CN111862190B - 自动测量离体植物软腐病斑面积的方法及装置 - Google Patents
自动测量离体植物软腐病斑面积的方法及装置 Download PDFInfo
- Publication number
- CN111862190B CN111862190B CN202010664458.2A CN202010664458A CN111862190B CN 111862190 B CN111862190 B CN 111862190B CN 202010664458 A CN202010664458 A CN 202010664458A CN 111862190 B CN111862190 B CN 111862190B
- Authority
- CN
- China
- Prior art keywords
- area
- lesion
- sample picture
- neural network
- plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 49
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003902 lesion Effects 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 8
- 238000000338 in vitro Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 55
- 238000005259 measurement Methods 0.000 description 5
- 230000007170 pathology Effects 0.000 description 5
- 244000061456 Solanum tuberosum Species 0.000 description 4
- 235000002595 Solanum tuberosum Nutrition 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001580 bacterial effect Effects 0.000 description 3
- 244000052616 bacterial pathogen Species 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 description 2
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 description 2
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 description 2
- 244000000626 Daucus carota Species 0.000 description 2
- 235000002767 Daucus carota Nutrition 0.000 description 2
- 244000269722 Thea sinensis Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000007087 Apium graveolens Species 0.000 description 1
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 1
- 235000010591 Appio Nutrition 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000531155 Pectobacterium Species 0.000 description 1
- 241000588701 Pectobacterium carotovorum Species 0.000 description 1
- 241001047487 Pectobacterium carotovorum subsp. brasiliense Species 0.000 description 1
- 241000588702 Pectobacterium carotovorum subsp. carotovorum Species 0.000 description 1
- 241000233622 Phytophthora infestans Species 0.000 description 1
- 241001558929 Sclerotium <basidiomycota> Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000003032 phytopathogenic effect Effects 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009261 transgenic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及农业技术领域，具体涉及自动测量离体植物软腐病斑面积的方法及装置。所述方法包括：获取离体植物的样本图片；对所述样本图片中的分辨率进行标定；对所述样本图片中的病斑区域进行提取，在进行所述提取时，采用深度学习中的全卷积神经网络(FCN，Fully Convolutional Networks)对所述病斑区域进行语义分割，自动提取病变区域；所述全卷积神经网络经过人工标注的样本集进行训练；统计所述病斑区域中的像素点总数，计算得到病斑面积。本发明实现了对软腐病斑面积自动、高效、准确测量的目的，可为当前软腐病研究中离体病斑面积测量的实际需求提供支持。
Description
技术领域
本发明涉及农业技术领域，具体涉及自动测量离体植物软腐病斑面积的方法及装置。
背景技术
