水稻穗粒快速检测方法、装置、计算机设备及存储介质

技术领域

本发明涉及一种水稻穗粒检测方法，尤其是一种水稻穗粒快速检测方法、装置、计算机设备及存储介质，属于目标检测领域。

背景技术

水稻是重要的粮食作物，在世界各地被广泛种植。水稻每穗粒数直接决定水稻产量，是水稻育种和产量相关性状研究的重要农艺性状。另外，水稻的每根稻穗谷粒数被认为是水稻产量基因改良的关键性状之一。在水稻育种和产量评估中，通常需要计算水稻成熟期的穗粒数。因此，有关每根稻穗谷粒数量的信息是非常重要的。而在水稻产量评估中获取水稻穗粒数的方法仍然主要依靠人工：用脱粒机将谷粒从稻穗上脱下，然后逐一计算谷粒数量。在现代水稻育种中，需要利用穗粒数性状来评价所生产的数百个新品种。然而，穗粒数的测量方法仍然主要依赖人工，该方法不仅过程繁琐、耗时，而且主观误差较大。因此，开发一种能快速获取每穗粒数性状的技术对水稻育种、水稻产量相关性状研究和水稻产量评估来说是非常重要的。

目前，基于传统图像处理方法的稻粒数粒研究已经发展起来。例如结合可见光成像和软X射线成像的稻粒数粒、结合图像分割和中值滤波方法的稻粒识别平台、稻穗软件(P-TRAP)等等。另外，基于传统图像处理方法分离黏连谷粒并数数的研究也存在。例如傅里叶分析算法、分水岭算法、改进的角点检测算法、等高线曲率分析算法等。虽然这些基于传统图像处理的方法能达到较高的精度，但这些研究都是针对脱粒后的谷粒的。这些方法不适用于检测基于稻穗上的谷粒。当然，也有人开展了基于稻穗数粒的研究。例如整合图像分析和五点校正模型的稻穗数粒以及基于图像的先验边缘小波校正模型的稻穗数粒等。虽然这些方法能基于稻穗对谷粒进行数数，但是这些方法精度不够高，不利于实际应用。2019年，华中科技大学利用深度学习方法对稻穗上的谷粒进行数数，并且达到了较高的精度。但是该方法会漏检大部分面积被遮挡的谷粒，而且图像采集设备成本较高，不利于实际应用。

发明内容

有鉴于此，本发明提供了一种水稻穗粒快速检测方法、装置、计算机设备及存储介质，其利用快速区域卷积神经网络结合特征金字塔网络建立水稻穗粒检测模型，能够快速、准确获取水稻穗粒数，以实现对复杂环境下水稻稻穗枝梗上谷粒的高通量智能计数，对水稻育种、水稻产量相关性状研究以及水稻测产等工作有实际意义。

本发明的第一个目的在于提供一种水稻穗粒快速检测方法。

本发明的第二个目的在于提供一种水稻穗粒快速检测装置。

本发明的第三个目的在于提供一种计算机设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种水稻穗粒快速检测方法，所述方法包括：

获取待检测水稻枝梗图像；

将待检测水稻枝梗图像输入到水稻穗粒检测模型中检测水稻枝梗上的谷粒，计算得到水稻的每根稻穗的谷粒数量；其中，所述水稻穗粒检测模型为基于特征金字塔网络的快速区域卷积神经网络模型训练得到的。

