CN113192022A - 基于深度学习的病原孢子识别计数方法和装置 - Google Patents

基于深度学习的病原孢子识别计数方法和装置 Download PDF

Info

Publication number
CN113192022A
CN113192022A CN202110462194.7A CN202110462194A CN113192022A CN 113192022 A CN113192022 A CN 113192022A CN 202110462194 A CN202110462194 A CN 202110462194A CN 113192022 A CN113192022 A CN 113192022A
Authority
CN
China
Prior art keywords
pathogenic
spore
image
pathogenic spore
sample
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.)
Pending
Application number
CN202110462194.7A
Other languages
English (en)
Inventor
王翔宇
李海生
吕丽君
韩丹枫
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.)
Changzhi University
Original Assignee
Changzhi University
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 Changzhi University filed Critical Changzhi University
Priority to CN202110462194.7A priority Critical patent/CN113192022A/zh
Publication of CN113192022A publication Critical patent/CN113192022A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于深度学习的病原孢子识别计数方法和装置，其中方法包括：确定待识别计数的病原孢子图像；将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。本发明提供的基于深度学习的病原孢子识别计数方法和装置，提高了病原孢子识别和计数的准确性及效率。

Description

基于深度学习的病原孢子识别计数方法和装置
技术领域
本发明涉及植物病理学的图像处理技术领域，尤其涉及一种基于深度学习的病原孢子识别计数方法和装置。
背景技术
蔬菜侵染性病害是由病原微生物侵染引起，是影响蔬菜产质量并制约蔬菜产业可持续发展的重要因素之一。侵染性病害主要是由真菌、细菌、病毒等病原微生物侵染所致，在常见的侵染性病害中，真菌病害种类繁多，占所有侵染性病害的60％以上。因此，真菌病害对蔬菜的危害最严重，是主要的防治对象。孢子作为真菌的繁殖体，侵染蔬菜后引发病害，因此对病原孢子进行识别，可以为病害种类的判别提供依据，在此基础上对病原孢子进行计数，可以为病害侵染概率以及发病严重程度的预测提供有效依据。
形态学方法是真菌孢子鉴定的主要方法之一，但真菌孢子形态和生理指标多种多样，且容易受到环境和人为因素的干扰，导致分类不断变动。传统的病原孢子识别主要是人为进行形态学识别，人工识别较为依赖经验，且识别效率较低。此外，传统孢子计数方法多为手动计数，需要手动逐个标记每个孢子以达到计数的目的，整个计数过程耗时长、效率低，且容易出现漏标的情况。
发明内容
本发明提供一种基于深度学习的病原孢子识别计数方法和装置，用以解决现有技术中病原孢子识别计数效率低、准确性欠佳的缺陷。
本发明提供一种基于深度学习的病原孢子识别计数方法，包括：
确定待识别计数的病原孢子图像；
将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；
基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；
其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
根据本发明提供一种的基于深度学习的病原孢子识别计数方法，所述病原孢子识别模型是基于如下步骤训练得到的：
收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像；
对所述样本病原孢子图像进行像素语义标注，得到所述样本病原孢子的样本标注结果；
基于所述样本病原孢子图像及其样本标注结果，训练所述病原孢子识别模型。
根据本发明提供的一种基于深度学习的病原孢子识别计数方法，所述收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像，具体包括：
利用电子显微镜对所述玻片标本进行拍照，并将所拍照片存储；其中，所述照片的存储格式为JPG，24位深，RGB颜色空间模式，所述电子显微镜的放大倍数为10×20；
