本技術(shù)屬于人工智能，具體涉及一種小麥產(chǎn)量預估方法、裝置、計算機設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、小麥產(chǎn)量預估是農(nóng)業(yè)生產(chǎn)中的重要環(huán)節(jié)，有助于農(nóng)民和農(nóng)業(yè)部門合理規(guī)劃生產(chǎn)和市場策略。目前，小麥產(chǎn)量預估采用多種技術(shù)手段，包括傳統(tǒng)的目視估產(chǎn)法、田間樣方法和割包法等，這些方法依賴于經(jīng)驗和實地觀測，具有簡單易行的優(yōu)點，但可能存在一定誤差。

2、以田間樣方法為例，農(nóng)業(yè)專家會在麥田中隨機選擇多個具有代表性的區(qū)域作為樣本點，然后詳細記錄這些區(qū)域內(nèi)的小麥生長情況，如株高、穗數(shù)、粒數(shù)等。通過實地測量和觀察，結(jié)合以往經(jīng)驗，專家可以初步估算出整個麥田的平均產(chǎn)量。然而，這種方法雖然簡單易行，但受到人為因素和自然環(huán)境變化的影響，如光照條件變化等情況，可能導致預估結(jié)果存在一定的誤差。

3、因此，如何降低小麥產(chǎn)量預估過程中人為因素和自然環(huán)境變化的影響，提高產(chǎn)量預估準確度成為亟待解決的問題。

技術(shù)實現(xiàn)思路

1、本技術(shù)實施例的目的在于提出一種小麥產(chǎn)量預估方法、裝置、計算機設(shè)備及存儲介質(zhì)，以降低小麥產(chǎn)量預估過程中人為因素和自然環(huán)境變化的影響，提高產(chǎn)量預估準確度。

