便捷式的基于图像识别的水稻整穗测量方法及其应用与流程

1.本技术涉及植物表型测量技术领域，特别是涉及便捷式的基于图像识别的水稻整穗测量方法及其应用。


背景技术：

2.水稻是世界上最重要的粮食作物之一。人口的持续增加，对高产量的作物育种提出了新要求。水稻产量由穗数、小穗数、粒形等三个特性来决定，而小穗数与穗分支数密切相关，粒的大小形状影响产量。水稻穗的发育生长也可用于评估疾病状态、营养、生长阶段等。因此，水稻整穗的表型研究很有必要。然而，对水稻穗数、小穗数、粒形等测量，传统方法耗时耗力，对穗型的测量提出了新的要求。
3.现有技术如我司在先专利cn201510323529.1 公开的一种基于图像处理的作物种子计数方法能准确快速地给种子计数，同时在此分割基础上可以对种子的大小形状等参数做测量，但该方法在测量前需要脱粒或脱壳，破坏了穗结构特征，一级、二级枝梗的信息无法获取。又如[d. wu, z. guo, j. ye, h. feng, j. liu, g. chen, j. zheng, d. yan, x. yang, x. xiong, q. liu, z. niu, a.p. gay, j.h. doonan, l. xiong, w. yang, combining high-throughput micro-ct-rgb phenotyping and genome-wide association study to dissect the genetic architecture of tiller growth in rice, j. exp. bot. 70 (2019) 545
–
561]结合x射线成像和可见光成像来区分饱满与不饱满小穗，x光在不需要脱壳的情况下能够测量种子内部结构，但是这里仍需要脱壳，穗结构特性仍然不能得到。
[0004]
综上，目前已有的测量设备和测量方法要么在实际使用上不够便捷，要么是获取的参数侧重点不同。为此，亟待一种便捷式的基于图像识别的水稻整穗测量方法及其应用，以高效获取多参数的整穗表型信息。


技术实现要素：

[0005]
本技术实施例提供了便捷式的基于图像识别的水稻整穗测量方法及其应用，针对目前技术存在的操作不具有便捷性、参数的全面性准确性欠佳等的问题。
[0006]
本发明核心技术主要是在特定背景板上，先后分别进行水稻整穗和水稻一次和二次枝梗图像采集，检测背景板上标定物并做图像校正以及比例尺计算，通过整穗分析和枝梗分析，分别获取整穗长度信息和枝梗长度、穗粒数等相关信息。
[0007]
第一方面，本技术提供了便捷式的基于图像识别的水稻整穗测量方法，所述方法包括以下步骤：s100、分别获取水稻的整穗图像以及水稻分离一次枝梗和二次枝梗后的枝梗图像；s200、分别对整穗图像和枝梗图像进行图像校正，以得到整穗校正图和枝梗校正图，以及换算比例尺；
s300、对整穗校正图做分割得到二值图，并对该二值图进行骨架分析及最短路径分析，以获取水稻整穗长及路径点集；s400、基于枝梗校正图对水稻穗粒识别定位；s500、基于枝梗校正图获取并区分水稻一次枝梗和二次枝梗的轮廓信息；s600、计算得到水稻一次枝梗和二次枝梗的表型信息以得到整体参数和每个枝梗参数。
[0008]
进一步地，步骤s100中，水稻分离一次枝梗和二次枝梗后的枝梗图像的具体步骤为：s110、依次分离整穗中所有的一次枝梗和二次枝梗；s120、将一次枝梗和二次枝梗分别放置于特定背景板的对应区域，保持每个枝梗上下朝向进行拍摄得到枝梗图像。
[0009]
进一步地，步骤s200的具体步骤为：s210、分别从整穗图像和枝梗图像中获取所有可能的候选圆；s220、分别对所有可能候选圆进行筛选，每个图像保留至少四个候选圆；s230、根据保留的候选圆分别计算对应的透视变换矩阵；s240、将透视变换矩阵作用于对应的rgb彩色图像上以获取变换图，并微调图像长宽比例，使得矫正后的矩形区域的宽高比例与真实比例一致，同时记录真实尺寸的比例尺。
[0010]
