基于高拍仪影像的水稻开颖角度预测数据

本数据及模型适用于水稻育种科研、稻作栽培试验、水稻种质资源鉴定等场景，面向农业科研人员、育种工作者及实验室技术人员，主要解决传统水稻开颖角度人工测量耗时费力、样本精度低、批量检测难度大的痛点，通过高拍仪高清影像技术实现水稻颖花开颖角度的室内精准、快速、批量检测，为水稻异交结实率提升、高产育种材料筛选、授粉特性研究提供核心数据支撑。一、加工前的数据说明 利用实验室高拍仪采集水稻抽穗扬花期颖花样本的高清俯视影像数据。 二、处理规则 （一）水稻颖花特征选择 对调查获取的水稻颖花开颖相关数据进行清洗，提取与水稻开颖角度强相关的核心特征，包括颖壳特征点像素坐标、特征点间像素距离、夹角特征值等，并进行数据标准化处理，剔除异常值，为模型训练奠定高质量数据基础。 （二）图像特征识别 采用 YOLOv8 实例分割与图像处理技术对高拍仪采集的水稻颖花影像进行处理，先通过 YOLOv8 模型精准检测并分割出单个颖花目标区域，再通过像素特征分析与轮廓提取，定位颖花左颖壳、右颖壳及基部的关键特征点坐标，经由特征提取与分析得到各颖花关键点的精准像素位置数据，为开颖角度的计算提供核心支撑。 （三）模型建立 整合高拍仪采集的水稻颖花高清影像数据、YOLOv8 检测分割的颖花区域标注掩码数据、人工精准测量的开颖角度标签数据及颖花关键点坐标数据，通过数据融合、数据增强等预处理技术完成数据整合，数据增强方式包含旋转、亮度调整、轻微缩放，构建模型训练数据集。基于该数据集搭建水稻开颖角度预测模型，重点挖掘颖花关键点像素特征与实际开颖角度之间的内在关联，经过反复训练、参数优化后，确定最终可用的水稻开颖角度预测模型，实现从影像特征到开颖角度的精准推算。模型训练及测试参数如下： 标签种类：rice（水稻）；模型名称：YOLOv8n-seg；平均精确度:98；图像输入大小：640；优化器：SGD；边界框损失：0.281；识别速度：80ms；是否使用预训练模型：否；学习率：0.01；分割损失：0.473。 （四）模型应用 将新采集的水稻颖花高拍仪高清影像输入到训练完成的最终模型，模型先通过YOLOv8自动检测分割颖花区域、精准提取左颖壳、右颖壳及基部关键特征点，再基于特征点坐标完成开颖角度的自动化计算并输出精准数值，为科研人员开展水稻育种材料筛选、颖花授粉特性研究、栽培技术优化提供精准的数据依据，助力提升水稻育种效率与异交结实率。 三、数据内容描述 最终形成的数据集包含以下内容：高拍仪采集的水稻抽穗扬花期颖花高清影像数据，水稻颖花YOLOv8检测分割标注框掩码数据等。本数据集可应用于水稻育种科研、稻作栽培试验、水稻种质资源鉴定等场景。

搜集汇总

背景与挑战

背景概述

该数据集面向水稻育种科研、栽培试验和种质资源鉴定等场景，提供了基于高拍仪采集的水稻抽穗扬花期颖花高清影像数据及对应的YOLOv8分割标注掩码数据。通过结合YOLOv8模型识别颖花关键特征点，可实现水稻开颖角度的室内精准、快速与批量检测，有效替代传统人工测量方式，为育种材料筛选及授粉特性研究提供数据支持。