2、為了解決上述技術(shù)問題，本技術(shù)實施例提供一種小麥產(chǎn)量預估方法，采用了如下所述的技術(shù)方案：

3、一種小麥產(chǎn)量預估方法，包括：

4、獲取小麥穗部圖像，并對小麥穗部圖像采用光照歸一化算法進行預處理，提取光照不變特征；

5、將光照不變特征輸入圖像語義分割模型，得到麥穗?yún)^(qū)域子圖像；

6、使用支持向量回歸算法計算各個麥穗?yún)^(qū)域子圖像的麥穗密度，構(gòu)建麥穗密度分布圖；

7、從麥穗?yún)^(qū)域子圖像中提取麥穗形態(tài)學特征，其中，麥穗形態(tài)學特征包括麥穗長度、麥穗寬度和麥穗面積；

8、根據(jù)麥穗密度分布圖和麥穗形態(tài)學特征，使用預訓練的隨機森林回歸模型預估小麥產(chǎn)量。

9、進一步地，對小麥穗部圖像采用光照歸一化算法進行預處理，提取光照不變特征的步驟，具體包括：

10、獲取小麥穗部圖像上每一個像素點的像素值，得到原始像素值；

11、計算每一個像素點在rgb顏色通道上的高斯環(huán)繞函數(shù)值；

12、計算每一個像素點的原始像素值與高斯環(huán)繞函數(shù)值的差值，得到光照調(diào)整后的小麥穗部圖像；

13、對光照調(diào)整后的小麥穗部圖像進行特征提取，得到光照不變特征。

14、進一步地，計算每一個像素點在rgb顏色通道上的高斯環(huán)繞函數(shù)值的步驟，具體包括：

15、對小麥穗部圖像進行高斯模糊處理，得到小麥穗部的高斯模糊圖像；

16、計算高斯模糊圖像上每一個像素點的高斯權(quán)重；

17、確定高斯模糊圖像的高斯核，針對高斯模糊圖像上每一個像素點，確定高斯核覆蓋范圍；

18、根據(jù)每一個像素點的高斯權(quán)重和每一個像素點的高斯核覆蓋范圍，計算高斯環(huán)繞函數(shù)值。

19、進一步地，使用支持向量回歸算法計算各個麥穗?yún)^(qū)域子圖像的麥穗密度，構(gòu)建麥穗密度分布圖的步驟，具體包括：

20、對每一個麥穗?yún)^(qū)域子圖像進行密度特征提取，得到麥穗密度特征；

21、對麥穗密度特征進行向量轉(zhuǎn)化，得到麥穗密度特征向量；

22、將麥穗密度特征向量輸入到預訓練的支持向量回歸模型，輸出每一個麥穗?yún)^(qū)域子圖像的麥穗密度標簽；

23、將每一個麥穗?yún)^(qū)域子圖像的麥穗密度標簽映射到小麥穗部圖像中，得到麥穗密度分布圖。

24、進一步地，將每一個麥穗?yún)^(qū)域子圖像的麥穗密度標簽映射到小麥穗部圖像中，得到麥穗密度分布圖的步驟，具體包括：

25、確定每一個麥穗?yún)^(qū)域子圖像在小麥穗部圖像中的位置區(qū)域，得到子圖像位置區(qū)域；

26、將每一個麥穗?yún)^(qū)域子圖像的麥穗密度標簽映射到對應的子圖像位置區(qū)域內(nèi)；

27、在每一個子圖像位置區(qū)域內(nèi)，基于對應的麥穗密度標簽進行密度值填充，得到麥穗密度分布圖。

28、進一步地，根據(jù)麥穗密度分布圖和形態(tài)學特征，使用預訓練的隨機森林回歸模型預估小麥產(chǎn)量的步驟，具體包括：

29、提取麥穗密度分布圖的特征，得到麥穗密度分布特征；

30、將麥穗密度分布特征和麥穗形態(tài)學特征進行特征組合，生成麥穗密度-形態(tài)組合特征；

31、基于麥穗密度-形態(tài)組合特征，使用預訓練的隨機森林回歸模型預估小麥產(chǎn)量。

32、進一步地，將麥穗密度分布特征和麥穗形態(tài)學特征進行特征組合，生成麥穗密度-形態(tài)組合特征的步驟，具體包括：

33、對麥穗密度分布特征和麥穗形態(tài)學特征進行特征交互處理，得到麥穗交互特征，其中，特征交互處理包括計算特征乘積、計算特征比值和計算特征差值；

34、將麥穗交互特征作為麥穗密度-形態(tài)組合特征。

35、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種小麥產(chǎn)量預估裝置，采用了如下所述的技術(shù)方案：

36、一種小麥產(chǎn)量預估裝置，包括：

37、光照歸一化模塊，用于獲取小麥穗部圖像，并對小麥穗部圖像采用光照歸一化算法進行預處理，提取光照不變特征；

38、圖像語義分割模塊，用于將光照不變特征輸入圖像語義分割模型，得到麥穗?yún)^(qū)域子圖像；

39、麥穗密度計算模塊，用于使用支持向量回歸算法計算各個麥穗?yún)^(qū)域子圖像的麥穗密度，構(gòu)建麥穗密度分布圖；

40、形態(tài)特征提取模塊，用于從麥穗?yún)^(qū)域子圖像中提取麥穗形態(tài)學特征，其中，麥穗形態(tài)學特征包括麥穗長度、麥穗寬度和麥穗面積；

41、小麥產(chǎn)量預估模塊，用于根據(jù)麥穗密度分布圖和麥穗形態(tài)學特征，使用預訓練的隨機森林回歸模型預估小麥產(chǎn)量。

42、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機設(shè)備，采用了如下所述的技術(shù)方案：

43、一種計算機設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機可讀指令，所述處理器執(zhí)行所述計算機可讀指令時實現(xiàn)如上述任一項所述的小麥產(chǎn)量預估方法的步驟。

44、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：

45、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機可讀指令，所述計算機可讀指令被處理器執(zhí)行時實現(xiàn)如上述中任一項所述的小麥產(chǎn)量預估方法的步驟。

46、與現(xiàn)有技術(shù)相比，本技術(shù)實施例主要有以下有益效果：

47、本技術(shù)公開一種小麥產(chǎn)量預估方法、裝置、計算機設(shè)備及存儲介質(zhì)，屬于人工智能技術(shù)領(lǐng)域。本技術(shù)通過獲取小麥穗部圖像，并對小麥穗部圖像采用光照歸一化算法進行預處理，提取光照不變特征；將光照不變特征輸入圖像語義分割模型，得到麥穗?yún)^(qū)域子圖像；使用支持向量回歸算法計算各個麥穗?yún)^(qū)域子圖像的麥穗密度，構(gòu)建麥穗密度分布圖；從麥穗?yún)^(qū)域子圖像中提取麥穗形態(tài)學特征，其中，麥穗形態(tài)學特征包括麥穗長度、麥穗寬度和麥穗面積；根據(jù)麥穗密度分布圖和麥穗形態(tài)學特征，使用預訓練的隨機森林回歸模型預估小麥產(chǎn)量。本技術(shù)通過光照歸一化預處理小麥穗部圖像，有效消除了光照條件變化對圖像特征的干擾，確保了特征提取的穩(wěn)定性和準確性，然后，結(jié)合圖像語義分割技術(shù)精準定位麥穗?yún)^(qū)域，并進一步進行麥穗密度計算和麥穗形態(tài)學特征提取，采用支持向量回歸和隨機森林回歸模型，融合麥穗密度分布與形態(tài)學特征，實現(xiàn)了對小麥產(chǎn)量的高精度預估，顯著降低了人為因素及自然環(huán)境變化對小麥產(chǎn)量預估結(jié)果的影響，提高了預估的可靠性和實用性。