进一步地，步骤s400的具体步骤为：s410、基于特定背景板，放置不同水稻枝梗，进行不同高度、不同角度、不同光照拍摄，以此收集包含水稻穗粒的数据，整理并标定形成数据库；s420、对数据库做不同程度的线下数据扩展，以增加数据的多样性；s430、基于数据库进行模型训练并转换成指定格式；s440、将枝梗校正图划分为多个有重叠的子图像，由前向推理获取所有穗粒的矩形框位置，包括中心坐标、长、宽；s450、将每个子图像的矩形框位置映射到枝梗校正图上，通过后处理去除冗余的检测矩形框，得到所有的预测框。
[0011]
进一步地，步骤s500的具体步骤为：s510、对枝梗校正图进行图像分割，得到枝梗分割图；s520、对枝梗分割图利用轮廓查找法获取所有轮廓，进而采用设定规则过滤，得到有效的轮廓集；s530、按位置对轮廓集合分类，分别得到一次枝梗和二次枝梗的轮廓集合；s540、分别对一次枝梗轮廓集和二次枝梗轮廓集排序。
[0012]
进一步地，步骤s600的具体步骤为：s610、对每个枝梗进行骨架分析及最短路径分析，以获取其长度参数以及对应路径点集；s620、获取每个枝梗的最小外接矩形的四个顶点；s630、计算每个枝梗的穗粒数以及对应的所有穗粒中心坐标；s640、计算每个枝梗的着粒密度，其中该着粒密度为枝梗的穗粒数与枝梗长度的比值；
s650、计算表型信息以得到整体参数和每个枝梗参数，其中每个枝梗参数包括每个枝梗长度及路径点集，每个枝梗的最小外接矩形，每个枝梗的穗粒数及对应的所有穗粒的定位中心坐标及每个枝梗着粒密度；整体参数包括：总穗粒数、枝梗总长度、枝梗总数目、一次枝梗数目、一次枝梗总长度、一次枝梗总穗粒数、一次枝梗长度平均值，一次枝梗穗粒数平均值、一次枝梗穗粒数贡献率、二次枝梗数目、二次枝梗总长、二次枝梗总穗粒数、二次枝梗长度平均值、二次枝梗穗粒数平均值及二次枝梗穗粒数贡献率。
[0013]
进一步地，步骤s600中，一次枝梗穗粒数贡献率为一次枝梗总穗粒数在总穗粒数中的占比，二次枝梗穗粒数贡献率为二次枝梗总穗粒数在总穗粒数中的占比。
[0014]
第二方面，本技术提供了一种基于图像识别的水稻整穗测量装置，包括：采集模块，用于分别获取水稻的整穗图像以及水稻分离一次枝梗和二次枝梗后的枝梗图像；校正模块，用于分别对整穗图像和枝梗图像进行图像校正，以得到整穗校正图和枝梗校正图，以及换算比例尺；整穗分析模块，用于对整穗校正图做分割得到二值图，并对该二值图进行骨架分析及最短路径分析，以获取水稻整穗长及路径点集；枝梗分析模块，用于对枝梗校正图像做分析，通过穗粒检测定位、分割、一次枝梗和二次枝梗轮廓检测筛选，计算每个枝梗局部的表型信息，进而计算整体参数；输出模块，用于输出水稻的整体参数，该整体参数包括：总穗粒数、枝梗总长度、枝梗总数目、一次枝梗数目、一次枝梗总长度、一次枝梗总穗粒数、一次枝梗长度平均值，一次枝梗穗粒数平均值、一次枝梗穗粒数贡献率、二次枝梗数目、二次枝梗总长、二次枝梗总穗粒数、二次枝梗长度平均值、二次枝梗穗粒数平均值及二次枝梗穗粒数贡献率。
[0015]
第三方面，本技术提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的便捷式的基于图像识别的水稻整穗测量方法。
[0016]
第四方面，本技术提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据上述的便捷式的基于图像识别的水稻整穗测量方法。
[0017]
本发明的主要贡献和创新点如下：1、与现有技术相比，本技术只需要采用简单的背景板以及少量的人工辅助，如整穗的摆放，一次枝梗、二次枝梗的分离及摆放，就可以获得长度、穗粒数等的高精度测量、计数，极大地提高了使用的便捷性，满足了用户的高精度要求，从而有效地解决了现有技术中存在的便捷性不佳的问题，以及精度不佳的问题；2、与现有技术相比，本技术中的枝梗分析，实际上实现了整穗的一个拓扑结构分析，一级枝梗的数目，每个一级枝梗的长度、着粒密度，一级枝梗的穗粒数贡献率，二级枝梗的数目，每个二级枝梗的长度、着粒密度，二级枝梗的穗粒数贡献率，这些信息描述了整穗的结构信息，每个枝梗与小穗数的依附关系，各级枝梗间的相关信息等。