进一步的，所述获取待检测水稻枝梗图像之前，还包括：

获取水稻枝梗样本图像；其中，所述水稻枝梗从稻穗上分离并随意摆放在地面上；

利用水稻枝梗样本图像对基于特征金字塔网络的快速区域卷积神经网络模型进行训练，得到水稻穗粒检测模型。

进一步的，所述利用水稻枝梗样本图像对基于特征金字塔网络的快速区域卷积神经网络模型进行训练，得到水稻穗粒检测模型，具体包括：

对水稻枝梗样本图像进行预处理，得到第一水稻枝梗样本图像；

对第一水稻枝梗样本图像进行标注，建立水稻枝梗图像基础数据库；其中，所述水稻枝梗图像基础数据库包括训练集、验证集和测试集；

设置基于特征金字塔网络的快速区域卷积神经网络模型的训练参数；

利用训练集对基于特征金字塔网络的快速区域卷积神经网络模型中进行训练，并利用验证集对训练参数进行优化，得到水稻穗粒检测模型。

进一步的，所述对第一水稻枝梗样本图像进行标注，建立水稻枝梗图像基础数据库，具体包括：

将第一水稻枝梗样本图像的最长边缩放至预设像素，并根据第一水稻枝梗样本图像的纵横比对最短边进行相应的缩放，得到第二水稻枝梗样本图像；

将第二水稻枝梗样本图像进行统一编号，得到第三水稻枝梗样本图像；

对第三水稻枝梗样本图像进行标注，得到第四水稻枝梗样本图像；

按照比例将第四水稻枝梗样本图像随机划分为训练集、验证集和测试集，建立水稻枝梗图像基础数据库。

进一步的，所述对第三水稻枝梗样本图像进行标注，得到第四水稻枝梗样本图像，具体包括：

对谷粒被遮挡的面积小于或等于90％的第三水稻枝梗样本图像、位于图像边缘的谷粒面积大于或等于10％的第三水稻枝梗样本图像，以及第三水稻枝梗样本图像中的特殊情况样本图像进行标注，得到第四水稻枝梗样本图像；其中，所述特殊情况样本图像包括小尺度枝梗样本图像、大尺度枝梗样本图像、模糊枝梗样本图像、阴天条件的枝梗样本图像和晴天条件的枝梗样本图像。

进一步的，所述对水稻枝梗样本图像进行预处理，得到第一水稻枝梗样本图像，具体包括：

对水稻枝梗样本图像进行数据清洗和数据扩增，得到第一水稻枝梗样本图像。

本发明的第二个目的可以通过采取如下技术方案达到：

一种水稻穗粒快速检测装置，所述装置包括：

待检测水稻枝梗图像获取模块，用于获取待检测水稻枝梗图像；

水稻穗粒检测模块，用于将待检测水稻枝梗图像输入到水稻穗粒检测模型中检测水稻枝梗上的谷粒，计算得到水稻的每根稻穗的谷粒数量；其中，所述水稻穗粒检测模型为基于特征金字塔网络的快速区域卷积神经网络模型训练得到的。

进一步的，所述待检测水稻枝梗图像获取模块之前，还包括：

水稻枝梗样本图像获取模块，用于获取水稻枝梗样本图像；其中，所述水稻枝梗从稻穗上分离并随意摆放在地面上；

模型训练模块，用于利用水稻枝梗样本图像对基于特征金字塔网络的快速区域卷积神经网络模型进行训练，得到水稻穗粒检测模型。

本发明的第三个目的可以通过采取如下技术方案达到：

一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的水稻穗粒快速检测方法。

本发明的第四个目的可以通过采取如下技术方案达到：

一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的水稻穗粒快速检测方法。

本发明相对于现有技术具有如下的有益效果：

本发明通过基于特征金字塔网络的快速区域卷积神经网络模型训练得到水稻穗粒检测模型，该水稻穗粒检测模型具有精度高、检测效率高等优点，通过将水稻田复杂环境下的待检测水稻枝梗图像输入到水稻穗粒检测模型中，能够快速检测水稻田复杂环境下的每根稻穗谷粒，进而得到水稻的每根稻穗的谷粒数量(即水稻穗粒数量)，对水稻育种、水稻产量相关性状研究以及水稻测产等工作有实际意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例1的水稻穗粒快速检测方法的流程图。

