一种植物叶片照片的气孔识别方法及装置制造方法及图纸

本发明专利技术提供了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，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叶片照片进行卷积处理，得到包含叶片气孔特征的第一特征矩阵；将其中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；根据第一特征矩阵上每一个特征点及相邻特征点进行第一预设行列全卷积处理，判断映射回原图上的区域是否为感兴趣的目标区域以及目标区域的范围；将原图上的目标区域映射回第一特征矩阵，得到对应的第二特征矩阵；用预设的全连接神经网络确定第二特征矩阵是否为气孔区域以及气孔区域的范围。这样，可以减少科研人员的操作，提高科研的速度和效率。

A method and device for the identification of stomata in a plant leaf photograph

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作，提高科研的速度和效率。在一个实施例中，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。在一个实施例中，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。在一个实施例中，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；所述第二预设行列包括七行七列。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。在一个实施例中，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。在该实施例中，标记出叶片照片中的气孔区域并统计气孔区域的个数，这样，自动识别植物叶片照片中的气孔区域，并进行统计，减少了科研人员的操作，提高了科研的速度和效率。根据本专利技术实施例的第二方面，提供一种倒置显微镜下拍摄的植物叶片照片的气孔识别装置，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：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。在一个实施例中，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。在一个实施例中，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。在一个实施例中，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。在一个实施例中，所述处理器还被配置为：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。本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1A是根据一示例性实施例示出的一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法的流程图。图1B是根据一示例性实施例示出的对叶片照片打点的示意图。图2是根据一示例性实施例示出的一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法中步骤S106的流程图。图3是根据一示例性实施例示出的另一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法的流程图。具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。图1A是根据一示例性实施例示出的一种倒置显微镜下拍摄的植物叶片照片的气孔识别方法的流程图。该气孔识别方法应用于服务器中。如图1所示，该方法包括步骤S101-S106：在步骤S101中，将倒置显微镜下拍摄的叶片照片作为输入原图；在步骤S102中，利用卷积神经网络模型对所述叶片照片进行VGG16卷积神经网络进行处理，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。其中，卷积神经网络模型的参数的训练过程如下：如图1B所示，对输入的叶片照片进行均匀打点，并对每个点进行坐标标记，记为AiBj，其中A为各点所在的行，B为各点所在的列，i为各点所在的行序号，j为各本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：唐贺，万平，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：北京,11