基于所述照片中包含病原孢子的目标区域，对所述照片进行裁切，得到所述样本病原孢子图像。
根据本发明提供的一种基于深度学习的病原孢子识别计数方法，训练所述病原孢子识别模型时，设置训练迭代次数为100，小批量规模为4，L2正则化系数为0.0001，初始学习率为0.05，动量参数为0.9，梯度阈值为0.05。
根据本发明提供的一种基于深度学习的病原孢子识别计数方法，训练所述病原孢子识别模型时，采用平均像素准确率作为评价指标对所述病原孢子识别模型的训练效果进行评价；
所述平均像素准确率可以基于如下公式计算：
Figure BDA0003042766260000031
其中，pii表示本属于i类且预测为i类的像素点总数；pij表示本属于i类却预测为j类的像素点总数，k为像素点总数。
根据本发明提供的一种基于深度学习的病原孢子识别计数方法，所述病原孢子识别模型包括多尺度的下采样层和对应的上采样层；同一尺度的下采样层与上采样层之间跳层连接；所述下采样层和上采样层中包括卷积层和线性整流函数层，且首个下采样层以外的其他下采样层还包括最大池化层。
根据本发明提供的一种基于深度学习的病原孢子识别计数方法，所述基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量，具体包括：
基于所述病原孢子图像的语义分割结果中每一像素的语义类型，以及各个像素之间的距离，将属于同一病原孢子的像素划分为同一组；
基于每组像素的语义类型，确定所述病原孢子图像中每一类型病原孢子的数量。
本发明还提供一种基于深度学习的病原孢子识别计数装置，包括：
图像采集单元，用于确定待识别计数的病原孢子图像；
图像识别单元，用于将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；
计数统计单元，用于基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；
其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的病原孢子识别计数方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的病原孢子识别计数方法的步骤。
本发明提供的基于深度学习的病原孢子识别计数方法和装置，通过将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果，并基于病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到病原孢子图像中每一类型病原孢子的数量，提高了病原孢子识别和计数的准确性及效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明提供的病原孢子识别计数方法的流程示意图之一；
图2为本发明提供的病原孢子识别模型的结构示意图；
图3为本发明提供的病原孢子识别计数方法的流程示意图之二；
图4为本发明提供的病原孢子识别计数装置的结构示意图；
图5为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的病原孢子识别计数方法的流程示意图之一，如图1所示，该方法包括：
步骤110，确定待识别计数的病原孢子图像；
步骤120，将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果；
步骤130，基于病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到病原孢子图像中每一类型病原孢子的数量；
其中，病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
具体地，首先采集需要进行病原孢子识别和计数的病原孢子图像。例如，可以通过电子显微镜对需要进行识别计数的病原孢子玻片标本进行图像采集获得原始图像，通过计算机对采集的原始图像进行处理，转换为24位深，RGB的彩色图像，图像格式可以为JPG等常用格式。
随后，将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果。其中，语义分割结果中包括病原孢子图像中每个像素的类型，例如每个像素是否属于病原孢子，以及每个像素属于哪一类型的病原孢子。此处，病原孢子识别模型是利用深度学习计数，基于样本病原孢子图像及其样本标注结果训练得到的。在训练过程中，根据大量的样本数据，病原孢子识别模型可以学会如何提取便于识别像素类型的图像特征，也可以学习到如何根据提取的图像特征准确辨别像素的类型。因此，病原孢子识别模型可以对输入的病原孢子图像进行准确的语义分割，得到该图像中每一像素的类型，避免人力识别带来的主观影响，从而提高病原孢子识别的准确性和效率。
根据病原孢子图像的语义分割结果中包含的各个像素的类型，可以进行不同类型病原孢子的自动计数，得到病原孢子图像中每一类型病原孢子的数量，避免人力计数效率低以及易漏计的缺陷，提高病原孢子计数的准确性和效率。
