CN113313752A - 一种基于机器视觉的叶面积指数识别方法 - Google Patents

一种基于机器视觉的叶面积指数识别方法 Download PDF

Info

Publication number
CN113313752A
CN113313752A CN202110583966.2A CN202110583966A CN113313752A CN 113313752 A CN113313752 A CN 113313752A CN 202110583966 A CN202110583966 A CN 202110583966A CN 113313752 A CN113313752 A CN 113313752A
Authority
CN
China
Prior art keywords
picture
network
leaf
semantic segmentation
leaf area
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
CN202110583966.2A
Other languages
English (en)
Inventor
王玲
束魏琦
王晟喆
刘禹辰
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110583966.2A priority Critical patent/CN113313752A/zh
Publication of CN113313752A publication Critical patent/CN113313752A/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
    • G06T7/60—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
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明提出一种基于机器视觉的叶面积指数识别方法，所述方法通过：输入待识别图片，图片为俯视拍摄的植株图片；采用改进的全卷积神经网络作为语义分割网络，通过训练完成的语义分割网络前向传播计算，并得到分割后的图片，分割后的图片包括背景区域和叶片区域；根据网络输出的图片计算出叶面积指数，本发明利用深度学习技术，在识别过程中不会提取如绿色塑料等绿色物体的图片信息，同时在曝光过强条件下仍能正常提取绿色叶片，使分割过程更加智能，能够提取图片中所有的叶片区域。