[0018]
本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
附图说明
[0019]
此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：图1是根据本技术实施例的便捷式的基于图像识别的水稻整穗测量方法的流程；图2是根据本技术实施例的水稻枝梗测量效果示意图；图3是根据本技术实施例的水稻整穗测量效果示意图；图4是根据本技术实施例的电子装置的硬件结构示意图。
具体实施方式
[0020]
这里将详细的对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
[0021]
需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
[0022]
针对目前已有的测量设备在实际使用上不够便捷，或者是获取的参数侧重点不同，或者是精度不高等，满足不了整穗表型信息的高效、准确的测量要求。
[0023]
基于此，本发明结合便捷的设备及先进的图像识别技术来解决现有技术存在的问题。
[0024]
实施例一本技术旨在提出一种便捷式的基于图像技术的水稻整穗测量方法，在特定背景板上，先后分别采集水稻整穗和水稻一次和二次枝梗图像，通过识别背景板上标定物并做图像校正以及比例尺计算，借助于核心的整穗分析和枝梗分析两大模块，分别获取整穗长度信息和枝梗长度、穗粒数等相关信息。通过少量的水稻枝梗的人工分解及简单有序的摆放，直接对整穗图像和枝梗图像信息分别进行处理和分析，实现了水稻整穗测量的自动化，提高了整穗表型测量的效率和准确性。
[0025]
具体地，本技术实施例提供了便捷式的基于图像识别的水稻整穗测量方法，可以，具体地，参考图1，所述方法包括以下步骤：s100、分别获取水稻的整穗图像以及水稻分离一次枝梗和二次枝梗后的枝梗图像；其中，水稻分离一次枝梗和二次枝梗后的枝梗图像的具体步骤为：s110、依次分离整穗中所有的一次枝梗和二次枝梗；s120、将一次枝梗和二次枝梗分别放置于特定背景板的对应区域，保持每个枝梗上下朝向进行拍摄得到枝梗图像（摆放方式可参见图2）；在本实施例中，选用特定背景板，然后在该特定背景板上按照要求放置水稻整穗
进行拍摄就可以获取整穗图像。
[0026]
在本实施例中，整穗先用工具分离所有的一次枝梗，然后对一次枝梗分离其上的二次枝梗，并且一次枝梗和二次枝梗分别放置于对应区域，每个枝梗上下朝向，便于后续自动定位枝梗的起始点和终止点，以及枝梗上起始点和终止点的对应的茎秆路径。
[0027]
s200、分别对整穗图像和枝梗图像进行图像校正，以得到整穗校正图和枝梗校正图，以及换算比例尺；其中，具体步骤为：s210、分别从整穗图像和枝梗图像中获取所有可能的候选圆；在本实施例中，先把rgb彩色图像转换为灰度图，在灰度图上采用局部阈值分割法获得二值图，像素值大于0的为前景，值为0的为背景，进而利用轮廓查找法获取前景中的所有连通域，对每个连通域进行特征计算，如面积a、最小外接圆半径r；计算连通域与对应最小外接圆的吻合程度，以此度量该连通域的圆度，本实施例采用如下公式：ratio=a/(r*π2)当ratio大于给定阈值1，同时半径r大于给定阈值2，则认为该连通域为候选圆，以此获取所有可能的候选圆。
[0028]
s220、分别对所有可能候选圆进行筛选，每个图像保留至少四个候选圆；在本实施例中，记录多个候选圆的最大半径maxradius，剔除半径小于maxradius*0.5的候选圆，保留四个候选圆。
[0029]
s230、根据保留的候选圆分别计算对应的透视变换矩阵；在本实施例中，对四个候选圆按照左上、右上、右下、左下顺序排序，同时记录包围四个圆心坐标的最小正外接矩形的四个同顺序的顶点，建立到的透射变换矩阵warpmatrix。
[0030]
