System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于人工智能辅助的智慧农业领域,具体涉及对无损方式获取的花生叶片气孔图片的图像增强步骤,对无损方式获取的花生叶片实时智能定位及检测步骤,构建了多方位回归的无损的花生气孔表型实时智能分析方法及操作系统(简称reg-peanutnet)。
技术介绍
1、气孔是由一对保卫细胞围成的,位于植株叶片等组织表面的开孔。它是植株与外界进行气体、水分交换以及病原微生物入侵的重要通道,因此气孔在植株的碳循环和水循环以及防御反应等重要生命活动中均发挥着重要作用。植物在长期环境适应过程中已经进化出在逆境条件下(如高温、干旱等)防止水分流失、平衡对重要器官的供水、维持细胞水分含量及在逆境条件下维持自身生存的策略。例如:通过调节气孔开度及气孔密度,减少水分散失,实现植物的抗逆性和生长发育间的平衡。大量研究表明:叶片表面气孔的密度、开度、大小、形状、分布特征等性状与植物的抗逆性、产量等重要农艺性状密切相关。气孔调节途径已被证明是提高作物抗逆性、生物量等的有效途径。
2、花生是我国重要的经济作物和油料作物,全国花生种植面积7096.2万亩,占全球的近20%,占我国国内五大油料作物总种植面积的18.36%(2020年国家统计局数据)。随着气候变暖不断加剧,水资源短缺的形势更加严峻,干旱已成为影响花生生产的最主要环境因素之一。据统计,我国约70%花生种植区常年受到不同程度干旱胁迫的影响,由此造成的花生减产量占全国总产量的20%以上。对花生气孔相关性状如密度、开度等的遗传改良被认为是提高花生水分利用效率和抗逆性的重要途径之一。对花生气孔性状遗
3、在过去的研究中,人们主要依靠人工手动或半自动的方法来统计气孔的密度、开度等表型性状,耗费了大量的人力成本和时间成本,样品数量及取材范围收到很大限制。开发气孔性状智能识别技术显得尤为重要。花生属于双子叶植物,其气孔的形状为椭球形,其分布特征比单子叶植物更为复杂,具有排列不规则、角度不定、分布不均匀等特征,因此获取其表型信息具有较大的困难。近年来该领域也陆续有相关研究。其中,sanyal等人提出了通过利用显微镜图像处理技术,采用分水岭技术提取特征,再基于气孔结构对不同的番茄气孔类型进行分类。
4、后来随着卷积神经网络的发展以及其在图像识别领域展现出的优越性能,越来越多的人将卷积神经网络用来处理气孔图像,以快速获取气孔的特征信息。如costa和jayakody使用mask r-cnn模型直接对气孔复合体进行分割及分类,并且测量了单个气孔复合体的大小。对于sem和bhugra等人提出了一种基于单镜头多盒检测器(ssd)和基于r-cnn模型的气孔检测和参数测量算法,再通过椭圆拟合计算气孔的主要形态特征。章永龙等人提出一种深度卷积网络模型--marm,该模型在mask r-cnn的基础上利用sobel算子进行边缘检测,使模型生成的掩膜能够更加接近叶片的边缘,以提升叶片边缘的分割精度。袁山等人提出了一种基于改进maskr-cnn模型的植物叶片分割方法,通过引入级联检测模块对模型检测分支进行改进,来提高遮挡叶片检测质量,该研究提出的方法有效地解决植物叶片分割效果不佳的问题,为植物表型研究提供技术支撑。
5、目前对于花生气孔的研究还非常少。项目组成员前期研究发现:花生叶片气孔发育模式、气孔运动调节等方面与模式植物拟南芥以及蚕豆等具有显著不同的特点,对花生气孔的密度、开度等的研究,对于理解花生气孔运动和发育等调控机制及花生重要农艺性状的遗传改良均有着重要意义。因此,本专利技术基于改进的r3det模型和提出了多方位回归的花生叶片气孔实时无损智能检测方法及系统。
技术实现思路
1、为了解决现有技术的不足(传统方式获取的花生叶片图片是将叶片裁剪下来,再进行撕表皮等操作来获取显微镜下的照片,这些操作得到的叶片图片脱离了植株的正常生长环境,破坏叶片的完整性。后随着摄像技术的发展,出现了便携式手持显微镜,使用手持显微镜拍摄获取(无损方式获取)花生叶片图片,这种方式具有操作便捷、实时无损等突出特点。但也存在图片质量不稳定的问题,模糊、低质量的图片会影响后续对气孔表型信息获取的准确度),本专利技术旨在提供一种多方位回归(regression,reg)的且高效准确地对花生气孔进行实时智能识别的方法及系统(简称reg-peanutnet),该方法减少了图片质量因素对模型检测的影响,对无损方式获取的任意状况的花生叶片表皮气孔图像数据都可以检测,具有强适应性和实时性,还通过构建的多方位回归的花生叶片气孔实时无损智能检测网络,一站式实现实时的花生叶片气孔定位、密度和开度等表型信息准确地且全自动地获取。