图2为本发明实施例1的水稻穗粒快速检测的原理图。

图3为本发明实施例1的采集得到的水稻枝梗样本图像的示意图。

图4为本发明实施例1的建立水稻穗粒检测模型的流程图。

图5为本发明实施例1的建立水稻枝梗图像基础数据库的流程图。

图6a～图6e为本发明实施例1的特殊情况样本图像的示意图。

图7为本发明实施例1的水稻穗粒快速检测的损失曲线图。

图8为本发明实施例1的水稻穗粒快速检测的精度曲线图。

图9为本发明实施例1的部分水稻穗粒检测结果图。

图10为本发明实施例1的水稻穗粒检测模型与快速区域卷积神经网络模型对比的P-R曲线图。

图11a为本发明实施例1的水稻穗粒检测模型针对新鲜谷粒与人工测量的比较图。

图11b为本发明实施例1的水稻穗粒检测模型针对干燥谷粒与人工测量的比较图。

图12为本发明实施例2的水稻穗粒快速检测装置的结构框图。

图13为本发明实施例3的计算机设备的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：

如图1和图2所示，本实施例提供了一种水稻穗粒快速检测方法，该方法包括以下步骤：

S101、获取水稻枝梗样本图像。

本实施例的水稻枝梗样本图像可以通过采集获取，也可以从数据库查找获取；其中，采集获取可以通过移动采集设备采集获取，移动采集设备可以选用手机、照相机等，采用普通智能手机采集，具有便捷、低成本、通用性强等优点，具体地，将水稻枝梗从稻穗上分离并随意摆放在地面上，用移动采集设备拍下水稻枝梗样本图像，距离地面的拍照高度为6-20厘米，采集得到的水稻枝梗样本图像如图3所示；从数据库查找获取可以预先将移动采集设备采集的水稻枝梗样本图像存储在数据库中，从数据库中搜索水稻枝梗样本图像即可得到。

S102、利用水稻枝梗样本图像对基于特征金字塔网络的快速区域卷积神经网络模型进行训练，得到水稻穗粒检测模型。

该步骤S102如图4所示，具体包括：

S1021、对水稻枝梗样本图像进行预处理，得到第一水稻枝梗样本图像。

具体地，对水稻枝梗样本图像进行数据清洗和数据扩增，得到第一水稻枝梗样本图像。

S1022、对第一水稻枝梗样本图像进行标注，建立水稻枝梗图像基础数据库。

该步骤S1022如图5所示，具体包括：

S10221、将第一水稻枝梗样本图像的最长边缩放至预设像素，最短边按第一水稻枝梗样本图像的纵横比进行相应的缩放，得到第二水稻枝梗样本图像。

因为ICDAR 2015中数据集图像的最长边是1280像素，为了保持数据的一致性和减少计算内存，本实施例将第一水稻枝梗样本图像的格式转化成ICDAR 2015格式，具体地，将第一水稻枝梗样本图像的最长边缩放至1280像素，并根据第一水稻枝梗样本图像的纵横比对最短边进行相应的缩放，得到第二水稻枝梗样本图像。

S10222、将第二水稻枝梗样本图像进行统一编号，得到第三水稻枝梗样本图像。

S10223、对第三水稻枝梗样本图像进行标注，得到第四水稻枝梗样本图像。

图像标注过程使用LabelImg图像标注软件完成，标注过程主要分为两个步骤：首先，在谷粒周围画一个矩形框，然后将矩形框的标签和坐标存储在XML文件中，格式与ImageNet使用的PASCAL VOC数据集格式相同，最后，每张图像都有一个对应的XML格式注释文件。

具体地，对谷粒被遮挡的面积小于或等于90％的第三水稻枝梗样本图像、位于图像边缘的谷粒面积大于或等于10％的第三水稻枝梗样本图像，以及第三水稻枝梗样本图像中的特殊情况样本图像进行标注，得到第四水稻枝梗样本图像。

其中，对谷粒被遮挡的面积大于90％的第三水稻枝梗样本图像、位于图像边缘的谷粒面积小于10％的第三水稻枝梗样本图像不进行标注；考虑到在在图像采集过程中，光照强度可能不同，而且手的意外抖动可能会导致图像模糊，因此为了提高模型的鲁棒性和防止过拟合，需要对特殊情况样本图像进行标注，特殊情况样本图像包括小尺度枝梗样本图像、大尺度枝梗样本图像、模糊枝梗样本图像、阴天条件的枝梗样本图像和晴天条件的枝梗样本图像，这五种图像分别如图6a～图6e所示。