s240、将透视变换矩阵作用于对应的rgb彩色图像上以获取变换图，并微调图像长宽比例，使得矫正后的矩形区域的宽高比例与真实比例一致，同时记录真实尺寸的比例尺；在本实施例中，对整穗图像（图3）和枝梗图像分别计算对应的透视变换矩阵，然后作用于对应的rgb彩色图像上，获取变换图，然后微调图像长宽比例，使得矫正后的四个圆心围成的矩形区域的宽高比例与真实比例一致，分别记为wholecorrectedimg和branchcorrectedimg。
[0031]
最后记录像素到真实尺寸的比例尺，分别为wholescale和branchscale，用于后续参数的转换，以及记录矫正图上的四个标定圆的最小外接矩形wholeroirect和branchroirect。
[0032]
s300、对整穗校正图做分割得到二值图，并对该二值图进行骨架分析及最短路径分析，以获取水稻整穗长及路径点集，见图3；在本实施例中，可基于我司在先专利[202010420982，基于图像处理的多株水稻穗长的测量方法]为基础，这里整穗的穗长的定义为穗颈节到穗顶梢的长度；其中，摆放要求是水稻穗颈节与背景板预置的标记线齐平。主要是在分割整穗穗长的基础上，裁剪出标记线以上的二值图，进行形态学膨胀腐蚀、空洞填充等预处理，然后
利用骨架算法得到前景宽度为单个像素的骨架图，利用图论最短路径算法遍历得到起始像素点和结束像素点的路径，起始像素点和结束像素点选为在垂直方向上最下端和最上端的像素点；优选地，本实施例中采用新策略选取起始点和结束点，确保测量更精准。具体操作为：对骨架图提取所有端点集合，其中，对每个像素点周围的八连接邻域中搜索并统计非零像素个数，计数为1的像素点为端点；起始点确定为端点点集中y方向最大的点，一般为穗颈节位置；水稻整穗有时呈现弯曲态，端点集中y方向最小的点或最上端的点不一定为真实的，为此，选择nt个端点的y方向最小的为候选终点集，利用最短路径法获取起始点到每个候选终点的路径点集path，选择路径最长的为最终的麦穗长度计算的依据，此时对应的终点为选定的结束点。
[0033]
优选地，路径点集path为沿着骨架的连续点集，由于穗形轮廓受摆放、舒展程度影响，该路径存在些许毛刺，因此对在先专利[202010420982，基于图像处理的多株水稻穗长的测量方法]提及的穗长计算做了改进，即增加路径平滑操作，可以是轮廓高斯平滑，也可以是多边形逼近，本实施例不做具体限定，这里采取前者；最后对平滑后的路径点集，以一定间隔采样，得到新的点集，相邻两点欧氏距离之和，经比例尺wholescale变换，即为所测量的整穗穗长。
[0034]
s400、基于枝梗校正图对水稻穗粒识别定位；优选地，为了统计整穗水稻穗粒的总个数，以及每个枝梗上对应的穗粒数，需要设计算法识别图像中水稻的每个穗粒。识别方法可以选择传统机器学习技术或深度学习技术，这里采用后者。深度学习技术在目标检测识别、自然语言处理、大数据等方面的发展非常迅速，特别是在目标检测领域应用较成熟，借助于这些技术，为农业育种提供有力的测量工具。在本实施例中选择yolov5检测框架，移动端部署选择tnn，本专利对此不做具体限定。
[0035]
其中，主要包括数据库建立标定，数据增强，模型训练，模型转化，前向推理引擎，后处理等，具体步骤为：s410、基于特定背景板，放置不同水稻枝梗，进行不同高度、不同角度、不同光照拍摄，以此收集包含水稻穗粒的数据，整理并标定形成数据库；在本实施例中，数据库建立及标定：针对本特定背景板，放置不同水稻枝梗，不同高度、不同角度、不同光照拍摄，同时由于水稻小穗数较小，对每张rgb图做2x2的裁剪，得到四张子图像，以此收集包含水稻穗粒的数据，然后采用第三方软件labelimg为每张图中每个穗粒进行标定，即建立矩形框及对应标签。
[0036]
s420、对数据库做不同程度的线下数据扩展，以增加数据的多样性；在本实施例中，数据增强：为了扩大数据的覆盖广度，对步骤s410中数据库做不同程度的线下的数据扩展，如旋转、光照变换、通道变换等，目的是增加数据的多样性，提高后续以数据为基础训练的模型的泛化能力。
[0037]
s430、基于数据库进行模型训练并转换成指定格式；在本实施例中，模型训练：采用yolov5，设置学习率、迭代步数，开启线上数据增强（上下翻转、左右翻转、旋转、平移、缩放、马赛克等），以得到高精度高召回率的模型。这里其
