基于深度学习的病原孢子识别计数方法和装置制造方法及图纸

本发明专利技术提供一种基于深度学习的病原孢子识别计数方法和装置，其中方法包括：确定待识别计数的病原孢子图像；将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。本发明专利技术提供的基于深度学习的病原孢子识别计数方法和装置，提高了病原孢子识别和计数的准确性及效率。

【技术实现步骤摘要】
基于深度学习的病原孢子识别计数方法和装置
本专利技术涉及植物病理学的图像处理
，尤其涉及一种基于深度学习的病原孢子识别计数方法和装置。
技术介绍
蔬菜侵染性病害是由病原微生物侵染引起，是影响蔬菜产质量并制约蔬菜产业可持续发展的重要因素之一。侵染性病害主要是由真菌、细菌、病毒等病原微生物侵染所致，在常见的侵染性病害中，真菌病害种类繁多，占所有侵染性病害的60％以上。因此，真菌病害对蔬菜的危害最严重，是主要的防治对象。孢子作为真菌的繁殖体，侵染蔬菜后引发病害，因此对病原孢子进行识别，可以为病害种类的判别提供依据，在此基础上对病原孢子进行计数，可以为病害侵染概率以及发病严重程度的预测提供有效依据。形态学方法是真菌孢子鉴定的主要方法之一，但真菌孢子形态和生理指标多种多样，且容易受到环境和人为因素的干扰，导致分类不断变动。传统的病原孢子识别主要是人为进行形态学识别，人工识别较为依赖经验，且识别效率较低。此外，传统孢子计数方法多为手动计数，需要手动逐个标记每个孢子以达到计数的目的，整个计数过程耗时长、效率低，且容易出现漏标的情况。
技术实现思路
本专利技术提供一种基于深度学习的病原孢子识别计数方法和装置，用以解决现有技术中病原孢子识别计数效率低、准确性欠佳的缺陷。本专利技术提供一种基于深度学习的病原孢子识别计数方法，包括：确定待识别计数的病原孢子图像；将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；r>基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。根据本专利技术提供一种的基于深度学习的病原孢子识别计数方法，所述病原孢子识别模型是基于如下步骤训练得到的：收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像；对所述样本病原孢子图像进行像素语义标注，得到所述样本病原孢子的样本标注结果；基于所述样本病原孢子图像及其样本标注结果，训练所述病原孢子识别模型。根据本专利技术提供的一种基于深度学习的病原孢子识别计数方法，所述收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像，具体包括：利用电子显微镜对所述玻片标本进行拍照，并将所拍照片存储；其中，所述照片的存储格式为JPG，24位深，RGB颜色空间模式，所述电子显微镜的放大倍数为10×20；基于所述照片中包含病原孢子的目标区域，对所述照片进行裁切，得到所述样本病原孢子图像。根据本专利技术提供的一种基于深度学习的病原孢子识别计数方法，训练所述病原孢子识别模型时，设置训练迭代次数为100，小批量规模为4，L2正则化系数为0.0001，初始学习率为0.05，动量参数为0.9，梯度阈值为0.05。根据本专利技术提供的一种基于深度学习的病原孢子识别计数方法，训练所述病原孢子识别模型时，采用平均像素准确率作为评价指标对所述病原孢子识别模型的训练效果进行评价；所述平均像素准确率可以基于如下公式计算：其中，pii表示本属于i类且预测为i类的像素点总数；pij表示本属于i类却预测为j类的像素点总数，k为像素点总数。根据本专利技术提供的一种基于深度学习的病原孢子识别计数方法，所述病原孢子识别模型包括多尺度的下采样层和对应的上采样层；同一尺度的下采样层与上采样层之间跳层连接；所述下采样层和上采样层中包括卷积层和线性整流函数层，且首个下采样层以外的其他下采样层还包括最大池化层。根据本专利技术提供的一种基于深度学习的病原孢子识别计数方法，所述基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量，具体包括：基于所述病原孢子图像的语义分割结果中每一像素的语义类型，以及各个像素之间的距离，将属于同一病原孢子的像素划分为同一组；基于每组像素的语义类型，确定所述病原孢子图像中每一类型病原孢子的数量。本专利技术还提供一种基于深度学习的病原孢子识别计数装置，包括：图像采集单元，用于确定待识别计数的病原孢子图像；图像识别单元，用于将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；计数统计单元，用于基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的病原孢子识别计数方法的步骤。本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的病原孢子识别计数方法的步骤。本专利技术提供的基于深度学习的病原孢子识别计数方法和装置，通过将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果，并基于病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到病原孢子图像中每一类型病原孢子的数量，提高了病原孢子识别和计数的准确性及效率。附图说明为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的病原孢子识别计数方法的流程示意图之一；图2为本专利技术提供的病原孢子识别模型的结构示意图；图3为本专利技术提供的病原孢子识别计数方法的流程示意图之二；图4为本专利技术提供的病原孢子识别计数装置的结构示意图；图5为本专利技术提供的电子设备的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的病原孢子识别计数方法的流程示意图之一，如图1所示，该方法包括：步骤110，确定待识别计数的病原孢子图像；步骤120，将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果；步骤130，基于病原孢子图像的语义分割结果进行不同类型病原孢子本文档来自技高网...

【技术保护点】
1.一种基于深度学习的病原孢子识别计数方法，其特征在于，包括：/n确定待识别计数的病原孢子图像；/n将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；/n基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；/n其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。/n

【技术特征摘要】
1.一种基于深度学习的病原孢子识别计数方法，其特征在于，包括：
确定待识别计数的病原孢子图像；
将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；
基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；
其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。


2.根据权利要求1所述的基于深度学习的病原孢子识别计数方法，其特征在于，所述病原孢子识别模型是基于如下步骤训练得到的：
收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像；
对所述样本病原孢子图像进行像素语义标注，得到所述样本病原孢子的样本标注结果；
基于所述样本病原孢子图像及其样本标注结果，训练所述病原孢子识别模型。


3.根据权利要求2所述的基于深度学习的病原孢子识别计数方法，其特征在于，所述收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像，具体包括：
利用电子显微镜对所述玻片标本进行拍照，并将所拍照片存储；其中，所述照片的存储格式为JPG，24位深，RGB颜色空间模式，所述电子显微镜的放大倍数为10×20；
基于所述照片中包含病原孢子的目标区域，对所述照片进行裁切，得到所述样本病原孢子图像。


4.根据权利要求2所述的基于深度学习的病原孢子识别计数方法，其特征在于，训练所述病原孢子识别模型时，设置训练迭代次数为100，小批量规模为4，L2正则化系数为0.0001，初始学习率为0.05，动量参数为0.9，梯度阈值为0.05。


5.根据权利要求2所述的基于深度学习的病原孢子识别计数方法，其特征在于，训练所述病原孢子识别模型时，采用平均像素准确率作为评价指标对所述病原孢子识别模型的训练效果进行评价；
所述平均像素准确率可以基于如下公式计算：...

【专利技术属性】
技术研发人员：王翔宇，李海生，吕丽君，韩丹枫，
申请(专利权)人：长治学院，
类型：发明
国别省市：山西;14