The invention provides a device and method for plant leaf recognition, stomatal photograph of a inverted microscope method includes: blade photos under the inverted microscope taken as input image; the blade photo convolution processing using VGG16 convolutional neural network model, the first to feature matrix contains the stomatal characteristics; each of them will the feature points as the center point mapped back to original image to map back to this point as the center point of different size area; according to the first characteristic matrix of each feature point and adjacent feature points are first pre set all ranks of convolution processing, judgment on original image region is mapped back to the interested target area and the target range; the target area mapping image to the first feature matrix, second feature matrix corresponding to the preset full connection to God; The network determines whether the second characteristic matrix is the pore area and the scope of the stomatal area. In this way, the operation of scientific research personnel can be reduced and the speed and efficiency of scientific research can be improved.
【技术实现步骤摘要】
一种植物叶片照片的气孔识别方法及装置
本专利技术涉及生物
,特别涉及一种植物叶片照片的气孔识别方法及装置。
技术介绍
现在植物学研究气孔方面的实验,科研人员拍摄图像后都是手工统计气孔数目的,但是拍摄的图片有几千几万张,统计数目气孔费时费力,长时间的统计也会大大增加出错的概率,影响了科研的进度和效率。
技术实现思路
本专利技术提供一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法及装置,用以自动识别植物叶片照片中的气孔区域,并进行统计,从而减少科研人员的操作,提高科研的速度和效率。根据本专利技术实施例的第一方面,提供一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法,包括:将倒置显微镜下拍摄的叶片照片作为输入原图;利用VGG16卷积神经网络模型对所述叶片照片进行卷积处理,以得到包含叶片气孔特征的第一特征矩阵;所述卷积神经网络模型的参数是经过200张倒置显微镜拍摄的叶片照片训练来的。将所述第一特征矩阵中的每一特征点为中心点映射回原图,以映射回原图上的此点为中心点得到不同大小的区域;根据所述第一特征矩阵上每一个特征点以及相邻特征点进行第一预设行列全卷积处理,并判断映射回原图上的区域是否为感兴趣的目标区域以及所述目标区域的范围;所述第一预设行列包括三行三列。若所述区域是感兴趣的目标区域,则将原图上的目标区域映射回所述第一特征矩阵,以得到对应的第二特征矩阵;用预设的全连接神经网络确定所述第二特征矩阵是否为气孔区域以及气孔区域的范围。在该实施例中,输入倒置显微镜下拍摄的叶片照片后,可自动确定叶片照片中的气孔区域和气孔区域的范围,不需要用户人工进行确定,减少了科研人员的操 ...
【技术保护点】
一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法,其特征在于,包括:将倒置显微镜下拍摄的叶片照片作为输入原图;利用VGG16卷积神经网络模型对所述叶片照片进行卷积处理,以得到包含叶片气孔特征的第一特征矩阵;将所述第一特征矩阵中的每一特征点为中心点映射回原图,以映射回原图上的此点为中心点得到不同大小的区域;根据所述第一特征矩阵上每一个特征点以及相邻特征点进行第一预设行列全卷积处理,并判断映射回原图上的区域是否为感兴趣的目标区域以及所述目标区域的范围;若所述区域是感兴趣的目标区域,则将原图上的目标区域映射回所述第一特征矩阵,以得到对应的第二特征矩阵;用预设的全连接神经网络确定所述第二特征矩阵是否为气孔区域以及气孔区域的范围。
【技术特征摘要】
1.一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法,其特征在于,包括:将倒置显微镜下拍摄的叶片照片作为输入原图;利用VGG16卷积神经网络模型对所述叶片照片进行卷积处理,以得到包含叶片气孔特征的第一特征矩阵;将所述第一特征矩阵中的每一特征点为中心点映射回原图,以映射回原图上的此点为中心点得到不同大小的区域;根据所述第一特征矩阵上每一个特征点以及相邻特征点进行第一预设行列全卷积处理,并判断映射回原图上的区域是否为感兴趣的目标区域以及所述目标区域的范围;若所述区域是感兴趣的目标区域,则将原图上的目标区域映射回所述第一特征矩阵,以得到对应的第二特征矩阵;用预设的全连接神经网络确定所述第二特征矩阵是否为气孔区域以及气孔区域的范围。2.根据权利要求1所述的方法,其特征在于,以所述第一特征矩阵中的每一特征点为中心点映射回原图,以映射回原图上的此点为中心点得到不同大小的区域,包括:映射回原图的是1:1、1:2和2:1三种比例和128*128、256*256、512*512三种尺寸的9个不同大小的区域。3.根据权利要求1所述的方法,其特征在于,根据所述第一特征矩阵上每一个特征点以及相邻特征点进行第一预设行列全卷积处理,并判断映射回原图上的区域是否为感兴趣的目标区域以及所述目标区域的范围,包括:根据所述第一特征矩阵上每一个特征点以及相邻特征点做第一预设行列的全卷积处理,得到每一点的特征向量,并输出两个输出层,其中一个输出层判断是否为感兴趣的目标区域,另一个输出层输出所述目标区域的四个边界调整值。4.根据权利要求1所述的方法,其特征在于,用预设的全连接神经网络确定所述第二特征矩阵是否为气孔区域以及气孔区域的范围,包括:对所述不同大小的第二特征矩阵作归一最大值降采样处理,以得到第二预设行列的第三特征矩阵;将所述第三特征矩阵展开成一维向量,输入到一层全连接神经网络,并输出两个输出层,其中,一个输出层利用Softmax函数输出属于气孔区域的概率,另一个输出层输出所述气孔区域的边界调整值。5.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:统计所述叶片照片中被确定为气孔区域的区域个数,并在所述叶片照片上标记出所述气孔区域。6.一种倒置显微镜下拍摄...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。