CN112990341A - 基于深度学习的多特征联合的植物线虫检测方法及系统 - Google Patents

基于深度学习的多特征联合的植物线虫检测方法及系统 Download PDF

Info

Publication number
CN112990341A
CN112990341A CN202110364547.XA CN202110364547A CN112990341A CN 112990341 A CN112990341 A CN 112990341A CN 202110364547 A CN202110364547 A CN 202110364547A CN 112990341 A CN112990341 A CN 112990341A
Authority
CN
China
Prior art keywords
nematode
plant
detection
tail
feature
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.)
Granted
Application number
CN202110364547.XA
Other languages
English (en)
Other versions
CN112990341B (zh
Inventor
庄佳衍
顾建锋
朱莹
肖江剑
朱屹
刘阳明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Institute of Material Technology and Engineering of CAS
Original Assignee
Ningbo Institute of Material Technology and Engineering of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Institute of Material Technology and Engineering of CAS filed Critical Ningbo Institute of Material Technology and Engineering of CAS
Priority to CN202110364547.XA priority Critical patent/CN112990341B/zh
Publication of CN112990341A publication Critical patent/CN112990341A/zh
Application granted granted Critical
Publication of CN112990341B publication Critical patent/CN112990341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的多特征联合的植物线虫检测方法及系统。本发明利用第一深度学习神经网络提取植物线虫关键特征，分别检测出植物线虫的头部、雌虫尾部、雄虫尾部等关键特征区域；利用第二深度学习神经网络作为识别检测网络，分别实现单特征检测、双特征联合检测和三特征联合检测，具有较高的检测准确率。最后，设计了人性化的线虫检测界面，完成了线虫智能检测系统，可以根据线虫的难易区分程度选择线虫检测识别方案。本发明增加了有效提取关键特征的机制，增加了多特征联合分类的方法。本发明能够针对关键特征点小，且难以区分的植物线虫数据进行准确检测，利用多特征联合实现层次化的松材线虫和拟松材线虫的检测。