植物细菌性软腐病是世界范围内广泛发生的一种病害，其主要致病菌胡萝卜果胶杆菌Pectobacterium carotovorum于2012年被458个国际团体评为世界最重要的十大植物病原细菌之一(Mansfield et al.,Top 10plant pathogenic bacteria in molecularplant pathology.Molecular Plant Pathology,2012,13(6):614-629)。Pectobacterium可危害多种蔬菜作物如大白菜、胡萝卜、马铃薯、芹菜、莴苣等，在植物的生长、运输和贮存过程中均可带来危害并导致巨大的经济损失(晋知文等,蔬菜细菌性软腐病防治药剂活体组织筛选技术.植物保护学报,2017,44(2):269-275；Onkendi et al.,Characterizationof Pectobacterium carotovorum subsp.carotovorum and brasiliense from diseasedpotatoes in Kenya.European Journal of Plant Pathology,2014,139(3):557-566)，部分地区高温多雨季发病率高达80％，严重时产区绝收。
在对软腐病的研究过程中，软腐病原菌引起的离体植物叶片的病斑面积大小常被作为衡量病原菌致病严重程度的重要依据。
目前测量植物病斑面积的方法一般有传统法、网格法和软件法等(陈冬梅等,基于自适应模糊阈值的茶炭疽病斑面积计算.茶叶通讯.2019,46(2):185-191)。传统法通过测量病斑最大长度和最大宽度(两者呈直角)，进而用公式近似计算病斑面积(李汝刚等,表达Harpin蛋白的转基因马铃薯降低马铃薯晚疫病斑生长率.中国科学,1999,29(1):56-61)，因病斑面积一般为不规则形状，这种测量方法误差较大。网格法指用每格面积已知的纱网或标准尺测量病斑面积(郑燕等,利用稻米垩白度分析软件测量叶片相对病斑面积.中国农业科学,2008,41(10):3405-3409)，这种方法测量准确度较高，但非常费时费力，尤其当待测样品量多时需要花费大量的时间精力，并且由于操作者的疲劳而易出错。
近年来随着计算机图形图像技术和数码技术的不断发展，利用图像分析系统测量叶片病斑面积得到了广泛的应用。目前用于分析植物病害的常用软件主要有：Assess(美国植物病理学会，美国)、HyphArea(费劳恩霍夫自动化及工厂制造学院，德国)、Matlab(美国MathWorks公司，美国)、Adobe Photoshop(Adobe公司，美国)等，其中最著名的是美国植物病理学会开发的Assess软件(Lamari,ASSESS 2.0:Image analysis software fordisease quantification.APS Press,2008)。Assess是一款被大量应用的专业病害评估软件，具有内存占有空间小、简单易懂等特点。但是Assess对于病害严重程度的测量值为相对病斑面积或病斑长度(冷伟锋等,基于ASSESS图像处理软件的植物病害评估.中国植保导刊,2014,34(2):10-13)，不适用于离体接种的植物叶片软腐病斑绝对面积的测量，难以满足植物软腐病相关研究的需要。
此外，虽然在CN103234487A和CN103808265A中均提到了采用图像识别技术对植物叶片表面的病斑面积或占比进行测量的方法，但其缺陷在于，前者通过Photoshop中的魔棒选择工具和图片存取功能，读取像素数计算病斑面积，操作费时，病斑图像读取误差较大；后者通过固定智能手机的装置，采集菌核病斑叶片图像，在手机中同步计算像素数获取病斑面积和占比，对装置有特殊的要求，且处理和存取数据不如电脑准确、方便。
发明内容
为了解决上述技术问题，本发明提供了一种自动测量离体植物软腐病斑面积的方法及装置，实现了对软腐病斑面积自动、高效、准确测量的目的，可为当前软腐病研究中离体病斑面积测量的实际需求提供支持。
本发明首先提供了一种自动测量离体植物软腐病斑面积的方法，所述方法包括：
获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；
对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；
对所述样本图片中的病斑区域进行提取，在进行所述提取时，采用深度学习中的全卷积神经网络(FCN，Fully Convolutional Networks)对所述病斑区域进行语义分割，自动提取病变区域；针对离体植物软腐病斑区域的特性，对标准FCN进行了调整，所述FCN的特征提取模块使用残差网络(ResNet，Residual Network)，并为了使网络拥有多尺度特征提取特性，在所述FCN的采样模块中加入了浅层神经网络的特征，这样既提升了小块区域提取的灵敏度又改善了斑块边缘细节的识别精度；所述全卷积神经网络经过人工标注的样本集进行训练；
统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积。
在按上述方式设置FCN，并通过人工标注的样本集进行训练后，所述全卷积神经网络对于不同尺度的病斑区域都有较高的分割精度，并有很好的运行效率(每张图片运行时间<1秒)。
本发明中的植物指感染细菌性软腐病的植物，特别包括大白菜、胡萝卜和马铃薯等。
在一些实施方案中，所述对所述样本图片中的分辨率进行标定，包括：手动在图像窗口中画出与所述标定物重合的直线标尺，并输入所述标定物的真实长度，以计算样本图片的分辨率(单位是mm/pixel)。
作为优选，所述对所述样本图片中的病斑区域进行提取，包括：
对所述样本图片进行特征提取，所提取的特征包括能量(Energy)、相关性(Correlation)、均匀性(Homogeneity)和对比度(Contrast)；
基于所提取到的特征，采用多层感知器(MLP，Multilayer Perceptron)模型识别所述离体植物的植物类型；
针对所识别到的植物类型，获得对应植物的病斑分割模型；
采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割，自动提取病变区域；在所述全卷积神经网络中，特征提取模块使用残差网络，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练。
