(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111674763.0 (22)申请日 2021.12.31 (71)申请人 四川上太科技有限公司 地址 610051 四川省成 都市成华区东虹路 58号附8号 (72)发明人 杨向东　陈芋杭　杨丝娅　杨继萍　 李智浩　陈奕昂　杨鹏程　阳辉　 (74)专利代理 机构 成都正德明志知识产权代理 有限公司 513 60 代理人 张小娟 (51)Int.Cl. G06V 20/10(2022.01) G06V 20/40(2022.01) G06Q 50/02(2012.01) G06Q 10/04(2012.01) (54)发明名称 一种基于视觉分析的水稻产量预测方法 (57)摘要 本发明公开了一种基于视觉分析的水稻产 量预测方法， 包括以下步骤： S1： 利用无人机采集 水稻田的视频， 并识别视频中的作物种类， 确定 水稻生长图像； S2： 依次识别水稻生长图像中水 稻的穗长和穗数； S3： 根据水稻的穗长、 穗数和颜 色， 确定水稻田的水稻产量。 本发明通过无人机 获取水稻图像， 依次建立回归模 型和水稻产量预 测模型， 从而进行水稻产量预测， 充分考虑水稻 颜色、 穗长以及穗数对产量的影响， 并剔除了水 稻瘪粒和水稻倾斜对水稻产量预测的影 响， 保证 预测结果 准确。 权利要求书2页 说明书5页 附图1页 CN 114332626 A 2022.04.12 CN 114332626 A 1.一种基于 视觉分析的水稻产量预测方法， 其特 征在于， 包括以下步骤： S1： 利用无 人机采集水稻田的视频， 并识别视频中的作物种类， 确定水稻生长图像； S2： 依次识别水稻生长图像中水稻的穗长和穗数； S3： 根据水稻的穗长、 穗数和颜色， 确定水稻田的水稻产量。 2.根据权利要求1所述的视觉分析的水稻产量预测方法， 其特征在于， 所述步骤S1包括 以下子步骤： S11： 在水稻田的视频中确定存在作物的目标区域， 并提取目标区域的初始影 像； S12： 对初始影 像中的不同波段进行处 理， 得到不同植被指数的初始指数影 像； S13： 在目标区域中， 根据不同植被指数的初始指数影像， 确定不同植被指数的密度函 数， 并利用密度函数对初始指数影 像进行滤波处理， 确定不同植被指数的最终指数影 像； S14： 根据不同植被指数的最终指数影像， 计算不同植被指数的分类指数， 将大于设定 分类指数的植被指数对应的作物作为水稻， 将水稻所处目标区域的图像作为水稻生长图 像。 3.根据权利要求2所述的视觉分析的水稻产量预测方法， 其特征在于， 所述步骤S12中， 植被指数NDVI的计算公式为： NDVI＝(NIR‑R)/(NIR+R) 其中， NIR表示初始影 像的近红外波段， R表示初始影 像的红波段； 所述步骤S14中， 不同植被指数的分类指数的计算公式为： 其中， n表示植被指数的个数， Gi表示第i个植被指数的基尼系数， βi表示第i个植被指数 的最终指数影 像的权重。 4.根据权利要求1所述的视觉分析的水稻产量预测方法， 其特征在于， 所述步骤S2中， 识别水稻的穗长的具体方法为： A21： 剔除不含稻穗的水稻生长图像， 并将水稻生长图像进行竖直旋转， 得到水稻标准 图像； A22： 对水稻标准图像依次进行灰度化处理和去噪处理， 并对去噪处理后的水稻 标准图 像进行二 值化处理， 得到水稻二 值图像； A23： 从水稻二值图像 中提取水稻的稻穗面积， 并利用细化算法从水稻二值图像 中提取 水稻的骨架； A24： 在稻穗 面积内， 将水稻的骨架中大于设定穗长路径的路径 距离作为水稻的穗长 。 5.根据权利要求4所述的视觉分析的水稻产量预测方法， 其特征在于， 所述步骤A21中， 对水稻生长图像进行竖直旋转的具体方法为： 对水稻生长图像进行形态学处理， 得到水稻 生长图像中的水稻倾斜角度， 并将水稻生长图像按照水稻倾斜角度进行竖直旋转， 得到水 稻标准图像； 所述步骤A23中， 提取水稻的稻穗面积的具体方法为： 对水稻二值图像进行预处理， 得 到水稻的实粒数和瘪粒数， 根据实粒数与瘪粒数的差值计算水稻的稻穗面积S， 其计算 公式权　利　要　求　书 1/2 页 2 CN 114332626 A 2为： S＝(Nreal‑Nempty)·α·ra2 其中， Nreal表示是水稻的实粒数， Nempty表示是水稻的瘪粒数， α表示水稻二值图像中前 景像素点个数， ra表示水稻二 值图像的分辨 率； 所述步骤A24中， 确定水稻的骨架中路径距离的具体方法为： 在稻穗面积内， 扫描水稻 的骨架， 确定骨架的边界端点， 依次计算每两个边界端点之间的前景像素点个数， 将前景像 素点个数 大于设定像素点个数的值作为骨架的路径 距离。 6.根据权利要求5所述的视觉分析的水稻产量预测方法， 其特征在于， 所述步骤S2中， 识别水稻的穗数的具体方法为： B21： 利用五点三次平滑滤波方法对水稻的骨架进行平滑滤波处理， 并沿穗轴方向按行 像素求和， 得到像素曲线图； B22： 在像素曲线图中， 分离水稻的稻穗和茎秆， 并提出茎秆的像素曲线图； B23： 提取稻穗的像素曲线图的极值 点， 并确定像素曲线图中的极大值 点个数； B24： 根据像素曲线图中的极大值 点个数， 计算水稻的穗数。 7.根据权利要求6所述的视觉分析的水稻产量预测方法， 其特征在于， 所述步骤B24中， 水稻的穗数Nspike的计算公式为： Nspike＝2maxpic+1 其中， maxpic表示像素曲线图中的极大值 点个数。 8.根据权利要求1所述的视觉分析的水稻产量预测方法， 其特征在于， 所述步骤S3中， 确定水稻田的水稻产量的具体方法为： 将水稻的穗长、 穗数和颜色， 建立回归模型， 并对回 归模型进行 逐步回归分析， 得到水稻预测模型， 并利用水稻预测模型进行 水稻产量预测； 其中， 回归 模型的表达式为： y＝colror1h1μ1Nspike_1+colror2h2μ2Nspike_2+…+colrorphpμpNspike_p 式中， colorm表示水稻生长图像的颜色权重， hm表示各株水稻的穗长， Nspike_m表示各株 水稻的穗数， m＝1,2, …,p， p表示水稻株数。权　利　要　求　书 2/2 页 3 CN 114332626 A 3