基于YOLOX的植物气孔多功能实时智能识别系统技术方案

本发明专利技术涉及智慧农业技术领域，具体涉及基于YOLOX的植物气孔多功能实时智能识别系统，该系统包括数据采集模块、迁移学习模块、标签分类模块、网络模型训练模块以及气孔识别模块。采集植物叶表皮图像，将叶表皮图像分为单目标检测数据集和双目标检测数据集；结合迁移学习和YOLOX获取每个标注框对应的正样本锚框；利用单目标检测数据集和双目标检测数据集以及改进的Focal

【技术实现步骤摘要】
基于YOLOX的植物气孔多功能实时智能识别系统


[0001]本专利技术涉及智慧农业
，具体涉及基于YOLOX的植物气孔多功能实时智能识别系统。

技术介绍

[0002]植物的气孔主要位于叶片表面，是植物与外界环境之间进行气体交换的通道，气孔的分布状况和数量与植物种类有关，同时也受环境等因素的影响。通过了解气孔的数量，可以反映出周围环境和气候的变化以及植物生长的状况。植物叶片上的气孔的开闭情况也对植物的生命活动有重要作用，例如植物的光合作用、离子转运、呼吸作用以及水的转运等都与植物的气孔开闭有着密切的联系。同时植物叶面细胞气孔表型性状具有重要的研究和应用价值，可为提高作物产量和增强作物逆境的耐受性提供理论依据。
[0003]目前气孔性状的检测主要依靠人工或半自动化的方式，无论从实验时间、实验方式还是检测精度方便都有待改善，近年来随着深度学习与神经网络的高速发展，人们也开始不断用人工智能的方式对此进行改善，但检测效率与识别效果仍有待提高。
[0004]另一方面，根据实验室使用的显微镜，目前获取植物气孔的方法大多是破坏性的，因为气孔印痕是从植物叶片表面剥离出来并安装在玻璃玻片上进行观察的，因此迫切需要高通量和无损的叶片气孔性状表型。

技术实现思路

[0005]为了解决上述技术问题，本专利技术的目的在于提供一种基于YOLOX的植物气孔多功能实时智能识别系统，所采用的技术方案具体如下：
[0006]本专利技术一个实施例提供了一种基于YOLOX的植物气孔多功能实时智能识别系统，该系统包括以下模块：
[0007]数据采集模块，用于采集植物叶表皮图像，将所述叶表皮图像分为单目标检测数据集和双目标检测数据集；
[0008]迁移学习模块，用于在COCO数据集上获取源领域，以采集的叶表皮图像作为目标领域，提取所述源领域和所述目标领域的共同特征，输出多张特征图；
[0009]标签分类模块，用于对每张所述特征图采用预测分支解耦结构，得到预测框信息，通过标签分配在预测框中挑选出每个标注框对应的正样本锚框；
[0010]网络模型训练模块，用于分别以单目标检测数据集和双目标检测数据集中一定比例的图像作为训练集，通过整合CIoU Loss和Focal Loss，得到Focal
‑
CIoU Loss作为标注框和正样本锚框之间的第一损失函数，将Focal
‑
CIoU Loss与标注框和正样本锚框之间的分类损失加权求和作为训练集的第二损失函数，直至第二损失函数收敛分别完成单目标网络模型和双目标网络的训练；
[0011]气孔识别模块，用于接收用户上传的图像数据；基于用户选择的识别模式，利用对应的训练完成的网络模型识别所述图像数据中的气孔特征并反馈给用户。
[0012]优选的，所述数据采集模块还包括：
[0013]图像预处理单元，用于分别对单目标检测数据集和双目标检测数据集的所有图像去模糊，得到去模糊图像。
[0014]优选的，所述迁移学习模块包括：
[0015]共同特征提取单元，用于利用YOLOX将源领域与单目标检测数据集对应的目标领域进行特征混合，提取两个领域的共同特征；利用YOLOX将双目标检测数据集对应的目标领域与源领域进行特征混合，提取混合后的共同特征。
[0016]优选的，所述标签分类模块包括：
[0017]预测框信息获取单元，用于对于每张特征图，对YOLOX的解耦头解耦形成三个预测分支，利用每个预测分支对特征图进行预测，将预测结果连接起来作为输出的预测框信息。
[0018]优选的，所述标签分类模块包括：
[0019]正样本锚框挑选单元，用于通过判断所述预测框的中心点是否包含于标注框内进行初步筛选，挑选出候选检测框，通过计算候选检测框和标注框之间的坐标损失以及类别损失选取每个标注框的正样本锚框。
[0020]优选的，所述正样本锚框挑选单元包括：
[0021]初步筛选单元，用于获取所述预测框的中心点坐标，以及所述标注框的角点坐标，根据角点坐标获取标注框的横坐标范围和纵坐标范围，当中心点坐标的横坐标包含于所述横坐标范围，并且中心点的纵坐标包含于纵坐标范围时，对应的预测框为所述标注框的候选检测框。
[0022]优选的，所述正样本锚框挑选单元还包括：
[0023]成本函数获取单元，用于通过计算候选检测框和标注框的交并比获取坐标损失，根据类别的条件概率和每个候选检测框的先验概率获取类别损失，以坐标损失和类别损失的加权求和作为候选检测框和标注框之间的成本函数。
[0024]优选的，所述正样本锚框挑选单元还包括：
[0025]正样本锚框获取单元，用于获取每个标注框对应的n个最大的交并比的和，对该和取整作为正样本锚框的选取数量S，以成本函数最低的S个候选检测框作为正样本锚框。
[0026]优选的，所述网络模型训练模块还包括：
[0027]测试单元，用于将所述单目标检测数据集和双目标检测数据集中除验证集以外剩余的图像作为对应的测试集，利用测试集对训练完成的网络模型进行检测，评估网络模型的输出结果。
[0028]优选的，所述气孔识别模块包括：
[0029]人机交互单元，用于将评估结果发送给用户，若用户不满意，则根据用户需求调整参数直至用户满意。
[0030]本专利技术实施例至少具有如下有益效果：
[0031]1、使用改进的CIOU替代IOU，加速预测框的收敛、提高预测框的回归精度的基础上，依托于YOLOX的高性能和高速度，取得了对同类竞品的优势，率先开发出以YOLOX为检测模型的多功能气孔识别检测系统，具有广阔的应用前景。
[0032]2、本系统可以实现对植物气孔视频的实时检测和识别，因此可以研究植物叶片在整个生长阶段的气孔性状，可以探索植物对环境变化的反应机制，对植物气孔性状的研究
具有重要意义，对智慧农业的发展起到积极的推动作用。
[0033]3、本系统采用改进的YOLOX模型进行气孔识别，在取得最佳性能的同时，具有极具竞争力的推理速度。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。
[0035]图1为本专利技术一个实施例提供的基于YOLOX的植物气孔多功能实时智能识别系统的系统框图；
[0036]图2为本专利技术系统的主界面；
[0037]图3为本专利技术系统设置检测类型界面；
[0038]图4为本专利技术系统设置参数调整界面；
[0039]图5为单图检测展示界面；
[0040]图6为本专利技术单图检测结果形成的气孔数据信息表格；
[0041]图7本专利技术单图检测结果形成的所有气孔数据信息展示页面；
[0042]图8为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于YOLOX的植物气孔多功能实时智能识别系统，其特征在于，该系统包括以下模块：数据采集模块，用于采集植物叶表皮图像，将所述叶表皮图像分为单目标检测数据集和双目标检测数据集；迁移学习模块，用于在COCO数据集上获取源领域，以采集的叶表皮图像作为目标领域，提取所述源领域和所述目标领域的共同特征，输出多张特征图；标签分类模块，用于对每张所述特征图采用预测分支解耦结构，得到预测框信息，通过标签分配在预测框中挑选出每个标注框对应的正样本锚框；网络模型训练模块，用于分别以单目标检测数据集和双目标检测数据集中一定比例的图像作为训练集，通过整合CIoU Loss和Focal Loss，得到Focal
‑
CIoU Loss作为标注框和正样本锚框之间的第一损失函数，将Focal
‑
CIoU Loss与标注框和正样本锚框之间的分类损失加权求和作为训练集的第二损失函数，直至第二损失函数收敛分别完成单目标网络模型和双目标网络的训练；气孔识别模块，用于接收用户上传的图像数据；基于用户选择的识别模式，利用对应的训练完成的网络模型识别所述图像数据中的气孔特征并反馈给用户。2.根据权利要求1所述的基于YOLOX的植物气孔多功能实时智能识别系统，其特征在于，所述数据采集模块还包括：图像预处理单元，用于分别对单目标检测数据集和双目标检测数据集的所有图像去模糊，得到去模糊图像。3.根据权利要求1所述的基于YOLOX的植物气孔多功能实时智能识别系统，其特征在于，所述迁移学习模块包括：共同特征提取单元，用于利用YOLOX将源领域与单目标检测数据集对应的目标领域进行特征混合，提取两个领域的共同特征；利用YOLOX将双目标检测数据集对应的目标领域与源领域进行特征混合，提取混合后的共同特征。4.根据权利要求1所述的基于YOLOX的植物气孔多功能实时智能识别系统，其特征在于，所述标签分类模块包括：预测框信息获取单元，用于对于每张特征图，对YOLOX的解耦头解耦形成三个预测分支，利用每个预测分支对特征图进行预测，...

【专利技术属性】
技术研发人员：杨晓慧，郁嘉威，谭玉乐，周成龙，郭思义，李知，宋纯鹏，
申请(专利权)人：河南大学，
类型：发明
国别省市：