中所述的召回率描述的是模型对目标检测的查全率，反映了漏检情况；其中所述的精度反映的是模型的误检测情况。
[0038]
其中，yolov5的后缀为.pth的模型，首先转为中间模型.onnx，然后tnn推理引擎转为自己指定格式.tnnproto/.tnnmodel。
[0039]
s440、将枝梗校正图划分为多个有重叠的子图像，由前向推理获取所有穗粒的矩形框位置，包括中心坐标、长、宽；在本实施例中，前向推理：利用tnn前向推理引擎进行前向推理检测得到所有穗粒的矩形框位置，包括中心位置、长、宽。具体地，对矫正图中整个背景板区域，即roirect区域，为了提高穗粒的检测精度，对roirect划分为多个有重叠的子图像，使得相邻图像块间有重复，比如，设置水平和垂直方向的重叠率。接着以每个子图像为输入，经过tnn前向推理引擎，得到每个穗粒的检测框，并还原到在correctimg2s上的坐标，最后得到综合的检测框。
[0040]
s450、将每个子图像的矩形框位置映射到枝梗校正图上，通过后处理去除冗余的检测矩形框，得到所有的预测框；在本实施例中，后处理：因为检测区域的划分及重叠思想，重叠区域的水稻穗粒会存在多于一个的检测框，对重叠区域的所有检测框采用非极大抑制策略（nms）去除冗余重复的检测矩形框，对每个目标保留一个高置信度的预测框，nms需设置的参数有置信度阈值（score）和重合度（iou）阈值，所述置信度描述的是检测目标为某类目标的概率，置信度阈值用于过滤概率小于该值的预测框，所述重合度阈值用于过滤重合度高的预测框，经nms后处理，每个穗粒保留一个高置信度的预测结果，并记最后的所有预测框为；s500、如图2所示（受专利文本限制，无法展示步骤s510中的具体颜色），基于枝梗校正图获取并区分水稻一次枝梗和二次枝梗的轮廓信息；其中，具体步骤为：s510、对枝梗校正图进行图像分割，得到枝梗分割图；在本实施例中，记branchcorrectedimg上矩形区域branchroirect内的图像为roimat。前面提及一次枝梗和二次枝梗的摆放有对应区域，这里是划分为左右两个大小不等的区域，以特殊颜色的有一定宽度的记号带做区分，该记号带的颜色本实施例选定为蓝色，另外，由于水稻穗基本上为浅黄色、绿色等，为了突出水稻穗，本实施例中背景选为不反光的黑色绒布。为了能有效地分离出水稻穗、枝梗等前景信息与背景，在图像处理上，选择红色通道图像rmat为待分割图像。对rmat采用局部自适应阈值分割法以及形态学上的膨胀腐蚀、空洞填充等操作，得到分割图tbin。
[0041]
s520、对枝梗分割图利用轮廓查找法获取所有轮廓，进而采用设定规则过滤，得到有效的轮廓集；在本实施例中，对分割图tbin采用轮廓查找法获取所有的连通域，并计算每个连通域对应的外接矩形和最小外接矩形。对这些连通域按照一定规则筛选，剔除因为杂质等因素带来的干扰。采用的规则有两类，第一类规则包含连通域对应的外接矩阵的长宽小于所设阈值thrsh1，外接矩形的长或宽大于所设阈值thrsh2，最小外接矩形最长边小于所设
阈值thrsh3，对满足这些任一规则的连通域做剔除，保证过大或过小的连通域不被考虑，从而减少异常的影响，记剩下的连通域集合为；第二类规则是过滤不含穗粒数的轮廓，具体地说，中的每一个连通域contoursi，遍历，如果存在一个boxj的中心在轮廓contoursi内，则该连通域保留，此时，保留下来的连通域集合记为。
[0042]