Description

基于深度学习的多特征联合的植物线虫检测方法及系统
技术领域
本发明涉及深度学习图像智能检测和检索技术领域，具体涉及一种基于深度学习的多特征联合的植物线虫智能检测方法及系统。
背景技术
受外来物种的侵害，松材线虫病在我国传播日趋严重，每年产生巨大的经济损失，加大检疫力度，从源头上提高疫情阻截能力，遏制松材线虫扩散势在必行。但是，在各种特征极其相似的线虫中准确的检测出松材线虫对检测机关的技术人员来说存在极大挑战。如何高效准确的检测出松材线虫一直是一个非常关键的极大难题。由于线虫体型很小，线虫的关键特征点如头部和尾部相对线虫形体来说更加微小，且很不明显，有时候必须多个特征联合检测才能分辨出松材线虫的种类，鉴定十分困难。
传统的检测方法根据线虫形态，主要依靠积累的经验对自己熟悉的类群鉴定，受到人力的极大限制。近几年来，随着人工智能和大数据技术的发展，机器学习技术受业界的广泛关注。其中，深度学习算法已经被成功运用于语音识别、图形识别、医学和生物检测等各个领域。
发明内容
为了解决现有松材线虫检测技术难题，根据实际应用需求，本发明将深度学习方法应用于松材线虫检测，弥补用深度学习方法检测松材线虫技术的空缺，以提高检测准确性，节省人力物力。
为了实现上述发明目的，本发明采用如下技术方案：
一种基于深度学习的多特征联合的植物线虫检测方法，其包括如下步骤：
S0、建立包括松材线虫图像和拟松材线虫图像的植物线虫图像数据集；
S1、利用第一深度学习神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征；
S2、利用第二深度学习神经网络对植物线虫种类进行检测，所述检测包括雌线虫尾部特征单特征检测，线虫头部特征和雌线虫尾部特征双特征联合检测，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测。
优选地，所述利用第一深度学习神经网络提取植物线虫的关键特征，包括如下步骤：
S11、建立植物线虫图像训练数据集；
将所述植物线虫图像数据集分为松材线虫图像组和拟松材线虫图像组，并从每一组植物线虫图像中随机筛选出相同数目的图像组成一组，利用标注工具对该组植物线虫图像的头部和尾部区域进行标注，作为植物线虫图像训练数据集；
S12、植物线虫关键特征区域初步检测；
利用所述植物线虫图像训练数据集对第一深度学习神经网络进行训练，得到关键特征提取的初步训练模型；
S13、修正初步训练模型；
利用所述初步训练模型对所述植物线虫图像数据集中的剩余图像进行检测，将检测结果错误的图像加入到所述植物线虫图像训练数据集中，重复步骤S12-步骤S13，直到完成所述植物线虫图像数据集中所有植物线虫图像的正确检测，得到所述植物线虫图像数据集的关键特征提取模型；
S14、提取植物线虫关键特征；
利用所述关键特征提取模型对所述植物线虫图像数据集的所有植物线虫图像进行关键特征提取，分别提取出植物线虫的头部特征、雌线虫尾部特征以及雄线虫尾部特征。
优选地，所述利用第二深度学习神经网络对植物线虫种类进行检测，包括如下步骤：
S21、植物线虫图像数据集分组；
根据提取的植物线虫的关键特征，将所述植物线虫图像数据集分为三组，其中第一组图像数据集仅包含雌线虫尾部特征，第二组图像数据集包含线虫头部特征和雌线虫尾部特征，第三组图像数据集包含线虫头部特征和雌线虫尾部特征及雄线虫尾部特征；
S22、多特征联合训练分类识别网络；
利用所述三组图像数据集分别对第二深度学习神经网络进行训练，得到三种检测强化模型，包括雌线虫尾部特征单特征检测强化模型，线虫头部特征和雌线虫尾部特征双特征联合检测强化模型，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模型；
S23、植物线虫种类识别；
根据待检测图像标注的特征点，选择所述三种检测强化模型之一，对待检测的植物线虫图像进行检测，确定该植物线虫属于松材线虫或拟松材线虫。
一种基于深度学习的多特征联合的植物线虫检测系统，其包括：
数据集生成模块，建立包括松材线虫图像和拟松材线虫图像的植物线虫图像数据集；
关键特征提取模块，利用第一深度学习神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征；
检测强化模块，根据植物线虫的所述关键特征，对植物线虫种类进行检测，包括雌线虫尾部特征单特征检测强化模块，线虫头部特征和雌线虫尾部特征双特征联合检测强化模块，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模块。