S10224、按照比例将第四水稻枝梗样本图像随机划分为训练集、验证集和测试集，建立水稻枝梗图像基础数据库。

本实施例得到的第四水稻枝梗样本图像为796张，按照0.56：0.24：0.2的比例将第四水稻枝梗样本图像随机划分为训练集、验证集和测试集，建立水稻枝梗图像基础数据库。

S1023、设置基于特征金字塔网络的快速区域卷积神经网络模型的训练参数。

利用快速区域卷积神经网络(Faster Region Convolutional Neural Networks，简称Faster R-CNN)结合特征金字塔网络(Feature Pyramid Networks，简称FPN)，可以构建基于特征金字塔网络的快速区域卷积神经网络模型，整个训练过程在图形工作站中运行，采用的硬件、软件配置如下表1所示。

表1图形工作站硬件、软件配置

基于特征金字塔网络的快速区域卷积神经网络模型由三部分组成：用于生成多尺度特征地图的特征金字塔网络(FPN)、利用多尺度特征地图生成目标多尺度区域提议的区域提议网络(RPN)和利用多尺度区域提议来检测目标的快速区域卷积神经网络(R-CNN)，主干卷积神经网络(CNN)通过一组基本的conv+relu+pooling层提取原始图像的多尺度特征映射，特征金字塔网络利用深卷积神经网络固有的多尺度金字塔结构构造特征金字塔。具体地说，是对卷积神经网络最高层的特征映射进行上采样(即放大2倍)，然后经过1x1卷积(水平连接)后，将其添加到卷积网络的下层特征图中，形成M个特征层；按照此操作，从上到下逐层构建M个特征层，对M个特征层中的每个特征层进行3x3卷积，得到特征金字塔；该方法通过FPN生成的多尺度特征地图生成多尺度区域提议。将多尺度特征图和区域提议输入ROI池层，得到提议特征图。通过将提议特征图输入到完全连通的层中来进行谷粒预测。

特征金字塔网络由两部分组成：第一部分是自下而上的过程，第二部分是自顶向下和横向连接的融合过程。自下而上的过程：自下而上的过程和普通的卷积神经网络(CNN)没有什么不同。现代卷积神经网络一般根据特征图的大小分为不同的阶段，每个阶段的特征图比例尺相差两倍。在特征金字塔网络中，每个阶段对应于一个特征金字塔级别，每个阶段特征的最后一层被选为特征金字塔网络中对应级别的特征。以残差网络(ResNet)为例，选取conv2、conv3、conv4、conv5层的最后一个残差块层特征作为特征金字塔网络的特征，记录为{C2、C3、C4、C5}；这些特征层相对于原始图像的步长分别为4、8、16、32。自顶向下过程和横向连接：自顶向下过程使用上采样将顶层(如20)的小特征图放大到与前一阶段(如40)的特征图相同的尺寸，这样处理的好处是：不仅利用了顶层(设施分类)强大的语义特征，而且还利用了底层的高分辨率信息(便于定位)。上采样法可以用最近邻差分法实现；为了将高层语义特征与底层精确定位能力相结合，提出了一种类似残差网络的横向连接结构。横向连接通过加法将上采样后与当前层分辨率相同的上层特征进行融合，这里为了校正信道的数目，首先对当前层进行1x1卷积运算。

具体地，C5层首先进行1x1卷积以获得M5特征，M4层是通过对M5进行上采样，然后在1x1卷积后加上C4层得到的。再做两次这个过程，分别得到M3和M2。然后对M层特征进行3x3卷积以获得最终的P2、P3、P4和P5层特征；由于每个P层相对于原始图像具有不同的尺度信息，因此将原始图像中的尺度信息进行分离，使得每个P层只处理一个尺度信息。具体地说，五个尺度的锚点{32

将特征金字塔网络的每个特征层与图像金字塔的每个层次的特征进行比较，从而将感兴趣区域(Region Of Interest，简称ROI)映射到相应的特征层。以输入尺寸为224的图片为例，将宽度和高度为w和h的感兴趣区域映射到特征层k，其计算公式如下：

