The invention discloses a plant leaf segmentation method based on improved total convolution neural network. In order to segment plant leaves quickly and accurately, the original FCN 8-fold up-sampling model has a large amount of parameters. In order to remove some layers, a direct structure is adopted. By using single-layer features, the reduced feature map of VGG16 model is deconvoluted and sampled to the original size according to the reduced multiple. Three improved models are obtained. Finally, 1762 pictures of 6 different plants were used as training samples, and 441 pictures of leaves were used as training samples. It is found that the 4-fold up-sampling direct structure model occupies only 6.90 MB of memory, which is reduced to 1/77 times of the original FCN model. The average accuracy and area coincidence of the test set are 99.099% and 98.204% respectively. Compared with the traditional K_means clustering and Otsu threshold segmentation, the average area coincidence is 3.704 and 4.295 percentage points higher, and the method can extract the whole leaf, which is less affected by the uneven color and light intensity of the leaf surface.
【技术实现步骤摘要】
一种基于改进全卷积神经网络的植物叶片分割方法
本专利技术涉及一种图像分割方法,具体涉及一种基于改进全卷积神经网络的植物叶片分割方法。
技术介绍
植物是生态系统的重要组成部分,植物鉴定和植物病害识别是植物保护的一项重要工作。植物叶片分割通旨在定位图像中的叶片区域并提取,以减少背景物体干扰,是植物鉴定和植物病害识别中的重要步骤。叶片的分割效果对后续的特征提取和模式识别工作会产生直接的影响,因此叶片的精确分割提取问题受到广泛关注。对于植物叶片的分割,现有的方法主要分为基于阈值的分割和基于聚类的分割,阈值分割有最小误差法、最大类间方差法(Otsu)和最大熵法。Otsu作为典型的阈值分割法,能够自动选取最佳分割阈值,实现较为简单,但在前景灰度分布范围较大时效果欠佳。聚类算法主要通过计算区域之间颜色的相似度,对相似颜色进行聚类,但在前景和背景颜色差异较小时,很难提取出前景目标。由于受外部环境因素影响较大,现有的一些方法存在误分割现象,这对后续识别过程的开展会产生不利影响,故提出一种自动、精确的分割方法是必要的。
技术实现思路
本专利技术的主要目的在于克服现有技术中的不足,提供一种能准确地将植物叶片从背景中分割出来的方法,对叶片中包含与背景颜色相似的病斑、光照不均或阴影部分,能克服其干扰并准确地提取完整叶片。为解决上述技术问题,本专利技术采用的技术方案是:一种基于改进全卷积神经网络的图像分割方法,包括如下步骤:(1)试验数据获取与处理;(2)构建全卷积神经网络;(3)训练全卷积神经网络;(4)采用训练好的全卷积神经网络进行叶片分割。所述过程(1)具体包括下述步骤:在选择试验 ...
【技术保护点】
1.一种基于改进全卷积神经网络的植物叶片分割方法,其特征在于,包括如下步骤:步骤1,试验数据获取与处理:获取试验数据样本具备复杂多样性,并将数据样本分为训练图片和测试图片;步骤2,选取VGG‑16分类模型作为基础模型,构建全卷积神经网络;步骤3,利用Caffe深度学习训练全卷积神经网络;步骤4,使用训练好的全卷积神经网络模型对叶片进行分割。
【技术特征摘要】
1.一种基于改进全卷积神经网络的植物叶片分割方法,其特征在于,包括如下步骤:步骤1,试验数据获取与处理:获取试验数据样本具备复杂多样性,并将数据样本分为训练图片和测试图片;步骤2,选取VGG-16分类模型作为基础模型,构建全卷积神经网络;步骤3,利用Caffe深度学习训练全卷积神经网络;步骤4,使用训练好的全卷积神经网络模型对叶片进行分割。2.根据权利要求1所述的一种基于改进全卷积神经网络的植物叶片分割方法,其特征在于,所述步骤1的具体过程包括:步骤1.1,选用PlantVillage工程中的6种植物共2203张叶片图片作为试验数据,其中包含5种植物的健康叶片图片和2种植物的病害叶片图片;步骤1.2,通过专业图像标注工具标注图像,得到叶片与背景分别标注为1和0的二值图,将标注图像按4:1的比例随机分成训练集和测试集,得到1762张训练图片和441张测试图片。3.根据权利要求1所述的一种基于改进全卷积神经网络的植物叶片分割方法,其特征在于,所述样本的复杂多样性包括:图片集中的图片尺寸不一致、拍摄光照强度不均匀、图片中有黑色阴影等、部分病斑的颜色与背景色相似。4.根据权利要求1所述的一种基于改进全卷积神经网络的植物叶片分割方法,其特征在于,所述步骤2的具体过程包括:所述全卷积神经网络包含迁移学习参数层和非迁移学习的参数层;其中迁移学习的参数层有第一层卷积层Conv1,第二层卷积层Conv2,第三层卷积层Conv3,第四层卷积层Conv,非迁移学习的参数层为卷积层C5、C6、C7,反卷积层D5、D6、D7;在反卷积层后连接裁剪层,用于将采样后的特征图裁剪为原图尺寸,最后使用Softmax层计算损失值。5.根据权利要求4所述的一种基于改进全卷积神经网络的植物叶片分割方法,其特征在于,卷积层Conv1包含Conv1_1、Conv1_2,使用的卷积核大小为3×3,步长为1,共64个卷积核;卷积层Conv2包含Conv2_1、Conv2_2,使用的卷积核大小为3×3,步长为1,共128个卷积核;卷积层Conv3包含Conv3_1、Conv3_2、Conv3_3,使用的卷积核大小为3×3,步长为1,共256个卷积核;卷积层Conv4包含Conv4_1、Conv4_2、Conv4_3,使用的卷积核大小为3×3,步长为1,共512个卷积核;卷积层C5、C6、C7对特征进行非线性映射,使用的卷积核大小均为1×1,步长为1,共2个卷积核;反卷积层D5使用的卷积核大小为16×16,步长为8,共2个卷积核;反卷积层D...
【专利技术属性】
技术研发人员:孙俊,谭文军,武小红,沈继锋,陆虎,戴春霞,
申请(专利权)人:江苏大学,
类型:发明
国别省市:江苏,32
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。