优选地，还包括图形化交互界面，用于导入待检测植物线虫图像数据，显示导入图像在磁盘中的位置，显示原始图像，图片的放大/清除、智能识别以及复位，显示进度条，显示智能识别结果。
优选地，所述关键特征提取模块包括：
植物线虫图像训练数据集生成模块，将所述植物线虫图像数据集分为松材线虫图像组和拟松材线虫图像组，并从每一组植物线虫图像中随机筛选出相同数目的图像组成一组，利用标注工具对该组植物线虫图像的头部和尾部区域进行标注，作为植物线虫图像训练数据集；
初步训练模型生成模块，利用所述植物线虫图像训练数据集对第一深度学习神经网络进行训练，得到关键特征提取的初步训练模型；
关键特征提取模型生成模块，利用所述初步训练模型对所述植物线虫图像数据集中的剩余图像进行检测，将检测结果错误的图像加入到所述植物线虫图像训练数据集中，重复训练过程，直到完成所述植物线虫图像数据集中所有植物线虫图像的正确检测，得到所述植物线虫图像数据集的关键特征提取模型。
优选地，所述检测强化模块包括：
植物线虫图像数据集分组模块，用于根据提取的植物线虫的关键特征，将所述植物线虫图像数据集分为三组，其中第一组图像数据集仅包含雌线虫尾部特征，第二组图像数据集包含线虫头部特征和雌线虫尾部特征，第三组图像数据集包含线虫头部特征和雌线虫尾部特征及雄线虫尾部特征；
多特征联合训练模块，利用所述三组图像数据集分别对第二深度学习神经网络进行训练，得到三种检测强化模型，包括雌线虫尾部特征单特征检测强化模型，线虫头部特征和雌线虫尾部特征双特征联合检测强化模型，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模型；
植物线虫种类识别模块，根据待检测图像标注的特征点，选择所述三种检测强化模型之一，对待检测的植物线虫图像进行检测，确定该植物线虫属于松材线虫或拟松材线虫。
本发明中，第一深度学习神经网络为全卷积神经网络，第二深度学习神经网络即分类识别网络由多个卷积层与全连接层组成。优选地，所述第一深度学习神经网络为Fast-RCNN神经网络，所述第二深度学习神经网络为VGG16神经网络。
本发明通过采用深度学习的方法分别训练了一种基于深度学习的关键特征提取网络模型和基于多个关键特征的检测网络模型，并设计了植物线虫检测的图形化交互界面，开发了一套具有实际应用价值的松线线虫智能检测系统。首先，利用第一深度学习神经网络提取植物线虫关键特征，分别检测出植物线虫的头部、雌虫尾部、雄虫尾部等关键特征区域。该特征提取网络不仅可以处理任意尺度的图像，而且检测精度高，速度快。
本发明实施例采用流行的Fast-RCNN神经网络提取植物线虫关键特征，采用经典的VGG16神经网络作为分类识别网络，VGG16神经网络的输入数据是Fast-RCNN网络输出的具有关键特征区域的线虫图像，分别实现单特征检测、双特征联合检测和三特征联合检测，该检测网络具有比较高的准确率。
本发明实施例设计了人性化的线虫检测界面，完成了线虫智能检测系统，可以根据线虫的难易区分程度选择线虫检测识别方案。本发明增加了有效提取关键特征的机制，增加了多特征联合分类的方法。本发明能够针对关键特征点小，且难以区分的植物线虫数据进行准确检测，利用多特征联合实现层次化的松材线虫和拟松材线虫的检测。
与现有技术相比较，本发明技术方案有以下优点：
1、降低人工标检测松材虫数据的工作量，人工检测检测往往费时费力，而且不同的人经验不同，往往会导致识别错误，检测准确度不高，而利用深度学习网络只需要很少人工标注的植物线虫数据，根据训练的模型自动准确地检测出植物线虫种类。
2、提高检测效率，通过深度学习特征提取网络模型和检测网络模型可以快速的获取植物线虫的关键特征，检测出植物线虫种类，并且提高了检测准确率。
3、图形化交互界面的设计，方便用户直接使用检测模型，通过界面直接输入待检线虫图片、选择检测方法(单点特征、双点特征联合、三点特征联合)识别植物线虫种类。
4、具有一定的可移植性，整个训练过程中模型会不断从训练数据集中学习所标注的图像感兴趣区域的特征，有利于对更多类似的数据进行标注和识别。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一典型实施例中的一种植物线虫检测方法流程图；
图2为本发明一典型实施例中的一种植物线虫关键特征提取流程图；
图3为本发明一典型实施例中的一种植物线虫分类识别流程图；
图4为本发明一典型实施例中的一种植物线虫分类识别示意图；
