本发明专利技术公开了一种孢子发芽率计算方法、装置及存储介质，包括：获取待分类图像，通过对待分类图像进行模糊化计算判断待分类图像是否需要去模糊；若是，将待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将待分类图像进行数据分割得到第一分割图像集；将第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。本发明专利技术实施能够有效消除孢子图像处理过程中产生的干扰，从而提高孢子发芽状态检测精度以及孢子发芽率的计算精度。算精度。算精度。
【技术实现步骤摘要】
一种孢子发芽率计算方法、装置及存储介质
[0001]本专利技术涉及图像处理
，尤其是涉及一种孢子发芽率计算方法、装置及存储介质。
技术介绍
[0002]基于深度学习的图像处理方法是近年来最为流行的图像处理方法，其能够有效从大量数据中自主提取目标特征，并解决计算机视觉领域的诸多问题，如图像识别、语义分割、图像分类等，因此，也有越来越多其他领域的研究者开始应用并解决各类问题。图像处理神经网络从最早的AlexNet，到之后的VGG、ResNet，再到之后的Inception、DenseNet等，使其一步步的在常规的自然图像处理中能够极为有效的进行分类识别。但在这之中，大多数方法都需要建立庞大的图像集，并进行人为的标签说明，以区分出其类别或者位置。而在微生物的识别和检测上，早期因受限于图像处理技术，多数的分类识别均需要人工进行观察判断，因此准确性会大大降低，且时间成本也较高。当前有各类基于深度学习的方法，其大多数是基于常用的网络模型进行模型迁移或者结合其他方法配合使用的，因此大多数泛用性较低，很难直接应用于各类场景。现有的孢子发芽率计算方法在孢子的图像处理过程中易产生各类的干扰，导致孢子发芽率的计算精度较低。
技术实现思路
[0003]本专利技术提供了一种孢子发芽率计算方法、装置及存储介质，以解决现有的孢子发芽率计算方法在对孢子图像处理过程中容易产生干扰，导致孢子发芽率的计算精度较低的问题。
[0004]本专利技术的第一实施例提供了一种孢子发芽率计算方法，包括：
[0005]获取待分类图像，通过对所述待分类图像进行模糊化计算判断所述待分类图像是否需要去模糊；若是，将所述待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将所述待分类图像进行数据分割得到第一分割图像集；
[0006]将所述第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据所述分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，所述孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
[0007]进一步的，所述进行分割得到第一分割图像集，具体包括：
[0008]对所述待分类图像进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
[0009]对所述二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
[0010]采用圆检测手段记录所述孢子轮廓图像集在所述整合图像集中的位置坐标；
[0011]基于所述位置坐标对孢子进行分割得到第一分割图像集。
[0012]进一步的，所述去模糊模型的构建方法包括：
[0013]获取原始孢子图像集，在所述原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集；所述预处理图像集包括聚焦清楚的第一图像集和聚焦模糊的第二图像集；
[0014]对所述第一图像集和所述第二图像集进行分割得到分割图像对，根据所述分割图像对构建自编码器网络，并通过对所述自编码器网络进行训练构建得到去模糊模型。
[0015]进一步的，所述分类模型的构建方法包括：
[0016]利用所述去模糊模型对所述第二图像集进行去模糊处理，得到所述第二图像集对应的去模糊图像集。
[0017]将所述第一图像集与所述去模糊图像集整合得到整合图像集；
[0018]对所述整合图像集进行分割处理得到第二分割图像集；
[0019]对所述第二分割图像集进行分类得到孢子发芽状态的分类图像集，根据所述分类图像集构建分类网络，通过对所述分类网络进行训练构建分类模型。
[0020]进一步的，所述获取原始孢子图像集，在所述原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集，具体包括：
[0021]获取原始孢子图像集，采用对比图像方差的方式筛选掉所述原始孢子图像集中不存在孢子的图像，并将筛选后的图像集的亮度提升为相同值，得到预处理图像集。
[0022]进一步的，所述对所述第一图像集和所述第二图像集进行分割得到分割图像对，具体包括：
[0023]对所述第一图像集和第二图像集进行相同比例的分割，并将分割后图像中完全没有孢子的图像去除，得到分割图像对。
[0024]进一步的，所述对所述整合图像集进行分割处理得到第二分割图像集，具体为：
[0025]对所述整合图像集进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