本发明实施例提供的方法，通过将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果，并基于病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到病原孢子图像中每一类型病原孢子的数量，提高了病原孢子识别和计数的准确性及效率。
基于上述实施例，病原孢子识别模型是基于如下步骤训练得到的：
收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对玻片标本进行拍照，得到样本病原孢子图像；
对样本病原孢子图像进行像素语义标注，得到样本病原孢子的样本标注结果；
基于样本病原孢子图像及其样本标注结果，训练病原孢子识别模型。
具体地，在收集训练样本时，考虑到病原孢子种类众多，形态上分为球形、卵形、镰刀形、弓形等，为辨别不同孢子类型，可以收集不同类型的蔬菜病原孢子，并将其制作成玻片标本。然后，利用电子显微镜对各个蔬菜病原孢子的玻片标本进行拍照，得到样本病原孢子图像。
然后，可以对样本病原孢子图像进行像素语义标注，标注工具可以采用ImageLabeler。对于不同种类的样本病原孢子图像，给定对应的标签，并完成像素级的语义标注。例如，白粉菌的标签为Sphaerotheca_fuliginea，可以用蓝色标记；霜霉菌的标签为Pseudoperonospora_cubensis，可以用橙色标记；灰葡萄孢的标签为Botrytis_cinerea，可以用黄色标记。标注完成后，导出样本病原孢子图像，用于模型训练。
基于样本病原孢子图像及其样本标注结果，利用深度学习方法中的训练方式，迭代训练病原孢子识别模型，得到效果最佳的病原孢子识别模型。其中，可以将样本病原孢子图像分为训练样本和测试样本两部分，训练样本占总样本的2/3，测试样本占总样本的1/3，利用训练样本进行模型训练，并利用测试样本评估模型的训练效果。
基于上述任一实施例，收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对玻片标本进行拍照，得到样本病原孢子图像，具体包括：
利用电子显微镜对玻片标本进行拍照，并将所拍照片存储；其中，照片的存储格式为JPG，24位深，RGB颜色空间模式，电子显微镜的放大倍数为10×20；
基于照片中包含病原孢子的目标区域，对照片进行裁切，得到样本病原孢子图像。
具体地，对于不同类型的蔬菜病原孢子的玻片标本，可以利用电子显微镜对玻片标本进行拍照。其中，电子显微镜的放大倍数可以为10×20。对于拍摄所得的照片，可以进行存储，其中存储格式可以为JPG，24位深，RGB颜色空间模式。
由于电子显微镜拍摄的照片分辨率较高，会严重影响机器学习的速率，为提高病原孢子识别模型的学习速率，可以截取包含病原孢子的图像区域作为目标区域，所截取的目标区域图像的像素分辨率可以为200×200，随后将所截取的图像作为样本病原孢子图像以备后续处理。
基于上述任一实施例，训练病原孢子识别模型时，设置训练迭代次数为100，小批量规模为4，L2正则化系数为0.0001，初始学习率为0.05，动量参数为0.9，梯度阈值为0.05。
具体地，为了提升病原孢子识别模型的训练效果，同时避免产生过学习情况，可以设置迭代次数为100，小批量规模为4，L2正则化系数为0.0001，初始学习率为0.05，动量参数为0.9，梯度阈值为0.05。
基于上述任一实施例，训练病原孢子识别模型时，采用平均像素准确率作为评价指标对病原孢子识别模型的训练效果进行评价；
平均像素准确率可以基于如下公式计算：
Figure BDA0003042766260000081
其中，pii表示本属于i类且预测为i类的像素点总数；pij表示本属于i类却预测为j类的像素点总数，k为像素点总数。
具体地，训练病原孢子识别模型时，将样本病原孢子图像及其样本标注结果输入至病原孢子识别模型进行训练并得到分类模型，然后将测试样本输入分类模型得到分类结果。基于分类结果，可以采用平均像素准确率(Mean Pixel Accuracy，MPA)作为评价指标对病原孢子识别模型的训练效果进行评价。
其中，平均像素准确率可以基于如下公式计算：
Figure BDA0003042766260000082
其中，pii表示本属于i类且预测为i类的像素点总数；pij表示本属于i类却预测为j类的像素点总数；pji表示本属于j类却预测为i类的像素点总数。
根据分类模型的MPA来修正相关参数，完成模型的优化，将最终优化后的模型作为病原孢子识别模型，并利用病原孢子识别模型完成病原孢子的分类识别。
基于上述任一实施例，病原孢子识别模型包括多尺度的下采样层和对应的上采样层；同一尺度的下采样层与上采样层之间跳层连接；下采样层和上采样层中包括卷积层和线性整流函数层，且首个下采样层以外的其他下采样层还包括最大池化层。
具体地，病原孢子识别模型可以基于U-net结构的深度学习网络构建得到。其中，U-net具有小样本学习的优势，可以利用更少的样本完成学习训练，因此适合病原孢子的识别场景。图2为本发明实施例提供的病原孢子识别模型的结构示意图，如图2所示，其工作流程主要包括下采样和上采样两部分，故其主要包括多尺度的下采样层和对应的上采样层。其中，下采样层和上采样层的数量相等且尺度对应。同一尺度的下采样层与上采样层之间跳层连接，可以把较浅的卷积层特征引过来，使得网络在每一级的上采样过程中，将编码器对应位置的特征图在通道上进行融合，从而保证了最后恢复出来的特征图融合了更多的底层特征和不同规模的特征，使特征图保留更多细节信息。