图5a-图5d示出了本发明一典型实施例中植物线虫检测系统图形化交互界面操作示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例1
如图1所示，一种基于深度学习的多特征联合的植物线虫检测方法，通过单点特征检测、双点特征联合检测和三点特征联合检测，实现对植物线虫种类(松材线虫和拟松材线虫)的准确检测。具体包括以下步骤：
步骤S0、建立植物线虫图像数据集；
采集一系列松材线虫和拟松材线虫的图像，建立植物线虫图像数据集。
步骤S1、利用Fast-RCNN神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征。如图2所示，具体包括如下步骤：
S11、建立植物线虫图像训练数据集；
将所述植物线虫图像数据集分为松材线虫图像组和拟松材线虫图像组，并从每一组植物线虫图像中随机筛选出相同数目的图像组成一组，利用标注工具对该组植物线虫图像的头部和尾部区域进行标注，作为植物线虫图像训练数据集。
本实例中共采得松材线虫图像、拟松材线虫图像各3000张，总共6000张图片，每一类线虫分别取150张图片组成一组即一个小的数据集进行标注，然后对该数据集进行训练，总共标注的图片300张，工作量仅为5％。
S12、植物线虫关键特征区域初步检测；
利用所述植物线虫图像训练数据集对Fast-RCNN神经网络进行训练，得到关键特征提取的初步训练模型。
本实例中，深度学习网络的注意力损失是针对植物线虫数据标注部分，在计算损失函数时加大该部分权重，强化深度学习网络对该部分区域的学习。
S13、修正初步训练模型；
利用所述初步训练模型对所述植物线虫图像数据集中的剩余图像进行检测，人工修正错误的检测结果，将检测结果错误的图像加入到所述植物线虫图像训练数据集中，重复步骤S12-步骤S13，直到完成所述植物线虫图像数据集中所有植物线虫图像的正确检测，得到所述植物线虫图像数据集的关键特征提取模型。
本实例中，初步训练模型和关键特征提取模型组成的智能检测网络的权重数据保存在以weights为后缀名的文件中，对错误的标注结果采用标注工具重新标注。
S14、提取植物线虫关键特征；
利用所述关键特征提取模型对所述植物线虫图像数据集的所有植物线虫图像进行关键特征提取，分别提取出植物线虫的头部特征、雌线虫尾部特征以及雄线虫尾部特征。
步骤S2、利用VGG16神经网络对植物线虫种类进行检测，包括雌线虫尾部特征单特征检测，线虫头部特征和雌线虫尾部特征双特征联合检测，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测。如图3所示，具体包括如下步骤：
S21、植物线虫图像数据集分组；
根据提取的植物线虫的关键特征，将所述植物线虫图像数据集分为三组，其中第一组图像数据集仅包含雌线虫尾部特征，第二组图像数据集包含线虫头部特征和雌线虫尾部特征，第三组图像数据集包含线虫头部特征和雌线虫尾部特征及雄线虫尾部特征；
S22、多特征联合训练分类识别网络；
分类识别网络采用VGG16神经网络，利用步骤S21分组得到的三组图像数据集分别对VGG16神经网络进行训练，得到三种检测强化模型，如图4所示，包括雌线虫尾部特征单特征检测强化模型，线虫头部特征和雌线虫尾部特征双特征联合检测强化模型，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模型；
S23、植物线虫种类识别；
根据待检测图像标注的特征点，选择所述三种检测强化模型之一，对待检测的植物线虫图像进行检测，确定该植物线虫属于松材线虫或拟松材线虫。
步骤S3、图形化交互；
利用关键特征提取模型和三种检测强化模型，开发一套具有图片导入，图片显示，分类方案选择，识别进度提示，分类结果展示的人机交互界面。
实施例2
一种基于深度学习的多特征联合的植物线虫检测系统，包括：
数据集生成模块，建立包括松材线虫图像和拟松材线虫图像的植物线虫图像数据集；
关键特征提取模块，利用Fast-RCNN神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征；
检测强化模块，根据植物线虫的所述关键特征，对植物线虫种类进行检测，包括雌线虫尾部特征单特征检测强化模块，线虫头部特征和雌线虫尾部特征双特征联合检测强化模块，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模块。
图形化交互界面，用于导入待检测植物线虫图像数据，显示导入图像在磁盘中的位置，显示原始图像，图片的放大/清除、智能识别以及复位，显示进度条，显示智能识别结果。