基于上述所提到的4种特征，MLP模型的训练只需要少量的样本(每类10张即可)。
作为优选，在采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割后，对病斑区域的边缘进行校正，而后自动提取病变区域；
所述对病斑区域的边缘进行校正包括：
对语义分割得到区域的边缘部进行最大化对比度增强；
选取对比度最大的通道，使用MSER(Maximally Stable Extremal Regions)算法对边缘进行检测，定位病斑边缘。
作为优选，在对所述样本图片中的病斑区域进行提取时，若自动提取得到的病变区域不够准确，则手动调整所提取的病斑区域。
在一些实施方案中，所述的手动调整包括：使用鼠标在图像上任意位置进行添加、删改区域；和/或，通过拖动滚动条来扩大和缩小现有区域。
在一些实施方案中，为了便于后续的统计工作，所述方法还包括：将所得到的病斑面积输出并保存。
本发明使用Visual Studio 2015平台，基于MFC(Microsoft FoundationClasses)开发，可以运行在windows x64系统上。所使用的深度学习框架为Caffe(Convolutional Architecture for Fast Feature Embedding)。
本发明进一步提供一种自动测量离体植物软腐病斑面积的装置，所述装置包括：
图像获取模块，用于获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；
分辨率标定模块，用于对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；
病斑区域提取模块，用于对所述样本图片中的病斑区域进行提取；所述病斑区域提取模块包括自动提取子模块，所述自动提取子模块用于采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割；在所述全卷积神经网络中，特征提取模块使用残差网络，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练；
面积计算模块，用于统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积。
作为优选，所述自动提取子模块包括：
特征提取单元，用于对所述样本图片进行特征提取，所提取的特征包括能量、相关性、均匀性和对比度；
植物类型识别单元，用于基于所提取到的特征，采用多层感知器模型识别所述离体植物的植物类型；
病斑分割模型确认单元，用于针对所识别到的植物类型，获得对应植物的病斑分割模型；
语义分割单元，用于采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割；在所述全卷积神经网络中，特征提取模块使用残差网络，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练。
作为优选，所述自动提取子模块还包括：
边缘校正单元，用于对语义分割得到区域的边缘部进行最大化对比度增强；选取对比度最大的通道，使用MSER算法对边缘进行检测，定位病斑边缘。
作为优选，所述病斑区域提取模块还包括：
手动调整子模块，用于在自动提取得到的病变区域不够准确时，手动调整所提取的病斑区域。
在一些实施方案中，为了便于后续的统计工作，所述装置还包括：数据导出与存储模块，用于将所得到的病斑面积输出并保存。
本发明进一步提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器存储有至少一条程序，所述至少一条程序由所述处理器加载并执行，以实现如上所述的自动测量离体植物软腐病斑面积的方法。
本发明进一步提供一种计算机可读储存介质，所述计算机可读储存介质中存储有至少一条程序，所述至少一条程序由处理器加载并执行，以实现如上所述的自动测量离体植物软腐病斑面积的方法。
本发明的有益效果如下：
(1)使用图像识别的方法测定病斑面积尺寸，相比之前人工测量的方法，该方法测量快速、精准、客观；
(2)可以测量多种植物的病斑面积，自动识别植物种类；
(3)使用深度学习与传统图像处理相结合的方法提取病斑区域，各取所长，使得结果更加准确；
(4)操作简单，人工与智能相结合，具备批量检测功能。
附图说明
图1为本发明实施例中自动测量离体植物软腐病斑面积的方法的流程图；
图2为本发明实施例中自动提取病变区域的流程图；
图3为本发明实施例中FCN的网络结构示意图。
具体实施方式
以下实施例用于说明本发明，但不用来限制本发明的范围。
以下实例使用Visual Studio 2015平台，基于MFC(Microsoft FoundationClasses)开发，在windows x64系统运行。所使用的深度学习框架为Caffe(ConvolutionalArchitecture for Fast Feature Embedding)。
参见图1，本发明实施例提供了一种自动测量离体植物软腐病斑面积的方法，所述方法包括：
步骤100：获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；
步骤200：对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；
步骤200具体包括：手动在图像窗口中画出与所述标定物重合的直线标尺，并输入所述标定物的真实长度，以计算样本图片的分辨率(单位是mm/pixel)；
步骤300：对所述样本图片中的病斑区域进行提取；
步骤300包括：
步骤310：对所述样本图片中的病斑区域进行自动提取；
参见图2，步骤310具体包括如下步骤：
步骤311：对所述样本图片进行特征提取，所提取的特征包括能量(Energy)、相关性(Correlation)、均匀性(Homogeneity)和对比度(Contrast)；
步骤312：基于所提取到的特征，采用多层感知器(MLP，Multilayer Perceptron)模型识别所述离体植物的植物类型；基于上述所提到的4种特征，MLP模型的训练只需要少量的样本(每类10张即可)；
步骤313：针对所识别到的植物类型，获得对应植物的病斑分割模型；