下采样层和上采样层中包括卷积层和线性整流函数层，利用卷积(Conv)和线性整流函数(ReLU)来完成输入图像的采样。其中，卷积主要完成图像局部特征的提取，线性整流函数主要完成相关特征的保留，并去掉不相关特征。上采样层中的上卷积(Up Conv)可以使图像进行由小分辨率到大分辨率的映射以恢复图像尺寸，即完成上采样。此外，首个下采样层以外的其他下采样层还包括最大池化层，通过最大池化(Max pool)来增大感受视野，提取图像最明显的特征。
基于上述任一实施例，步骤130具体包括：
基于病原孢子图像的语义分割结果中每一像素的语义类型，以及各个像素之间的距离，将属于同一病原孢子的像素划分为同一组；
基于每组像素的语义类型，确定病原孢子图像中每一类型病原孢子的数量。
具体地，根据病原孢子图像的语义分割结果中每一像素的语义类型，以及各个像素之间的距离，可以判断哪些像素属于同一个病原孢子。即，语义类型一致且距离较小的像素可以认为属于同一个病原孢子。然后，将属于同一病原孢子的像素划分为同一组。基于每组像素的语义类型，可以确定病原孢子图像中每一类型病原孢子的数量。
基于上述任一实施例，图3为本发明实施例提供的病原孢子识别计数方法的流程示意图之二，如图3所示，该方法包括：
样本收集步骤：收集不同种类的蔬菜病原孢子制成玻片标本，并用电子显微镜拍照，选取所拍图像中包含病原孢子的区域作为图像样本。
样本标注步骤：利用Image Labeler工具对不同种类的孢子图像进行像素级语义标注，并导出图像样本。
病原孢子分类识别模型构建步骤：利用U-net结构的深度学习网络完成病原孢子识别模型的构建。此外，构建过程中还可以利用上述图像样本进行模型训练。
分类识别与计数结果输出步骤：将需要进行识别计数的病原孢子图像输入分类识别模型，即病原孢子识别模型，完成孢子种类的识别，并通过计算机进行孢子的自动计数。
基于上述任一实施例，图4为本发明实施例提供的病原孢子识别计数装置的结构示意图，如图4所示，该装置包括：图像采集单元410、图像识别单元420和计数统计单元430。
其中，图像采集单元410用于确定待识别计数的病原孢子图像；
图像识别单元420用于将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果；
计数统计单元430用于基于病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到病原孢子图像中每一类型病原孢子的数量；
其中，病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
本发明实施例提供的装置，通过将待识别计数的病原孢子图像输入至病原孢子识别模型中，得到病原孢子识别模型输出的病原孢子图像的语义分割结果，并基于病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到病原孢子图像中每一类型病原孢子的数量，提高了病原孢子识别和计数的准确性及效率。
基于上述任一实施例，病原孢子识别模型是基于如下步骤训练得到的：
收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对玻片标本进行拍照，得到样本病原孢子图像；
对样本病原孢子图像进行像素语义标注，得到样本病原孢子的样本标注结果；
基于样本病原孢子图像及其样本标注结果，训练病原孢子识别模型。
基于上述任一实施例，收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对玻片标本进行拍照，得到样本病原孢子图像，具体包括：
利用电子显微镜对玻片标本进行拍照，并将所拍照片存储；其中，照片的存储格式为JPG，24位深，RGB颜色空间模式，电子显微镜的放大倍数为10×20；
基于照片中包含病原孢子的目标区域，对照片进行裁切，得到样本病原孢子图像。
基于上述任一实施例，训练病原孢子识别模型时，设置训练迭代次数为100，小批量规模为4，L2正则化系数为0.0001，初始学习率为0.05，动量参数为0.9，梯度阈值为0.05。
基于上述任一实施例，训练病原孢子识别模型时，采用平均像素准确率作为评价指标对病原孢子识别模型的训练效果进行评价；
平均像素准确率可以基于如下公式计算：
Figure BDA0003042766260000121
其中，pii表示本属于i类且预测为i类的像素点总数；pij表示本属于i类却预测为j类的像素点总数，k为像素点总数。
基于上述任一实施例，病原孢子识别模型包括多尺度的下采样层和对应的上采样层；同一尺度的下采样层与上采样层之间跳层连接；下采样层和上采样层中包括卷积层和线性整流函数层，且首个下采样层以外的其他下采样层还包括最大池化层。
基于上述任一实施例，计数统计单元430具体用于：
基于病原孢子图像的语义分割结果中每一像素的语义类型，以及各个像素之间的距离，将属于同一病原孢子的像素划分为同一组；