其中，所述植物线虫图像数据集的图像数据采集自一系列植物线虫的图像。
关键特征提取模块包括：
植物线虫图像训练数据集生成模块，将所述植物线虫图像数据集分为松材线虫图像组和拟松材线虫图像组，并从每一组植物线虫图像中随机筛选出相同数目的图像组成一组，利用标注工具对该组植物线虫图像的头部和尾部区域进行标注，作为植物线虫图像训练数据集；
初步训练模型生成模块，利用所述植物线虫图像训练数据集对Fast-RCNN神经网络进行训练，得到关键特征提取的初步训练模型；
关键特征提取模型生成模块，利用所述初步训练模型对所述植物线虫图像数据集中的剩余图像进行检测，将检测结果错误的图像加入到所述植物线虫图像训练数据集中，重复训练过程，直到完成所述植物线虫图像数据集中所有植物线虫图像的正确检测，得到所述植物线虫图像数据集的关键特征提取模型。
检测强化模块包括：
植物线虫图像数据集分组模块，用于根据提取的植物线虫的关键特征，将所述植物线虫图像数据集分为三组，其中第一组图像数据集仅包含雌线虫尾部特征，第二组图像数据集包含线虫头部特征和雌线虫尾部特征，第三组图像数据集包含线虫头部特征和雌线虫尾部特征及雄线虫尾部特征；
多特征联合训练模块，利用所述三组图像数据集分别对VGG16神经网络进行训练，得到三种检测强化模型，包括雌线虫尾部特征单特征检测强化模型，线虫头部特征和雌线虫尾部特征双特征联合检测强化模型，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模型；
植物线虫种类识别模块，根据待检测图像标注的特征点，选择所述三种检测强化模型之一，对待检测的植物线虫图像进行检测，确定该植物线虫属于松材线虫或拟松材线虫。
如图5a-图5d所示，图形化交互界面是具有编辑框、复选框、开关按钮、进度条等控件的人机交互界面。主要功能包括导入待检测线虫数据，显示导入图像在磁盘中的位置，显示原始图像，图片的放大/清除、智能识别和复位按钮，检测进度显示，智能识别结果显示。其中，图5a为线虫智能识别系统界面，图5b为雌虫尾单特征线虫识别，图5c为线虫头部和雌虫尾双特征联合识别，图5d为线虫头部和雌虫尾以及雄虫尾三特征联合识别。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于深度学习的多特征联合的植物线虫检测方法，其特征在于包括如下步骤：
S0、建立包括松材线虫图像和拟松材线虫图像的植物线虫图像数据集；
S1、利用第一深度学习神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征；
S2、利用第二深度学习神经网络对植物线虫种类进行检测，所述检测包括雌线虫尾部特征单特征检测，线虫头部特征和雌线虫尾部特征双特征联合检测，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测。
2.根据权利要求1所述的基于深度学习的多特征联合的植物线虫检测方法，其特征在于，所述利用第一深度学习神经网络提取植物线虫的关键特征，包括如下步骤：
S11、建立植物线虫图像训练数据集；
将所述植物线虫图像数据集分为松材线虫图像组和拟松材线虫图像组，并从每一组植物线虫图像中随机筛选出相同数目的图像组成一组，利用标注工具对该组植物线虫图像的头部和尾部区域进行标注，作为植物线虫图像训练数据集；
S12、植物线虫关键特征区域初步检测；
利用所述植物线虫图像训练数据集对第一深度学习神经网络进行训练，得到关键特征提取的初步训练模型；
S13、修正初步训练模型；
利用所述初步训练模型对所述植物线虫图像数据集中的剩余图像进行检测，将检测结果错误的图像加入到所述植物线虫图像训练数据集中，重复步骤S12-步骤S13，直到完成所述植物线虫图像数据集中所有植物线虫图像的正确检测，得到所述植物线虫图像数据集的关键特征提取模型；
S14、提取植物线虫关键特征；
利用所述关键特征提取模型对所述植物线虫图像数据集的所有植物线虫图像进行关键特征提取，分别提取出植物线虫的头部特征、雌线虫尾部特征以及雄线虫尾部特征。
3.根据权利要求1所述的基于深度学习的多特征联合的植物线虫检测方法，其特征在于所述利用第二深度学习神经网络对植物线虫种类进行检测，包括如下步骤：
S21、植物线虫图像数据集分组；
根据提取的植物线虫的关键特征，将所述植物线虫图像数据集分为三组，其中第一组图像数据集仅包含雌线虫尾部特征，第二组图像数据集包含线虫头部特征和雌线虫尾部特征，第三组图像数据集包含线虫头部特征和雌线虫尾部特征及雄线虫尾部特征；