步骤314：采用深度学习中的全卷积神经网络(FCN，Fully ConvolutionalNetworks)对所述病斑区域进行语义分割，自动提取病变区域；
针对离体植物软腐病斑区域的特性，对标准FCN进行了调整，所述FCN(网络结构示意图见图3)的特征提取模块使用残差网络(ResNet，Residual Network)ResNet18，并为了使网络拥有多尺度特征提取特性，在所述FCN的采样模块中加入了浅层神经网络的特征，如图3在upsample2和upsample3的输入中分别增加了block3和block5的输出，这样既提升了小块区域提取的灵敏度又改善了斑块边缘细节的识别精度；所述全卷积神经网络经过人工标注的样本集进行训练；所述全卷积神经网络对于不同尺度的病斑区域都有较高的分割精度，并有很好的运行效率(每张图片运行时间<1秒)；
步骤315：对语义分割得到区域的边缘部进行最大化对比度增强；选取对比度最大的通道，使用MSER(Maximally Stable Extremal Regions)算法对边缘进行检测，定位病斑边缘；
若自动提取得到的病变区域不够准确，步骤300还包括：
步骤320：手动调整所提取的病斑区域；所述的手动调整包括：使用鼠标在图像上任意位置进行添加、删改区域；和/或，通过拖动滚动条来扩大和缩小现有区域；
步骤400：统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积；
步骤500：将所得到的病斑面积输出并保存。
本发明实施例进一步提供一种自动测量离体植物软腐病斑面积的装置，所述装置包括：
图像获取模块，用于获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；
分辨率标定模块，用于对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；
病斑区域提取模块，用于对所述样本图片中的病斑区域进行提取；
面积计算模块，用于统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积；
数据导出与存储模块，用于将所得到的病斑面积输出并保存。
其中，所述病斑区域提取模块包括自动提取子模块和手动调整子模块；
所述自动提取子模块包括：
特征提取单元，用于对所述样本图片进行特征提取，所提取的特征包括能量、相关性、均匀性和对比度；
植物类型识别单元，用于基于所提取到的特征，采用多层感知器模型识别所述离体植物的植物类型；
病斑分割模型确认单元，用于针对所识别到的植物类型，获得对应植物的病斑分割模型；
语义分割单元，用于采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割，在所述全卷积神经网络中，特征提取模块使用残差网络ResNet18，采样模块中加入了浅层神经网络的特征，如图3在upsample2和upsample3的输入中分别增加了block3和block5的输出；所述全卷积神经网络经过人工标注的样本集进行训练；
边缘校正单元，用于对语义分割得到区域的边缘部进行最大化对比度增强；选取对比度最大的通道，使用MSER算法对边缘进行检测，定位病斑边缘。
所述手动调整子模块用于在自动提取得到的病变区域不够准确时，手动调整所提取的病斑区域。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (6)
1.一种自动测量离体植物软腐病斑面积的方法，其特征在于，所述方法包括：
获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；
对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；
对所述样本图片中的病斑区域进行提取，在进行所述提取时，对所述样本图片进行特征提取，所提取的特征包括能量、相关性、均匀性和对比度；基于所提取到的特征，采用多层感知器模型识别所述离体植物的植物类型；针对所识别到的植物类型，获得对应植物的病斑分割模型；采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割，对病斑区域的边缘进行校正，而后自动提取病变区域；
在所述全卷积神经网络中，特征提取模块使用残差网络ResNet18，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练；所述对病斑区域的边缘进行校正包括：对语义分割得到区域的边缘部进行最大化对比度增强；选取对比度最大的通道，使用MSER算法对边缘进行检测，定位病斑边缘；
统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积。
2.根据权利要求1所述的方法，其特征在于，在对所述样本图片中的病斑区域进行提取时，若自动提取得到的病变区域不够准确，则手动调整所提取的病斑区域。
3.一种自动测量离体植物软腐病斑面积的装置，其特征在于，所述装置包括：
图像获取模块，用于获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；
分辨率标定模块，用于对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；
病斑区域提取模块，用于对所述样本图片中的病斑区域进行提取；所述病斑区域提取模块包括自动提取子模块；所述自动提取子模块用于采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割；在所述全卷积神经网络中，特征提取模块使用残差网络ResNet18，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练；所述自动提取子模块包括：
特征提取单元，用于对所述样本图片进行特征提取，所提取的特征包括能量、相关性、均匀性和对比度；
植物类型识别单元，用于基于所提取到的特征，采用多层感知器模型识别所述离体植物的植物类型；
病斑分割模型确认单元，用于针对所识别到的植物类型，获得对应植物的病斑分割模型；