基于每组像素的语义类型，确定病原孢子图像中每一类型病原孢子的数量。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于深度学习的病原孢子识别计数方法，该方法包括：确定待识别计数的病原孢子图像；将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于深度学习的病原孢子识别计数方法，该方法包括：确定待识别计数的病原孢子图像；将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的基于深度学习的病原孢子识别计数方法，该方法包括：确定待识别计数的病原孢子图像；将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于深度学习的病原孢子识别计数方法，其特征在于，包括：
确定待识别计数的病原孢子图像；
将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；
基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；
其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
2.根据权利要求1所述的基于深度学习的病原孢子识别计数方法，其特征在于，所述病原孢子识别模型是基于如下步骤训练得到的：
收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像；
对所述样本病原孢子图像进行像素语义标注，得到所述样本病原孢子的样本标注结果；
基于所述样本病原孢子图像及其样本标注结果，训练所述病原孢子识别模型。
3.根据权利要求2所述的基于深度学习的病原孢子识别计数方法，其特征在于，所述收集不同类型的蔬菜病原孢子并制成玻片标本，并利用电子显微镜对所述玻片标本进行拍照，得到样本病原孢子图像，具体包括：
利用电子显微镜对所述玻片标本进行拍照，并将所拍照片存储；其中，所述照片的存储格式为JPG，24位深，RGB颜色空间模式，所述电子显微镜的放大倍数为10×20；
基于所述照片中包含病原孢子的目标区域，对所述照片进行裁切，得到所述样本病原孢子图像。
4.根据权利要求2所述的基于深度学习的病原孢子识别计数方法，其特征在于，训练所述病原孢子识别模型时，设置训练迭代次数为100，小批量规模为4，L2正则化系数为0.0001，初始学习率为0.05，动量参数为0.9，梯度阈值为0.05。
5.根据权利要求2所述的基于深度学习的病原孢子识别计数方法，其特征在于，训练所述病原孢子识别模型时，采用平均像素准确率作为评价指标对所述病原孢子识别模型的训练效果进行评价；
所述平均像素准确率可以基于如下公式计算：
Figure FDA0003042766250000021
其中，pii表示本属于i类且预测为i类的像素点总数；pij表示本属于i类却预测为j类的像素点总数，k为像素点总数。
6.根据权利要求1至5任一项所述的基于深度学习的病原孢子识别计数方法，其特征在于，所述病原孢子识别模型包括多尺度的下采样层和对应的上采样层；同一尺度的下采样层与上采样层之间跳层连接；所述下采样层和上采样层中包括卷积层和线性整流函数层，且首个下采样层以外的其他下采样层还包括最大池化层。
7.根据权利要求1至5任一项所述的基于深度学习的病原孢子识别计数方法，其特征在于，所述基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量，具体包括：
基于所述病原孢子图像的语义分割结果中每一像素的语义类型，以及各个像素之间的距离，将属于同一病原孢子的像素划分为同一组；
基于每组像素的语义类型，确定所述病原孢子图像中每一类型病原孢子的数量。
8.一种基于深度学习的病原孢子识别计数装置，其特征在于，包括：
图像采集单元，用于确定待识别计数的病原孢子图像；
图像识别单元，用于将所述待识别计数的病原孢子图像输入至病原孢子识别模型中，得到所述病原孢子识别模型输出的所述病原孢子图像的语义分割结果；
计数统计单元，用于基于所述病原孢子图像的语义分割结果进行不同类型病原孢子的自动计数，得到所述病原孢子图像中每一类型病原孢子的数量；
其中，所述病原孢子识别模型是基于样本病原孢子图像及其样本标注结果训练得到的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于深度学习的病原孢子识别计数方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于深度学习的病原孢子识别计数方法的步骤。
CN202110462194.7A 2021-04-27 2021-04-27 基于深度学习的病原孢子识别计数方法和装置 Pending CN113192022A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110462194.7A CN113192022A (zh) 2021-04-27 2021-04-27 基于深度学习的病原孢子识别计数方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110462194.7A CN113192022A (zh) 2021-04-27 2021-04-27 基于深度学习的病原孢子识别计数方法和装置