S22、多特征联合训练分类识别网络；
利用所述三组图像数据集分别对第二深度学习神经网络进行训练，得到三种检测强化模型，包括雌线虫尾部特征单特征检测强化模型，线虫头部特征和雌线虫尾部特征双特征联合检测强化模型，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模型；
S23、植物线虫种类识别；
根据待检测图像标注的特征点，选择所述三种检测强化模型之一，对待检测的植物线虫图像进行检测，确定该植物线虫属于松材线虫或拟松材线虫。
4.如权利要求1-3任一所述的基于深度学习的多特征联合的植物线虫检测方法，其特征在于所述第一深度学习神经网络为Fast-RCNN神经网络，所述第二深度学习神经网络为VGG16神经网络。
5.一种基于深度学习的多特征联合的植物线虫检测系统，其特征在于，包括：
数据集生成模块，建立包括松材线虫图像和拟松材线虫图像的植物线虫图像数据集；
关键特征提取模块，利用第一深度学习神经网络提取植物线虫的关键特征，包括线虫头部特征、雌线虫尾部特征和雄线虫尾部特征；
检测强化模块，根据植物线虫的所述关键特征，对植物线虫种类进行检测，包括雌线虫尾部特征单特征检测强化模块，线虫头部特征和雌线虫尾部特征双特征联合检测强化模块，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模块。
6.如权利要求5所述的基于深度学习的多特征联合的植物线虫检测系统，其特征在于还包括图形化交互界面，用于导入待检测植物线虫图像数据，显示导入图像在磁盘中的位置，显示原始图像，图片的放大/清除、智能识别以及复位，显示进度条，显示智能识别结果。
7.如权利要求5所述的基于深度学习的多特征联合的植物线虫检测系统，其特征在于，所述关键特征提取模块包括：
植物线虫图像训练数据集生成模块，将所述植物线虫图像数据集分为松材线虫图像组和拟松材线虫图像组，并从每一组植物线虫图像中随机筛选出相同数目的图像组成一组，利用标注工具对该组植物线虫图像的头部和尾部区域进行标注，作为植物线虫图像训练数据集；
初步训练模型生成模块，利用所述植物线虫图像训练数据集对第一深度学习神经网络进行训练，得到关键特征提取的初步训练模型；
关键特征提取模型生成模块，利用所述初步训练模型对所述植物线虫图像数据集中的剩余图像进行检测，将检测结果错误的图像加入到所述植物线虫图像训练数据集中，重复训练过程，直到完成所述植物线虫图像数据集中所有植物线虫图像的正确检测，得到所述植物线虫图像数据集的关键特征提取模型。
8.如权利要求5所述的基于深度学习的多特征联合的植物线虫检测系统，其特征在于，所述检测强化模块包括：
植物线虫图像数据集分组模块，用于根据提取的植物线虫的关键特征，将所述植物线虫图像数据集分为三组，其中第一组图像数据集仅包含雌线虫尾部特征，第二组图像数据集包含线虫头部特征和雌线虫尾部特征，第三组图像数据集包含线虫头部特征和雌线虫尾部特征及雄线虫尾部特征；
多特征联合训练模块，利用所述三组图像数据集分别对第二深度学习神经网络进行训练，得到三种检测强化模型，包括雌线虫尾部特征单特征检测强化模型，线虫头部特征和雌线虫尾部特征双特征联合检测强化模型，线虫头部特征和雌线虫尾部特征及雄线虫尾部特征三特征联合检测强化模型；
植物线虫种类识别模块，根据待检测图像标注的特征点，选择所述三种检测强化模型之一，对待检测的植物线虫图像进行检测，确定该植物线虫属于松材线虫或拟松材线虫。
9.如权利要求5-8任一所述的基于深度学习的多特征联合的植物线虫检测系统，其特征在于，所述第一深度学习神经网络为Fast-RCNN神经网络。
10.如权利要求5-8任一所述的基于深度学习的多特征联合的植物线虫检测系统，其特征在于，所述第二深度学习神经网络为VGG16神经网络。
CN202110364547.XA 2021-04-02 2021-04-02 基于深度学习的多特征联合的植物线虫检测方法及系统 Active CN112990341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110364547.XA CN112990341B (zh) 2021-04-02 2021-04-02 基于深度学习的多特征联合的植物线虫检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110364547.XA CN112990341B (zh) 2021-04-02 2021-04-02 基于深度学习的多特征联合的植物线虫检测方法及系统