s530、按位置对轮廓集合分类，分别得到一次枝梗和二次枝梗的轮廓集合；在本实施例中，首先检测本实施例中rgb图像roimat中的蓝色记号带，rgb图像roimat的蓝色通道bmat和红色通道rmat的差值bmat-rmat能凸显记号带，记为bluefeatmat，利用固定阈值分割法，得到新的分割图bluebin。这里阈值不做限制，本实施例选为30。对bluebin采用轮廓查找法获取所有连通域，并根据面积筛选出最大连通域并计算其质心，该质心的垂直方向即为分界线，把roirect区域分为第一区域和第二区域，那么水稻枝梗摆放时，一次枝梗位于第一区域，二次枝梗位于第二区域。然后，对中任意连通域，根据对应外接矩形中心与分界线的左右关系，从而实现一次枝梗和二次枝梗轮廓的区分，s540、分别对一次枝梗轮廓集和二次枝梗轮廓集排序；s600、计算得到水稻一次枝梗和二次枝梗的表型信息以得到整体参数和每个枝梗参数，其中每个枝梗参数包括每个枝梗长度及路径点集，每个枝梗的最小外接矩形，每个枝梗的穗粒数及对应的所有穗粒的定位中心坐标及每个枝梗着粒密度；整体参数包括：总穗粒数、枝梗总长度、枝梗总数目、一次枝梗数目、一次枝梗总长度、一次枝梗总穗粒数、一次枝梗长度平均值，一次枝梗穗粒数平均值、一次枝梗穗粒数贡献率、二次枝梗数目、二次枝梗总长、二次枝梗总穗粒数、二次枝梗长度平均值、二次枝梗穗粒数平均值及二次枝梗穗粒数贡献率。
[0043]
其中，一次枝梗穗粒数贡献率为一次枝梗总穗粒数在总穗粒数中的占比，二次枝梗穗粒数贡献率为二次枝梗总穗粒数在总穗粒数中的占比。
[0044]
其中，具体步骤为：s610、对每个枝梗进行骨架分析及最短路径分析，以获取其长度参数以及对应路径点集；在本实施例中，这里枝梗长度参数的计算思想类似于s300中整穗穗长参数及路径点集的获取，不同的是这里枝梗长度的定义与整穗穗长的定义中的起始点略有不同，前者是整个枝梗人工断开的一端，后者是穗颈节位置，后续采用相同的骨架分析思路，确定结束点，确定最短路径branchpath，进而平滑处理，并计算获得枝梗的长度参数。
[0045]
s620、获取每个枝梗的最小外接矩形的四个顶点；在本实施例中，计算每个枝梗轮廓的最小外接矩形，进而提取对应的四个顶点坐标。
[0046]
s630、计算每个枝梗的穗粒数以及对应的所有穗粒中心坐标；
统计穗粒预测框中心落入该枝梗轮廓内的数目，并记录归属于该枝梗的所有预测框中心坐标。
[0047]
s640、计算每个枝梗的着粒密度，其中该着粒密度为枝梗的穗粒数与枝梗长度的比值；s650、计算表型信息以得到整体参数和每个枝梗参数。
[0048]
实施例二基于相同的构思，本技术还提出了一种基于图像识别的水稻整穗测量装置，包括：采集模块，用于分别获取水稻的整穗图像以及水稻分离一次枝梗和二次枝梗后的枝梗图像；校正模块，用于分别对整穗图像和枝梗图像进行图像校正，以得到整穗校正图和枝梗校正图，以及换算比例尺；整穗分析模块，用于对整穗校正图做分割得到二值图，并对该二值图进行骨架分析及最短路径分析，以获取水稻整穗长及路径点集；枝梗分析模块，用于对枝梗校正图像做分析，通过穗粒检测定位、分割、一次枝梗和二次枝梗轮廓检测筛选，计算每个枝梗局部的表型信息，进而计算整体参数；输出模块，用于输出水稻的整体参数，该整体参数包括：总穗粒数、枝梗总长度、枝梗总数目、一次枝梗数目、一次枝梗总长度、一次枝梗总穗粒数、一次枝梗长度平均值，一次枝梗穗粒数平均值、一次枝梗穗粒数贡献率、二次枝梗数目、二次枝梗总长、二次枝梗总穗粒数、二次枝梗长度平均值、二次枝梗穗粒数平均值及二次枝梗穗粒数贡献率。
[0049]
实施例三本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0050]
具体地，上述处理器402可以包括中央处理器（cpu），或者特定集成电路（applicationspecificintegratedcircuit，简称为asic），或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0051]
