(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111498260.2 (22)申请日 2021.12.09 (65)同一申请的已公布的文献号 申请公布号 CN 114240866 A (43)申请公布日 2022.03.25 (73)专利权人 广东省农业科 学院环境园艺研究 所 地址 510640 广东省广州市天河区五山路 金颖东一街1号 (72)发明人 王再花　叶广英　龙腾　刘海林　 李杰　 (74)专利代理 机构 北京精金石知识产权代理有 限公司 1 1470 专利代理师 杨兰兰 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/55(2017.01) G06V 10/764(2022.01) G06K 9/62(2022.01)G06N 20/00(2019.01) A01H 4/00(2006.01) (56)对比文件 CN 110866887 A,2020.0 3.06 CN 109801282 A,2019.0 5.24 CN 112435239 A,2021.0 3.02 CN 113112504 A,2021.07.13 US 10582137 B1,2020.0 3.03 US 202019 2388 A1,2020.0 6.18 CN 112990063 A,2021.0 6.18 CN 111724433 A,2020.09.2 9 CN 112930926 A,2021.0 6.11 CN 108319 973 A,2018.07.24 CN 111837155 A,2020.10.27 CN 112258579 A,2021.01.2 2 CN 113439870 A,2021.09.28 CN 109741231 A,2019.0 5.10 CN 1045989 24 A,2015.0 5.06 (续) 审查员 孙麒 (54)发明名称 基于二维图像与三维生长信息的组培苗分 级方法及装置 (57)摘要 本发明提供了一种基于二维图像与三维生 长信息的组培苗分级 方法， 属于药材植物栽培技 术领域。 本发明对环绕采集的植株RGB图像， 进行 色彩空间变 换， 得到HSV图像； 将RGB图像中的G分 量以及HSV图像中的S分量进行融合， 获取组培苗 的各植株主体； 多角度环绕拍摄每株植株的多张 植株图像； 建立深度学习分级模型， 并采用运动 结构恢复算法针对所有拍摄的RGB图像进行 组培 苗三维模型重建； 将从重建的三维模 型中获取的 各植株的外形参数与实际测量参数进行对比， 根 据分级原则， 结合深度学习分级模型分级结果， 进行组培苗等级划分。 本发明根据二维彩色图像 与三维生长信息进行组培苗分级， 提高了组培苗分级精度， 同时实现了组培苗的快速分级。 [转续页] 权利要求书3页 说明书11页 附图3页 CN 114240866 B 2022.07.08 CN 114240866 B (56)对比文件 CN 112465889 A,2021.0 3.09 李阳 等.“基于深度学习的单目图像深度估 计的研究进 展”. 《激光与光电子学进 展》 .2019, 安江勇.“基于图像深度学习的小麦 干旱识 别和分级研究 ”. 《中国博士学位 论文全文数据库 基础科学辑》 .2021, 张慧春 等. “植物表型平台与图像分析技 术 研究进展与展望 ”. 《农业机 械学报》 .2019, 龙腾 等.“白粉病胁迫下小麦叶片光谱响应 与智能分类识别 ”. 《华南农业大 学学报》 .2021, 李杰 等.“基于FPGA无 人机影响快速低功耗 高精度三维重建 ”. 《北京航空航天大 学学报》.2020, 叶广英 等. “设施栽培金钗石斛不同时期环 境、 生长、 营养及品质特性 ”. 《农业工程 技术》 .2021, Bini Darwin 等.“Recognition of bloom/ yield in crop ima ges using deep learn ing models for s mart agriculture:A Review ”. 《agronomy》 .2021, Kah Phooi Seng 等. “Computer visi on and machine learn ing for viticulture technology”. 《IEEE》 .2018, 周云成等.基 于稠密自编码器的无监 督番茄 植株图像深度估计模型. 《农业工程学报》 .2020, (第11期),2/2 页 2[接上页] CN 114240866 B1.一种基于二维图像与三维生长信息的组培苗分级方法， 其特 征在于， 包括如下步骤： 多角度环绕拍摄同一株组培苗的多张RGB图像， 包括： 固定一个垂直方向拍摄角度， 在水平方向环绕拍摄同一株组培苗的RGB图像， 环绕为围 绕植株在水平面的0 ° ‑360°范围内； 在垂直方向改变拍摄角度， 重复上述水平方向环绕拍摄， 直至得到所有预设角度的组 培苗图像为止； 对拍摄到的组培苗RGB图像进行色彩空间转换， 得到 HSV图像； 提取RGB图像中的G 分量以及HSV图像中的S分量； 将RGB图像中的G 分量以及HSV图像中的S分量进行融合， 获取组培苗 植株主体图像； 在获取的同一株组培苗的主体图像中选取多张能识别出该株组培苗的全部小苗的图 像， 将选取的图像划分数据集和测试集， 建立深度学习分级模型， 并对测试集进行训练， 得 到训练好的深度学习分级模型； 采用运动结构恢复算法针对所有拍摄的组培苗RGB图像进行组培苗 三维模型重建； 获取重建的三维模型中组培苗 植株的外形参数； 根据从重建的三维模型中获取的组培苗植株的外形参数， 对组培苗进行初步分级， 再 将初步分级结果与深度学习分级模型 的分级结果相结合， 根据分级原则， 进行组培苗等级 划分， 分级原则为通过聚类分析 的方法对组培苗进行分级， 在深度学习分级结果和重建的 三维模型分级结果相同时， 取该分级结果做为最终分级结果， 在深度学习分级结果和重建 的三维模型分级结果 不同时， 取低级分级结果作为 最终分级结果。 2.根据权利要求1所述的基于二维图像与三维生长信息的组培苗分级方法， 其特征在 于， 对组培苗RGB图像进行色彩空间转换， 得到HSV图像具体包括， 输入组培苗RGB图像， 将R， G， B归一化， R,G,B∈[0,1]， RGB图像到HSV图像的变换公式为： V＝max(R,G,B)， 将变换后的H 分量取值范围设为0 °～360°， S,V∈[0,1]， 得到 HSV图像。 3.根据权利要求2所述的基于二维图像与三维生长信息的组培苗分级方法， 其特征在 于， 将RGB图像中的G分量以及HSV图像中的S分量进行融合， 获取组培苗植株主体图像包括 如下步骤： 将RGB图像和HSV图像归一 化后融合， 并得到融合的灰度值图像； 根据融合的灰度值图像 中的G分量分离组培苗中的绿色元素， 获取组培苗植株的茎、 叶 图像的掩膜； 根据融合的灰度值图像中的S分量分离组培苗的根部， 获取组培苗植株的根部 图像的 掩膜； 将组培苗植株的茎、 叶以及根部掩膜进行或运算， 得到包括噪声的组培苗植株主体图 像； 进行组培苗植株的茎、 叶以及根部掩膜闭运算连接茎、 叶和根， 选取连接茎、 叶和根后 得到的图像中最大 连通域， 得到去除噪声的组培苗 植株主体图像。 4.根据权利要求3所述的基于二维图像与三维生长信息的组培苗分级方法， 其特征在 于， 在得到包括噪声的组培苗植株主体图像后， 去除该图像中的黑边， 以去除噪声， 得到去 除噪声的组培苗 植株主体图像。 5.根据权利要求4所述的基于二维图像与三维生长信息的组培苗分级方法， 其特征在权　利　要　求　书 1/3 页 2 CN 114240866 B 3