Publications (2)

Publication Number Publication Date
CN112990341A true CN112990341A (zh) 2021-06-18
CN112990341B CN112990341B (zh) 2022-08-02

Family

ID=76339166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110364547.XA Active CN112990341B (zh) 2021-04-02 2021-04-02 基于深度学习的多特征联合的植物线虫检测方法及系统

Country Status (1)

Country Link
CN (1) CN112990341B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024124701A1 (zh) * 2022-12-16 2024-06-20 深圳理工大学(筹) 一种线虫身体弯曲行为的识别和计数方法及相关设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
US20180211380A1 (en) * 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
CN111524106A (zh) * 2020-04-13 2020-08-11 北京推想科技有限公司 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN111931751A (zh) * 2020-10-13 2020-11-13 深圳市瑞图生物技术有限公司 深度学习训练方法、目标物识别方法、系统和存储介质
EP3739504A1 (en) * 2019-05-16 2020-11-18 Basf Se System and method for plant disease detection support
CN112308129A (zh) * 2020-10-28 2021-02-02 中国科学院宁波材料技术与工程研究所 一种基于深度学习的植物线虫数据自动标注和分类识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180211380A1 (en) * 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
CN108229413A (zh) * 2018-01-16 2018-06-29 宁夏智启连山科技有限公司 病虫害类型识别方法及装置
EP3739504A1 (en) * 2019-05-16 2020-11-18 Basf Se System and method for plant disease detection support
CN111524106A (zh) * 2020-04-13 2020-08-11 北京推想科技有限公司 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN111931751A (zh) * 2020-10-13 2020-11-13 深圳市瑞图生物技术有限公司 深度学习训练方法、目标物识别方法、系统和存储介质
CN112308129A (zh) * 2020-10-28 2021-02-02 中国科学院宁波材料技术与工程研究所 一种基于深度学习的植物线虫数据自动标注和分类识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张姣等: "针对畸变行人检测的神经网络", 《计量与测试技术》 *
张守东等: "基于多特征融合的显著性目标检测算法", 《计算机科学与探索》 *
张永玲等: "基于多特征融合和稀疏表示的农业害虫图像识别方法", 《中国农业科学》 *
张苗辉等: "基于深度学习和稀疏表示的害虫识别算法", 《河南大学学报(自然科学版)》 *
张银松等: "基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数", 《中国农业大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024124701A1 (zh) * 2022-12-16 2024-06-20 深圳理工大学(筹) 一种线虫身体弯曲行为的识别和计数方法及相关设备

Also Published As

Publication number Publication date
CN112990341B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN100550038C (zh) 图片内容识别方法及识别系统
CN104573688B (zh) 基于深度学习的移动平台烟草激光码智能识别方法及装置
CN110738207A (zh) 一种融合文字图像中文字区域边缘信息的文字检测方法
CN107633250A (zh) 一种文字识别纠错方法、纠错系统及计算机装置
CN110413319B (zh) 一种基于深度语义的代码函数味道检测方法
CN112597495B (zh) 一种恶意代码检测方法、系统、设备及存储介质
CN109993164A (zh) 一种基于rcrnn神经网络的自然场景文字识别方法
CN107871125A (zh) 违章建筑识别方法、装置及电子设备
CN105426890B (zh) 一种字符扭曲粘连的图形验证码识别方法
CN104200204B (zh) 一种图片处理装置及方法
CN108038484B (zh) 空心验证码快速识别方法
CN106934455B (zh) 基于cnn的遥感影像光学适配结构选取方法及系统
CN108460399A (zh) 一种儿童积木搭建辅助方法及系统
CN107633232A (zh) 一种基于深度学习的低维人脸模型训练方法
CN111738367B (zh) 一种基于图像识别的零件分类方法
CN107786867A (zh) 基于深度学习架构的图像辨识方法及系统
CN105023027A (zh) 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法
CN109086772A (zh) 一种扭曲粘连字符图片验证码的识别方法及系统
CN112990341B (zh) 基于深度学习的多特征联合的植物线虫检测方法及系统
CN112819756A (zh) Pcb板表面缺陷检测装置及方法
CN109409227A (zh) 一种基于多通道cnn的手指静脉图质量评估方法及其装置
CN109948609A (zh) 基于深度学习的智能阅卷定位方法
CN110046941A (zh) 一种人脸识别方法、系统及电子设备和存储介质
CN108171229B (zh) 一种空心粘连验证码的识别方法及系统
CN111191584A (zh) 一种人脸识别方法及装置

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