在ResNet中，k

基于特征金字塔网络的快速区域卷积神经网络模型设置的训练参数为：学习率为0.001，动量为0.9，权重下降率为0.0001，迭代次数为11400。

S1024、利用训练集对基于特征金字塔网络的快速区域卷积神经网络模型中进行训练，并利用验证集对训练参数进行优化，得到水稻穗粒检测模型。

为了验证训练模型的泛化能力和准确性，对训练后的模型进行了准确率、召回率和准确度的测试，基于Jaccard索引的联合交叉(IOU)被用来评估标记边界框和检测到的边界框之间的重叠，使用标准IOU阈值0.5，如下式：

其中，B

如果谷粒被检测到的边界框包围，则认为检测到的边界框正确(真阳性，TP)。反之，如果背景被检测到的边界框包围，则检测到的边界框被视为误判(假阳性，FP)。

当检测不到谷物时，视为假阴性(FN)，然后用下式计算精确度和召回率。

其中，P为精度；R为召回率；TP为正确检测到的谷粒总数；FP为未正确检测到谷粒的背景区域总数；FN为未正确检测出谷粒作为背景区域的总数；TN为正确的背景识别，其值始终为“零”，并且不需要用于通常决定目标检测前景的二分类问题中；FP+TP表示检测到的谷粒总数；FN+TP表示真谷粒总数，准确度意味着模型的性能，绘制了准确度曲线来评价谷粒模型的检测性能。

最后，为了估算每根一次枝的实际粒数，进行了实验。利用测定系数(R

其中，m

图7和图8分别示出了训练过程的损失曲线和精度曲线，如图7所示，随着训练时间的增加，损耗值逐渐减小，前25个训练周期的损失值变化迅速，25个时期后，变化减缓，损失值趋于稳定，60个时期后，损失值在[0.05,0.06]区间内保持稳定，训练暂停；如图8所示，随着训练时间的增加，精度值迅速增加。在前25个训练阶段，准确度值迅速增加。从25到60个时期，精度值的变化速度降低，60个时期后，模型的精度趋于稳定，虽然损失和精度值在不同时期略有波动，但主要趋势最终收敛，训练结束。

S103、获取待检测水稻枝梗图像。

S104、将待检测水稻枝梗图像输入到水稻穗粒检测模型中检测水稻枝梗上的谷粒，计算得到水稻的每根稻穗的谷粒数量。

本实施例将上述划分得到的测试集的图像作为待检测水稻枝梗图像，共有160张图像，检测结果见表2，部分水稻穗粒检测结果如图9所示；表2显示，当置信值从0.4增加到0.9时，相应的准确率从99.0％提高到100.0％，而相应的召回率从99.8％下降到99.5％。置信度为0.4时，准确率仍能达到99.0％；同样，当置信度为0.9时，召回率仍能达到99.5％。这两个实例证明了该水稻穗粒检测模型的检测性能是相当稳定的，平均准确率为99.4％。

表2以不同的置信值[0.4,0.5,0.6,0.7,0.8,0.9]作为临界点时，利用测试集图像的水稻穗粒检测模型的精确度和召回率

为了进一步验证水稻穗粒检测模型的检测性能，利用同一数据集对另一种最先进的模型(快速区域卷积神经网络模型，即Faster R-CNN)进行训练。测试期间两个模型的P-R曲线如图10所示。图10表明，水稻穗粒检测模型的P-R曲线下面积大于Faster R-CNN方法，证明了水稻穗粒检测模型具有更好的谷物检测性能。其主要原因是该模型在检测不同尺度的谷粒时具有良好的识别性能。

另外，为了评价以0.9作为剔除谷粒面积的临界置信值时的检测结果，两种方法检测谷粒的统计结果见表3。由表3可知，在相同的置信度下，水稻穗粒检测模型能正确检测到的谷粒数为1770个，错误检测数为0，漏检数为9个，Faster R-CNN方法对应的数据分别为1707、3和72。此外，水稻穗粒检测模型的准确率、召回率和准确率均高于Faster R-CNN模型。因此，可以得出这样的结论：水稻穗粒检测模型的性能优于Faster R-CNN模型。从另一个角度证明了水稻穗粒检测模型(结合FPN的Faster R-CNN)在检测小目标方面具有更强的性能。