语义分割单元，用于采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割；
边缘校正单元，用于对语义分割得到区域的边缘部进行最大化对比度增强；选取对比度最大的通道，使用MSER算法对边缘进行检测，定位病斑边缘；
面积计算模块，用于统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积。
4.根据权利要求3所述的装置，其特征在于，所述病斑区域提取模块还包括：
手动调整子模块，用于在自动提取得到的病变区域不够准确时，手动调整所提取的病斑区域。
5.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；所述存储器存储有至少一条程序，所述至少一条程序由所述处理器加载并执行，以实现如权利要求1或2所述的方法。
6.一种计算机可读储存介质，其特征在于，所述计算机可读储存介质中存储有至少一条程序，所述至少一条程序由处理器加载并执行，以实现如权利要求1或2所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010664458.2A CN111862190B (zh) | 2020-07-10 | 2020-07-10 | 自动测量离体植物软腐病斑面积的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010664458.2A CN111862190B (zh) | 2020-07-10 | 2020-07-10 | 自动测量离体植物软腐病斑面积的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862190A CN111862190A (zh) | 2020-10-30 |
| CN111862190B true CN111862190B (zh) | 2024-04-05 |
Family
ID=72983030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010664458.2A Active CN111862190B (zh) | 2020-07-10 | 2020-07-10 | 自动测量离体植物软腐病斑面积的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862190B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105180850A (zh) * | 2015-07-15 | 2015-12-23 | 中国农业大学 | 计算玉米叶部大斑病病斑面积比例的方法及装置 |
| JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
| CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
| CN108564589A (zh) * | 2018-03-26 | 2018-09-21 | 江苏大学 | 一种基于改进全卷积神经网络的植物叶片分割方法 |
| CN108701354A (zh) * | 2016-05-09 | 2018-10-23 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| CN109101975A (zh) * | 2018-08-20 | 2018-12-28 | 电子科技大学 | 基于全卷积神经网络的图像语义分割方法 |
| CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及系统 |
| CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
| CN109584254A (zh) * | 2019-01-07 | 2019-04-05 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
| CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
| CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
| CN110210391A (zh) * | 2019-05-31 | 2019-09-06 | 合肥云诊信息科技有限公司 | 基于多尺度卷积神经网络的舌象纹理定量分析方法 |
| CN110517311A (zh) * | 2019-08-30 | 2019-11-29 | 北京麦飞科技有限公司 | 基于叶片病斑面积的病虫害监测方法 |
| CN110580495A (zh) * | 2019-06-21 | 2019-12-17 | 南京农业大学 | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 |
| CN110930421A (zh) * | 2019-11-22 | 2020-03-27 | 电子科技大学 | 一种用于cbct牙齿图像的分割方法 |
| CN111027544A (zh) * | 2019-11-29 | 2020-04-17 | 武汉虹信技术服务有限责任公司 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
-
2020
- 2020-07-10 CN CN202010664458.2A patent/CN111862190B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
| CN105180850A (zh) * | 2015-07-15 | 2015-12-23 | 中国农业大学 | 计算玉米叶部大斑病病斑面积比例的方法及装置 |
| CN108701354A (zh) * | 2016-05-09 | 2018-10-23 | 深圳迈瑞生物医疗电子股份有限公司 | 识别超声图像中感兴趣区域轮廓的方法及系统 |
| CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
| CN108564589A (zh) * | 2018-03-26 | 2018-09-21 | 江苏大学 | 一种基于改进全卷积神经网络的植物叶片分割方法 |
| CN109101975A (zh) * | 2018-08-20 | 2018-12-28 | 电子科技大学 | 基于全卷积神经网络的图像语义分割方法 |
| CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及系统 |
| CN109544563A (zh) * | 2018-11-12 | 2019-03-29 | 北京航空航天大学 | 一种面向违禁物安检的被动毫米波图像人体目标分割方法 |
| CN109584254A (zh) * | 2019-01-07 | 2019-04-05 | 浙江大学 | 一种基于深层全卷积神经网络的心脏左心室分割方法 |
| CN109934153A (zh) * | 2019-03-07 | 2019-06-25 | 张新长 | 基于门控深度残差优化网络的建筑物提取方法 |
| CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
| CN110210391A (zh) * | 2019-05-31 | 2019-09-06 | 合肥云诊信息科技有限公司 | 基于多尺度卷积神经网络的舌象纹理定量分析方法 |
| CN110580495A (zh) * | 2019-06-21 | 2019-12-17 | 南京农业大学 | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 |
| CN110517311A (zh) * | 2019-08-30 | 2019-11-29 | 北京麦飞科技有限公司 | 基于叶片病斑面积的病虫害监测方法 |
| CN110930421A (zh) * | 2019-11-22 | 2020-03-27 | 电子科技大学 | 一种用于cbct牙齿图像的分割方法 |
| CN111027544A (zh) * | 2019-11-29 | 2020-04-17 | 武汉虹信技术服务有限责任公司 | 一种基于视觉显著性检测的mser车牌定位方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Detection of Diabetic Retinopathy in Retinal Images using MLP classifier;Amol Prataprao Bhatkar 等;《2015 IEEE International Symposium on Nanoelectronic and Information Systems》;331-335 * |
| 结合跳跃连接的残差网络图像语义分割;刘卫铭;辛月兰;姜星宇;;信息技术(第06期);5-9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862190A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
| CN102506772B (zh) | 一种基于手机的快速检测叶片面积的方法及装置 | |
| CN111784721B (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
| CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
| CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
| CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
| CN116046692B (zh) | 一种基于高光谱的土壤重金属污染监测方法和装置 | |
| CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
| CN116188465A (zh) | 基于图像处理技术的作物生长状态检测方法 | |
| Radzali et al. | Measuring leaf area using Otsu segmentation method (LAMOS) | |
| CN113989639A (zh) | 基于高光谱图像分析处理方法的荔枝病害自动识别方法及装置 | |
| CN202267464U (zh) | 一种基于手机的快速检测叶片面积的装置 | |
| CN118334336A (zh) | 阴道镜图像分割模型构建方法、图像分类方法和装置 | |
| CN114965316A (zh) | 一种基于高光谱多参数的水质监测方法、计算机程序产品 | |
| CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
| CN109523509B (zh) | 小麦抽穗期的检测方法、装置及电子设备 | |
| CN111862190B (zh) | 自动测量离体植物软腐病斑面积的方法及装置 | |
| CN117292281B (zh) | 基于无人机图像的露地瓜菜检测方法、装置、设备及介质 | |
| US20080304710A1 (en) | Method and apparatus for processing image of at least one seedling | |
| CN117876313A (zh) | 一种芯片表面缺陷检测方法及系统 | |
| CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| CN109472771A (zh) | 玉米雄穗的检测方法、装置及检测设备 | |
| CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |