一种适用于水培根茎类禾草根系的图像分割分析方法技术

本发明专利技术涉及图像分割技术领域，具体是一种适用于根茎类禾草水培根系的图像分割方法，采用视觉自注意力机制模块构建解码器网络进行训练。数据采集时，使用了透明机制与透明钵体培养植物，以更加直接的观察到根系的生长状况；在数据预处理阶段，对原始图片进行数据增强，增加样本丰富性；编码器采用下采样的方式处理训练数据，得到尺度不断减小的多层卷积特征；解码器增加视觉自注意力机制模块使得网络能够克服长程依赖关系，自适应地调整特征通道的权值，提高网络的特征判别和选择能力；在损失函数方面，引入focal loss损失函数加强网络对难分样本的学习，改善样本不均衡问题。本发明专利技术增强了复杂环境下语义分割算法的稳健性，提高了对于水培根系图像的分割精度。高了对于水培根系图像的分割精度。高了对于水培根系图像的分割精度。

【技术实现步骤摘要】
一种适用于水培根茎类禾草根系的图像分割分析方法


[0001]本专利技术涉及图像分割
，具体是一种适用于水培根茎类禾草根系的图像分割方法。

技术介绍

[0002]根系的生长状况对植物有着至关重要的影响，根据根系的生长情况可以得出该地区的植物特有的环境适应机制。由于根系发育状况直接影响生物量积累和生长状态，对根系进行研究有着重要的意义。植物根系发育是一个动态的过程，对根系的分化和生长状态进行动态跟踪和监测能够帮助研究者获得植物根系在复杂环境中的不同因素的实时响应信息。然而根系错综复杂，很多形态特征难以提取，传统的人工提取费时费力，而且容易对根部造成一定程度的破坏性。
[0003]传统的分割算法存在分割精度低、效率低的问题，不能很好地满足应用需要。

技术实现思路

[0004]本专利技术的目的是为了解决上述现有技术的不足，提供一种适用于根茎类禾草水培根茎类禾草根系的图像分割方法，增强了复杂环境下语义分割算法的稳健性，提高了对于水培根系图像的分割精度。
[0005]所要解决的技术问题采用以下技术方案来实现：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于根茎类禾草水培根系的图像分割方法，其特征在于，包括以下步骤：S1、获取待分割原位根系图像；对根系图像进行标注，获得mask二值图像，并将原图像与mask二值图像划分训练集与测试集；S2、对图像数据进行预处理；S3、建立Seg
‑
Net网络模型，所述Seg
‑
Net网络模型包括编码器和解码器，所述编码器采用下采样的方式，所述解码器采用上采样的方式，所述编码器下采样路径包括五个下采样阶段，每个所述下采样阶段由两个3*3*3的卷积层和归一化网络层、非线性激活函数层组成；所述解码器上采样路径包括五个上采样阶段，每个所述上采样阶段由两个3*3*3的卷积层和归一化网络层、非线性激活函数层，视觉自注意力机制模块组成；S4、使用S1中准备好的数据对增加视觉自注意力机制模块的SegNet网络模型进行训练，直到SegNet网络模型达到收敛为止；S5、利用测试集对SegNet网络模型进行测试；S6、利用训练好的SegNet网络模型对待分割的根系图像进行分割。2.根据权利要求1所述的适用于根茎类禾草水培根系的图像分割方法，其特征在于，在步骤S1中获取待分割原位根系图像的过程为：将植物培养在透明基质中，外层使用透明钵体；在数据采集时，以深色挡板为背景，使用相机对水培的植物根系进行等距离拍摄。3.根据权利要求1所述的适用于根茎类禾草水培根系的图像分割方法，其特征在于，在S2中，首先对原始图像进行边缘的裁剪，然后对裁剪后的图像使用中值滤波；然后标注部分图像，裁剪后，扩充数据集。4.根据权利要求1所述的适用于根茎类禾草水培根系的图像分割方法，其特征在于，在S3中，视觉自注意力机制模块中特征图首先经过一个全局最大池化生成与原本卷积层通道数相同大小的权重向量，将二维的高级特征压缩为一维特征，然后依次通过1x1的卷积、ReLU、1x1的卷积和一个Sigmoid层。5.根据权利要求1所述的适用于根茎类禾草水培根系的图像分割方法，其特征在于，在S3视觉自注意力模块中，通过计算输入特征映射中所有位置的特征的加权和，用于使用...

【专利技术属性】
技术研发人员：何文兴，张亚新，曹毅，张云燕，韩士元，陈月辉，李佳林，全晓艳，
申请(专利权)人：济南大学，
类型：发明
国别省市：