Publications (1)

Publication Number Publication Date
CN113192022A true CN113192022A (zh) 2021-07-30

Family

ID=76979747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110462194.7A Pending CN113192022A (zh) 2021-04-27 2021-04-27 基于深度学习的病原孢子识别计数方法和装置

Country Status (1)

Country Link
CN (1) CN113192022A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920429A (zh) * 2021-09-30 2022-01-11 海南大学 一种橡胶树白粉病孢子计数方法
CN116821698A (zh) * 2023-08-31 2023-09-29 中国科学技术大学 基于半监督学习的小麦赤霉病孢子检测方法
CN117011229A (zh) * 2023-06-13 2023-11-07 海东市第二人民医院 一种微生态中孢子和细胞的检出方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005034504A1 (de) * 2005-07-21 2007-01-25 Perner, Petra, Dr.-Ing. Verfahren und Einrichtung zur Erkennung und Bestimmung von Pilzsporen an Körnerfrüchten
US20180211380A1 (en) * 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
CN109919211A (zh) * 2019-02-26 2019-06-21 南京旷云科技有限公司 商品识别方法、装置、系统和计算机可读介质
CN110349102A (zh) * 2019-06-27 2019-10-18 腾讯科技（深圳）有限公司 图像美化的处理方法、图像美化的处理装置以及电子设备
CN110946566A (zh) * 2019-12-16 2020-04-03 成都天奥电子股份有限公司 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质
CN111192215A (zh) * 2019-12-30 2020-05-22 百度时代网络技术（北京）有限公司 图像处理方法、装置、设备和可读存储介质
CN111316316A (zh) * 2019-04-10 2020-06-19 深圳市大疆创新科技有限公司 用于图像复原的神经网络及其训练与使用方法
CN111582111A (zh) * 2020-04-29 2020-08-25 电子科技大学 一种基于语义分割的细胞各成分分割方法
CN112330616A (zh) * 2020-10-28 2021-02-05 上海交通大学 一种脑脊液细胞图像自动化识别和计数的方法
CN112634126A (zh) * 2020-12-22 2021-04-09 厦门美图之家科技有限公司 人像减龄处理方法、训练方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005034504A1 (de) * 2005-07-21 2007-01-25 Perner, Petra, Dr.-Ing. Verfahren und Einrichtung zur Erkennung und Bestimmung von Pilzsporen an Körnerfrüchten
US20180211380A1 (en) * 2017-01-25 2018-07-26 Athelas Inc. Classifying biological samples using automated image analysis
CN109919211A (zh) * 2019-02-26 2019-06-21 南京旷云科技有限公司 商品识别方法、装置、系统和计算机可读介质
CN111316316A (zh) * 2019-04-10 2020-06-19 深圳市大疆创新科技有限公司 用于图像复原的神经网络及其训练与使用方法
CN110349102A (zh) * 2019-06-27 2019-10-18 腾讯科技（深圳）有限公司 图像美化的处理方法、图像美化的处理装置以及电子设备
CN110946566A (zh) * 2019-12-16 2020-04-03 成都天奥电子股份有限公司 一种基于U-Net网络的心拍分类方法、装置、设备及存储介质
CN111192215A (zh) * 2019-12-30 2020-05-22 百度时代网络技术（北京）有限公司 图像处理方法、装置、设备和可读存储介质
CN111582111A (zh) * 2020-04-29 2020-08-25 电子科技大学 一种基于语义分割的细胞各成分分割方法
CN112330616A (zh) * 2020-10-28 2021-02-05 上海交通大学 一种脑脊液细胞图像自动化识别和计数的方法
CN112634126A (zh) * 2020-12-22 2021-04-09 厦门美图之家科技有限公司 人像减龄处理方法、训练方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
任守纲;贾馥玮;顾兴健;袁培森;薛卫;徐焕良;: "反卷积引导的番茄叶部病害识别及病斑分割模型", 农业工程学报, no. 12, pages 186 - 195 *
尤海洋;李旭业;郭文凯;: "智能孢子捕捉系统对苜蓿病害监测效果的初步研究", 现代畜牧科技, no. 10 *
李小龙;马占鸿;孙振宇;王海光;: "基于图像处理的小麦条锈病菌夏孢子模拟捕捉的自动计数", 农业工程学报, no. 02 *
许庆勇: "《基于深度学习理论的纹身图像识别与检测研究》", 华中科技大学出版社, pages: 42 - 46 *
陈梅香;郭继英;许建平;赵丽;李文勇;张睿珂;毕丽丽;温冬梅;李明;: "梨小食心虫自动监测识别计数系统研制", 环境昆虫学报, no. 05 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920429A (zh) * 2021-09-30 2022-01-11 海南大学 一种橡胶树白粉病孢子计数方法
CN117011229A (zh) * 2023-06-13 2023-11-07 海东市第二人民医院 一种微生态中孢子和细胞的检出方法及系统
CN116821698A (zh) * 2023-08-31 2023-09-29 中国科学技术大学 基于半监督学习的小麦赤霉病孢子检测方法
CN116821698B (zh) * 2023-08-31 2024-01-05 中国科学技术大学 基于半监督学习的小麦赤霉病孢子检测方法