其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（harddiskdrive，简称为hdd）、软盘驱动器、固态驱动器（solidstatedrive，简称为ssd）、闪存、光盘、磁光盘、磁带或通用串行总线（universalserialbus，简称为usb）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（non-volatile）存储器。在特定实施例中，存储器404包括只读存储器（read-onlymemory，简称为rom）和随机存取存储器（randomaccessmemory，简称为ram）。在合适的情况下，该rom可以是掩模编程的rom、可编程rom（programmableread-onlymemory，简称为prom）、可擦除prom（erasableprogrammableread-onlymemory，简称为eprom）、电可擦除prom（electricallyerasableprogrammableread-onlymemory，简称为eeprom）、电可改写rom（electricallyalterableread-onlymemory，简称为earom）或闪存（flash）或者两个或更多
个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器（staticrandom-accessmemory，简称为sram）或动态随机存取存储器（dynamicrandomaccessmemory，简称为dram），其中，dram可以是快速页模式动态随机存取存储器404（fastpagemodedynamicrandomaccessmemory，简称为fpmdram）、扩展数据输出动态随机存取存储器（extendeddateoutdynamicrandomaccessmemory，简称为edodram）、同步动态随机存取内存（synchronousdynamicrandom-accessmemory，简称sdram）等。
[0052]
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。
[0053]
处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意便捷式的基于图像识别的水稻整穗测量方法。
[0054]
可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。
[0055]
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（network interface controller，简称为nic），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（radio frequency，简称为rf）模块，其用于通过无线方式与互联网进行通讯。
[0056]
输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是等，输出的信息可以是等。
[0057]
实施例四本实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括用于控制过程以执行过程的程序代码，过程包括根据实施例一的便捷式的基于图像识别的水稻整穗测量方法。
[0058]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0059]
通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
[0060]
本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等
物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如dvd及其数据变体、cd等光学介质上。物理介质是非瞬态介质。
[0061]
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0062]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以作出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。