表3水稻穗粒检测模型和Faster R-CNN的精度、召回率和准确度；序号1：水稻穗粒检测模型；序号2：Faster R-CNN方法

当谷粒颜色与背景颜色相似时，Faster R-CNN方法通常会错误地将这些谷粒识别为背景，而水稻穗粒检测模型可以完全避免这些错误。此外，水稻穗粒检测模型检测到的谷物得分通常高于Faster R-CNN方法，水稻穗粒检测模型的高分(高达1.000分)也证明了结果的可靠性。

通过对假阳性和假阴性实例的分析，得出本文提出的算法方法与人工计数方法之间的细微差别可归因于以下原因。当谷物的大部分区域被其他谷粒遮蔽并置于黑暗和模糊的环境中时，很容易错误地将该谷粒识别为背景；当谷粒周围被其他谷粒覆盖时，在反射模糊的情况下，谷粒很容易被漏掉；这两种情况导致假阴性病例的出现，占9例假阴性病例的30％。另外，当两个谷粒在同一方向上重叠时，在光反射条件下，这两个谷粒有时会被误认为是一个谷粒，降低了识别精度；9例假阴性病例中70％是由这种情况引起的，但一般来说，所有这些情况都是罕见的，在拍照过程中是可以避免的。

本实施例的方法可以在各种条件下进行，不受光照条件、谷粒数等条件的影响。因此，为了验证所提出的方法在不同条件下的准确性，根据谷粒数和光照条件对测试集进行了进一步的统计分析，测试集中有160张图像，包括1779个谷粒。

由于不同谷粒数的图像具有不同的感受野，因此，每一主枝的谷粒数可能会对谷粒检测结果产生影响，如果图像中只有一个纹理，则纹理通常是完整的、清晰的和可识别的。相反，如果一张图像包含多个谷粒，那么这些谷粒在两个或两个以上谷粒被遮挡的情况下会被最小限度地识别。一般来说，一级枝梗上有6～9粒，二级枝梗上有3～5粒。因此，将测试集中160幅不同谷粒的图像分为3类：1到9、10到14和>14，以观察不同谷粒数的图像是否对谷粒检测精度产生影响，如表4所示。

表4不同谷粒数图像的检测结果

表4中的统计结果表明，随着图像中纹理数目的增加，图像中出现更多的纹理重叠和遮挡，召回率有轻微的下降趋势。但准确率和召回率变化不大，均在99.0％以上。这是因为所提出的方法对不同尺度下的谷粒有很好的处理效果。对于纹理过多的图像，会出现纹理重叠和遮挡。而且，谷粒数较多的图像拍摄距离通常较长，背景比较复杂，图像中的谷粒较小且模糊，降低了识别精度，增加了误识别率。

不同的光照条件也会影响检测精度。由于在向光条件下拍摄的图像通常是明亮和清晰的，而在背光条件下拍摄的图像则较暗和模糊。将160幅图像按光照条件分为晴天和阴天两组。表5中的检测结果表明，两种光照条件下拍摄的图像检测结果的准确率保持不变，而阴天条件下的召回率略低于晴天条件下的召回率。但总的来说，该模型的检测精度很高，说明光照条件对模型的检测性能影响不大。

表5不同光照条件下图像的检测结果

为了比较水稻穗粒检测模型是否能够稳定地应用于不同的水稻品种和不同的谷物干湿度，检测结果如表6所示。统计结果表明，在446个新鲜谷粒中，有444个谷粒被正确识别，2个谷粒丢失，没有一个谷粒被错误识别；在446个干燥谷粒中，443个谷粒被正确识别，3个谷粒丢失，2个谷粒被错误识别。新鲜谷粒的枝梗图像检测的准确率和召回率均略高于干燥谷粒的枝梗图像。这种细微差别的原因可以概括如下：枝梗上的新鲜谷粒通常比较分散，颜色较亮，便于检测，而枝梗上的干燥谷粒由于枝条的收缩而收缩，而且枝条上的谷粒纹理更多，颜色比较暗淡，这会增加谷物检测的难度，但这两种方法的总体准确度相当高；结果表明，该模型的总精度和召回值与测试集图像的精度和召回值基本一致，表明该水稻穗粒检测模型的性能是可靠的。

