场景。