# SeedlingCV

**Repository Path**: deepbiology/seedlingcv

## Basic Information

- **Project Name**: SeedlingCV
- **Description**: Identify wheat/rice seedling with computer vision.
- **Primary Language**: Python
- **License**: GPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 0
- **Created**: 2022-02-12
- **Last Updated**: 2025-03-10

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README



# （快速开始）环境配置：

- Python>=3.7 

- pytorch>=1.7

  `https://pytorch.org/get-started/locally/ `

  你可以选择适合自己的pytorch版本进行安装：

  ![ssss](Quickstart.assets/ssss.png)

- cuda>=10.2

- pycharm

## 项目下载
### 项目地址：
https://gitee.com/deepbiology/seedlingcv

https://github.com/johnsunx1/SeedlingCV

`$ cd Wheat`

`$ pip install -r requirements.txt  # install dependencies` 

# 操作指南：

## 数据获取

通过无人机获取麦田视频，使无人机保持适当高度水平飞行，以获得较为清晰的麦田视频

![12](Quickstart.assets/12.png)

我们为用户提供了一个视频处理工具包：`Vedio_util`

将视频放在`Vedio_util`文件夹下：

![13](Quickstart.assets/13.png)

### 将视频转为帧

* 在将视频转换为帧之前需要先将`get_picture.py`第二行，修改为自己视频的名称。

![30](Quickstart.assets/30.png)



* 然后根据视频情况调整截取的帧与帧之间的间隔（间隔单位为帧数，如下）。用户必须保证从视频中截取的两相邻帧有大于70%的重合度，以便于后续合成整个麦田的图片。

![31](Quickstart.assets/31.png)

* 通过运行`get_picture.py`可以获得视频帧，视频帧保存在`picture`文件夹中，用户可以在`get_picture.py`,选择视频的路径以及选择视频帧的间隔，得到的结果保存在`vedio_util/picture`文件夹中。

![28](Quickstart.assets/28-1644926599348.png)

###  图片合成麦田全景图

得到视频帧后，我们需要将视频帧进行拼接得到麦田全景图。如果你要合成的麦田全景图较小的话可以通过运行`compound_picture.py`合成全景图，但是当麦田较大时，我们建议使用[webodm](https://github.com/OpenDroneMap/WebODM)进行合成。

![15](Quickstart.assets/15.png)

执行`compound_picture.py`，结果为final-1.jpg  (原图）final-2.jpg（我们为用户处理过后的图片），用户根据自己实际情况进行选择，保存在`Vedio_util`文件夹下（如下）:

final-1：![final-1](Quickstart.assets/final-1.png)

final-2：![final-2](Quickstart.assets/final-2.png)

###  将全景图分割

我们需要将麦田全景图（final.jpg）分割，以便图片规格符合识别要求（分割后的图片用于麦苗个数检测，不用于空缺检测，演示图片的小麦时期，小麦已经生长的较为茂密，并不适用于麦苗检测）。通过运行`shear.py` 得到的结果保存在`sheared`中。

用户可以在此处选择要分割的图片:

![40](Quickstart.assets/40.png)

## 空缺识别

* 将全景图放到`Vacant-Count/img`，图片格式为高大于宽，如下：

![33](Quickstart.assets/33.png)

避免出现：

![32](Quickstart.assets/32.png)

* 将图片放入后，用户在Vacant_detect.py此处将名称修改为自己图片的名称：

![34](Quickstart.assets/34.png)

* 参数scale 为每像素代表实际多少厘米，为分数形式：分子代表多少厘米，分母代表像素，用户可按照实际情况       进行选择。![36](Quickstart.assets/36.png)
* 参数filter_len为空缺筛选范围，

![37](Quickstart.assets/37.png)

* 参数filter_len为空缺筛选范围，默认空缺筛选范围为20cm-80cm，用户也可以设置多个筛选范围，如下：

```python
parser.add_argument('--filter_len', default=[[20, 30],[40,50]], help='the interval of len to filter')
```

  此时结果只包含长度在20-30，40-50之间空缺的统计结果，其余长度空缺将被忽略。

* 运行`Vacant_detect.py`即可。结果保存在`out`中。

![35](Quickstart.assets/35.png)

* 如果柱状图显示效果不好，出现拥挤，比如：![image-20220211184829178](Quickstart.assets/image-20220211184829178.png)

​      可尝试修改：figsize 的比例。

![image-20220211184941379](Quickstart.assets/image-20220211184941379.png)

## 麦苗数量检测

将全景图分割成的较小的图片放在`Wheat-count/Dete-orig`下，运行`preprocess_detect.py`将图片进行预处理为特定格式。得到的结果在`Detect_processed`下。

运行`detect.py`即可得到效果图以及包含统计信息的txt文件，结果保存至out_dectect中。


# 代码参考来源：

https://github.com/ZhihengCV/Bayesian-Crowd-Counting

https://github.com/dyh/unbox_yolov5_deepsort_counting

https://github.com/ultralytics/yolov5

# 主要贡献者：
https://gitee.com/deepbiology_0

https://gitee.com/l1233

https://gitee.com/zhao-chuanfei

# 更详细说明请参考：  
https://gitee.com/deepbiology/seedlingcv/blob/master/expert.md