[0026]对所述二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
[0027]采用圆检测手段记录所述孢子轮廓图像集在所述整合图像集中的位置坐标；
[0028]基于所述位置坐标对孢子进行分割得到第二分割图像集。
[0029]进一步的，所述分类网络为VGG分类网络。
[0030]本专利技术的第二实施例提供了一种孢子发芽率计算装置，包括：
[0031]数据分割模块，用于获取待分类图像，通过对所述待分类图像进行模糊化计算判断所述待分类图像是否需要去模糊；若是，则将所述待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将所述待分类图像进行数据分割得到第一分割图像集；
[0032]发芽率计算模块，用于将所述第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据所述分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，所述孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
[0033]本专利技术的第三实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的孢子发芽率计算方法。
[0034]本专利技术实施例中通过去模糊模型对待分类图像进行去模糊处理，并对待分类图像
进行分割后代入至分类模型中根据孢子发芽状态进行分类，采用模型分析的方式相比于人工检测能够有效提高分类的精度和速度，从而能够有效提高孢子发芽率计算的精度和速度，且本专利技术实施例基于位置坐标对孢子进行形态学的分割处理，无需在原图像内进行语义标注，极大的减少了前期数据集的准备时间以及提高算法的准确性；本专利技术实施例对于因器皿表面不平而导致的相对聚焦模糊的图像具有较强的鲁棒性，能够有效避免在图像获取以及识别过程中的干扰以及反复聚焦的情况，从而能够有效提高孢子发芽状态的分类精度以及孢子发芽率的计算精度。
附图说明
[0035]图1是本专利技术实施例提供的孢子发芽率计算方法的流程示意图；
[0036]图2是本专利技术实施例提供的一种去模糊处理效果示意图；
[0037]图3是本专利技术实施例提供的第一分类结果示意图；
[0038]图4是本专利技术实施例提供的第二分类结果示意图；
[0039]图5是本专利技术实施例提供的第三分类结果示意图；
[0040]图6是本专利技术实施例提供的孢子发芽率计算装置的结构示意图。
具体实施方式...
【技术保护点】
【技术特征摘要】
1.一种孢子发芽率计算方法，其特征在于，包括：获取待分类图像，通过对所述待分类图像进行模糊化计算判断所述待分类图像是否需要去模糊；若是，将所述待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将所述待分类图像进行数据分割得到第一分割图像集；将所述第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据所述分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，所述孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。2.如权利要求1所述的孢子发芽率计算方法，其特征在于，所述进行分割得到第一分割图像集，具体包括：对所述待分类图像进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；对所述二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；采用圆检测手段记录所述孢子轮廓图像集在所述整合图像集中的位置坐标；基于所述位置坐标对孢子进行分割得到第一分割图像集。3.如权利要求1所述的形态学和深度学习的孢子发芽率计算方法，其特征在于，所述去模糊模型的构建方法包括：获取原始孢子图像集，在所述原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集；所述预处理图像集包括聚焦清楚的第一图像集和聚焦模糊的第二图像集；对所述第一图像集和所述第二图像集进行分割得到分割图像对，根据所述分割图像对构建自编码器网络，并通过对所述自编码器网络进行训练构建得到去模糊模型。4.如权利要求3所述的形态学和深度学习的孢子发芽率计算方法，其特征在于，所述分类模型的构建方法包括：利用所述去模糊模型对所述第二图像集进行去模糊处理，得到所述第二图像集对应的去模糊图像集。将所述第一图像集与所述去模糊图像集整合得到整合图像集；对所述整合图像集进行分割处理得到第二分割图像集；对所述第二分割图像集进行分类得到孢子发芽状态的分类图像集，根据所述分类图像集构建分类网络，通过对所述分类网络进行训练构建分类模型。5.如权利要求3所述的孢子发芽率计算方...
【专利技术属性】
技术研发人员：李泽鹏，肖宇飞，李贤信，
申请(专利权)人：佛山市海天调味食品股份有限公司，
类型：发明
国别省市：
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。