表6不同干湿度谷粒的检测结果

为了进一步检验水稻穗粒检测模型的准确性，将提出的算法的检测结果与观测值进行了比较，如图11a～图11b所示。图11a证明，本实施例的方法估计的谷粒与观测值有较好的一致性，误差极低，判定系数高(R

综上所述，本实施例以深度学习卷积神经网络(CNN)为基础，建立了一个高精度的水稻穗粒检测模型。得出以下结论。基于特征金字塔网络(FPN)的Faster R-CNN所得到的水稻穗粒检测模型能够在复杂环境下基于水稻穗部进行谷粒检测，与Faster R-CNN方法相比，该模型在准确率、召回率和准确率方面优于快速R-CNN方法。模型的平均精度达到99.4％；此外，检测性能不受每根稻穗谷粒数和光照条件的影响。与人工统计单株谷粒数相比，该模型的检测性能不受水稻品种和谷粒干湿度的影响。水稻穗粒检测模型是计算机辅助计算水稻的每根稻穗的谷粒数的一种有效方法，对水稻育种、遗传研究、功能基因组学研究和其他水稻研究具有重要意义；该水稻穗粒检测模型能够应用到基于智能手机的应用程序中，该应用程序不受现场条件和设备的限制，可方便、方便地应用于日常生活中。此外，该模型经过一定的修改后，可以应用于其他作物，如小麦和玉米。

应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

实施例2：

如图12所示，本实施例提供了一种水稻穗粒快速检测装置，该装置包括水稻枝梗样本图像获取模块1201、模型训练模块1202、待检测水稻枝梗图像获取模块1203和水稻穗粒检测模块1204，各个模块的具体功能如下：

水稻枝梗样本图像获取模块1201，用于获取水稻枝梗样本图像；其中，所述水稻枝梗从稻穗上分离并随意摆放在地面上。

模型训练模块1202，用于利用水稻枝梗样本图像对基于特征金字塔网络的快速区域卷积神经网络模型进行训练，得到水稻穗粒检测模型。

待检测水稻枝梗图像获取模块1203，用于获取待检测水稻枝梗图像。

水稻穗粒检测模块1204，用于将待检测水稻枝梗图像输入到水稻穗粒检测模型中检测水稻枝梗上的谷粒，计算得到水稻的每根稻穗的谷粒数量；其中，所述水稻穗粒检测模型为基于特征金字塔网络的快速区域卷积神经网络模型训练得到的。

本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

实施例3：

如图13所示，本实施例提供了一种计算机设备，包括通过系统总线1301连接的处理器1302、存储器、输入装置1303、显示器1304和网络接口1305，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质1306和内存储器1307，该非易失性存储介质1306存储有操作系统、计算机程序和数据库，该内存储器1307为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器1302执行存储器存储的计算机程序时，实现上述实施例1的水稻穗粒快速检测方法，如下：

获取水稻枝梗样本图像；其中，所述水稻枝梗从稻穗上分离并随意摆放在地面上；

利用水稻枝梗样本图像对基于特征金字塔网络的快速区域卷积神经网络模型进行训练，得到水稻穗粒检测模型；

获取待检测水稻枝梗图像；

将待检测水稻枝梗图像输入到水稻穗粒检测模型中检测水稻枝梗上的谷粒，计算得到水稻的每根稻穗的谷粒数量；其中，所述水稻穗粒检测模型为基于特征金字塔网络的快速区域卷积神经网络模型训练得到的。

实施例4：

本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的众包数据库构建方法，如下：

获取水稻枝梗样本图像；其中，所述水稻枝梗从稻穗上分离并随意摆放在地面上；

利用水稻枝梗样本图像对基于特征金字塔网络的快速区域卷积神经网络模型进行训练，得到水稻穗粒检测模型；

获取待检测水稻枝梗图像；

将待检测水稻枝梗图像输入到水稻穗粒检测模型中检测水稻枝梗上的谷粒，计算得到水稻的每根稻穗的谷粒数量；其中，所述水稻穗粒检测模型为基于特征金字塔网络的快速区域卷积神经网络模型训练得到的。

需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。