2、为了实现上述目的,本专利技术采用的技术方案如下:
3、本专利技术提供了一种多方位回归的花生叶片气孔实时无损智能检测方法,包括如下步骤:
4、1)对原训练集图片以及使用图像增强方法增强后的训练集的图片进行读取和预处理,再分别对两种训练集中的花生叶片图像进行特征提取,获取气孔的表型信息及对边界框进行预测:在边界框回归时,计算每个样本框检测框与真实框的相似程度,即交并比(iou);
5、
6、检测框和真实框都是带角度信息的矩形框,其中sg表示真实框的面积,sp表示检测框的面积;
7、将平滑l1损失函数与iou进行组合,对气孔和开度的形态特征信息进行提取,使用平衡参数α调整平滑l1损失函数与iou损失函数的分配比重,构造了全新的多方位回归损失函数lreg为:
8、
9、其中,n代表样品的总数,v′n(x,y,w,h)和vn(x,y,w,h)分别代表了宽为w,高为h,中心点坐标为(x,y)的两种框。v′n(x,y,w,h,β)和vn(x,y,w,h,β)分别代表了第n个检测框和第n个真实框的数据对象。代表了对气孔和开度的形态特征信息进行平滑操作的平滑l1损失函数,用于全面提取气孔和开度的表性信息,并处理异常值的影响,使得检测框能够更好的贴近真实框。α为平衡参数,使得默认设置α=1.4。如果检测到的区域是背景区域,则obj=0,即不进行下一步的回归操作。如果检测到的区域是对象,则obj=1,表示进行后续的回归操作。运用公式(2)计算得到回归损失函数的值,反复迭代得到最小值;
10、2)对两种训练集的全部图像分别进行训练(原训练集训练出的模型称为模型i,使用图像增强方法增强后的训练集训练出的模型称为模型s),计算每次迭代的网络模型的损失函数值,直至损失函数值收敛到最小,即保存当前两种模型和损失函数值最小时的训练权重;
11、3)载入训练后的两个模型,使用模型i对测试集中花生叶片图像进行气孔检测,并将气孔的位置图、表型性状和边界框标注的实际情况反馈给用户;
12、4)若测试集中的部分图片质量较低,则使用图像增强方法增强后的模型将测试集中的低质本文档来自技高网...
【技术保护点】
1.一种多方位回归的花生叶片气孔实时无损智能检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的花生叶片气孔实时无损智能检测方法,其特征在于:步骤1)具体包括:
3.根据权利要求1所述的花生叶片气孔实时无损智能检测方法,其特征在于:步骤2)具体包括:
4.根据权利要求1所述的花生叶片气孔实时无损智能检测方法,其特征在于:步骤3)具体包括:
5.一种多方位回归的花生叶片气孔实时无损智能检测系统,其用于如权利要求1-4任一项所述的方法,包括以下模块:
6.根据权利要求5所述的实时智能识别系统,其特征在于:所述花生叶片图像导入模块中的花生叶片图像为便携式手持显微镜直接拍摄的无损花生叶片表皮图像。
7.根据权利要求5所述的实时智能识别系统,其特征在于:所述花生叶片气孔智能检测模块中的所述保存处理后的图像为用户自己选择所要保存的内容。
8.根据权利要求7所述的实时智能识别系统,其特征在于:所述保存的内容为气孔及其开度检测图、气孔切割图、气孔及其长度、宽度表型信息数据。
9.根据权利要求
...【技术特征摘要】
1.一种多方位回归的花生叶片气孔实时无损智能检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的花生叶片气孔实时无损智能检测方法,其特征在于:步骤1)具体包括:
3.根据权利要求1所述的花生叶片气孔实时无损智能检测方法,其特征在于:步骤2)具体包括:
4.根据权利要求1所述的花生叶片气孔实时无损智能检测方法,其特征在于:步骤3)具体包括:
5.一种多方位回归的花生叶片气孔实时无损智能检测系统,其用于如权利要求1-4任一项所述的方法,包括以下模块:
6.根据权利要求5所述的实时智能...
【专利技术属性】
技术研发人员:孙炎锋,王佳惠,孙肖云,杨晓慧,苗琛,谷建中,
申请(专利权)人:河南大学三亚研究院,
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。