Similar Documents

Publication Publication Date Title
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN113192022A (zh) 基于深度学习的病原孢子识别计数方法和装置
CN112818975B (zh) 文本检测模型训练方法及装置、文本检测方法及装置
CN112819821B (zh) 一种细胞核图像检测方法
CN109871829B (zh) 一种基于深度学习的检测模型训练方法和装置
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN107292314A (zh) 一种基于cnn的鳞翅目昆虫种类自动鉴别方法
CN109543595A (zh) 基于深度可分离卷积神经网络的电线的训练方法和检测方法
CN111079620A (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN109800756A (zh) 一种用于中文历史文献密集文本的文字检测识别方法
CN110276759A (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN111461121A (zh) 一种基于yolov3网络的电表示数识别方法
CN110648312A (zh) 一种基于鳞片形态特征分析的羊毛与羊绒纤维识别方法
CN104573701B (zh) 一种玉米雄穗性状的自动检测方法
CN108428234B (zh) 基于图像分割结果评价的交互式分割性能优化方法
CN112215285B (zh) 一种基于跨媒体特征的眼底图像自动标注方法
CN109741351A (zh) 一种基于深度学习的类别敏感型边缘检测方法
CN113793385A (zh) 鱼头鱼尾定位方法及装置
CN111738310B (zh) 物料分类方法、装置、电子设备和存储介质
CN117253071B (zh) 基于多级伪标签增强的半监督目标检测方法及系统
CN116665210B (zh) 基于多通道信息融合的细胞分类方法和装置
CN107292255B (zh) 基于特征矩阵相似度分析的手写数字识别方法
CN112257730A (zh) 植物害虫图像识别方法、装置、设备及存储介质
CN108537108A (zh) 一种东亚飞蝗龄期识别方法及装置

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