Description

一种基于机器视觉的叶面积指数识别方法
技术领域
本发明属于计算机视觉领域，具体地，涉及到一种基于机器视觉的叶面积指数识别方法。
背景技术
已有传统计算机视觉识别方法，该方法的原理是将捕获的图片先转为HSV颜色模型下的图片，由于叶子为绿色，所以再提取图片在HSV颜色模型绿色阈值中的所有区域，最后将绿色区域像素数与图片像素数的比值作为最终叶面积指数值。简单来说就是阈值分割。此方法的缺点也十分明显，主要有以下两点：
(1)由于是阈值分割，任何其他绿色物体(如绿色塑料等)也会被提取，导致最终叶面积指数偏大；
(2)无法提取曝光过强条件下的绿色叶片，因为此时从图片来看该部分呈现白色而不是绿色，导致最终叶面积指数偏小。
发明内容
本发明为了解决传统方法存在的缺陷，达到准确提取图片中所有的叶片区域，提出了一种基于机器视觉的叶面积指数识别方法。
本发明是通过以下方案实现的：
一种基于机器视觉的叶面积指数识别方法，所述方法包括以下步骤：
步骤一：输入待识别图片，所述图片为俯视拍摄的植株图片；
步骤二：通过训练完成的语义分割网络前向传播计算，并得到分割后的图片，所述分割后的图片包括背景区域和叶片区域；所述前向传播计算公式为：
an＝σ(zn)＝σ(an-1*Wn+bn)
其中，n为卷积网络的层数，α为当前层输入，z为当前层输出，W为网络参数，b为偏置项bias，σ为激活函数，*为卷积；
步骤三：根据网络输出的图片计算出叶面积指数，所述叶面积指数为叶片区域像素数与图片像素数的比值，叶面积指数计算公式为：
LAIimage＝Nleaf/Nimage
其中，其中Nleaf为叶片像素总数，Nimage为整张图片像素总数。
进一步地，在步骤二中，所述语义分割网络训练流程包括以下步骤：
步骤二一：输入数据集图片；
步骤二二：预处理数据集中的图片，对图片添加对应标签；
步骤二三：设定参数，训练语义分割网络；输出网络权重参数。
进一步地，所述语义分割网络训练流程采用改进的全卷积神经网络作为语义分割网络，所述全卷积神经网络的卷积层使用VGG-16卷积层结构作为图片特征提取器，使用FCN-VGG-2s网络架构，该网络架构的2s为上采样2倍。
进一步地，在步骤二二中，通过所述预处理过程将数据集图片尺寸缩放到320x320。
进一步地，在步骤二三中，使用Adam优化算法，设定学习率为0.001；采用BCE loss函数，训练100个epoch得到最后的网路权重模型。
本发明有益效果
本发明利用深度学习技术，在识别过程中不会提取如绿色塑料等绿色物体的图片信息，同时在曝光过强条件下仍能正常提取绿色叶片，使分割过程更加只能，能够提取图片中所有的叶片区域。
附图说明
图1为本发明的程序流程图；
图2为本发明的语义分割网络训练流程图；
图3为本发明的待识别原始图；
图4为本发明的标签图片；
图5为本发明的网络分割结果图；
图6为本发明的网络构架图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
一种基于机器视觉的叶面积指数识别方法，所述方法包括以下步骤：
步骤一：输入待识别图片，所述图片为俯视拍摄的植株图片；
步骤二：通过训练完成的语义分割网络前向传播计算，并得到分割后的图片，所述分割后的图片包括背景区域和叶片区域；所述前向传播计算公式为：
an＝σ(zn)＝σ(an-1*Wn+bn)其中，n为卷积网络的层数，a为当前层输入，z为当前层输出，W为网络参数，b为偏置项bias，σ为激活函数，*为卷积；
步骤三：根据网络输出的图片计算出叶面积指数，所述叶面积指数为叶片区域像素数与图片像素数的比值，叶面积指数计算公式为：
LAIimage＝Nleaf/Nimage
其中，其中Nleaf为叶片像素总数，Nimage为整张图片像素总数。
在步骤二中，所述语义分割网络训练流程包括以下步骤：
步骤二一：输入数据集图片；
步骤二二：预处理数据集中的图片，对图片添加对应标签；
步骤二三：设定参数，训练语义分割网络；输出网络权重参数。
所述语义分割网络训练流程采用改进的FCN(Fully Convolutional Network，全卷积神经网络)作为语义分割网络，FCN论文中的最优结构为FCN-VGG-8s，意思是卷积层采用VGG-16卷积层结构作为图片特征提取器，8s为上采样8倍。我们这里使用FCN-VGG-2s网络架构，图片特征提取器保持不变，只改变上采样倍数，即由原来的8倍改进为2倍，网络构架如图6所示。
在步骤二二中，通过所述预处理过程将数据集图片尺寸缩放到320x320。
在步骤二三中，使用Adam优化算法，设定学习率为0.001；采用BCE loss函数，训练100个epoch得到最后的网路权重模型。
有以下三个因素影响着程序输出的准确性，这三个因素也是实施过程中需要改变的：
(1)训练数据量。在采集图片量一定的情况下，通过数据增强的方法扩充数据集很有必要。
(2)网络架构。语义分割领域近年来网络结构层出不穷，针对此任务选择合适的网络是关键所在。
(3)网络训练参数。训练参数对于网络性能有不容小觑的影响，在(1)和(2)确定的情况下，调整合适参数使得网络性能最优化是关键所在。
以上对本发明所提出的一种基于机器视觉的叶面积指数识别方法，进行了详细介绍，本文中应用了数值模拟算例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于机器视觉的叶面积指数识别方法，其特征在于，所述方法包括以下步骤：
步骤一：输入待识别图片，所述图片为俯视拍摄的植株图片；
步骤二：通过训练完成的语义分割网络前向传播计算，并得到分割后的图片，所述分割后的图片包括背景区域和叶片区域；所述前向传播计算公式为：
an＝σ(zn)＝σ(an-1*Wn+bn)
其中，n为卷积网络的层数，α为当前层输入，z为当前层输出，W为网络参数，b为偏置项bias，σ为激活函数，*为卷积；
步骤三：根据网络输出的图片计算出叶面积指数，所述叶面积指数为叶片区域像素数与图片像素数的比值，叶面积指数计算公式为：
LAIimage＝Nleaf/Nimage
其中，其中Nleaf为叶片像素总数，Nimage为整张图片像素总数。
2.根据权利要求1所述的方法，其特征在于：在步骤二中，所述语义分割网络训练流程包括以下步骤：
步骤二一：输入数据集图片；
步骤二二：预处理数据集中的图片，对图片添加对应标签；
步骤二三：设定参数，训练语义分割网络；输出网络权重参数。
3.根据权利要求2所述的语义分割网络训练流程，其特征在于：所述语义分割网络训练流程采用改进的全卷积神经网络作为语义分割网络，所述全卷积神经网络的卷积层使用VGG-16卷积层结构作为图片特征提取器，使用FCN-VGG-2s网络架构，该网络架构中的2s为上采样2倍。
4.根据权利要求2所述的语义分割网络训练流程，其特征在于：在步骤二二中，通过所述预处理过程将数据集图片尺寸缩放到320x320。
5.根据权利要求2所述的语义分割网络训练流程，其特征在于：在步骤二三中，使用Adam优化算法，设定学习率为0.001；采用BCEloss函数，训练100个epoch得到最后的网路权重模型。
CN202110583966.2A 2021-05-27 2021-05-27 一种基于机器视觉的叶面积指数识别方法 Pending CN113313752A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110583966.2A CN113313752A (zh) 2021-05-27 2021-05-27 一种基于机器视觉的叶面积指数识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110583966.2A CN113313752A (zh) 2021-05-27 2021-05-27 一种基于机器视觉的叶面积指数识别方法

Publications (1)

Publication Number Publication Date
CN113313752A true CN113313752A (zh) 2021-08-27

Family

ID=77375564

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110583966.2A Pending CN113313752A (zh) 2021-05-27 2021-05-27 一种基于机器视觉的叶面积指数识别方法

Country Status (1)

Country Link
CN (1) CN113313752A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225255A (zh) * 2015-09-24 2016-01-06 中国农业科学院农业资源与农业区划研究所 叶面积指数测定方法及装置
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
CN109118484A (zh) * 2018-08-10 2019-01-01 中国气象局气象探测中心 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法
CN111832642A (zh) * 2020-07-07 2020-10-27 杭州电子科技大学 一种基于vgg16在昆虫分类学上的图像识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225255A (zh) * 2015-09-24 2016-01-06 中国农业科学院农业资源与农业区划研究所 叶面积指数测定方法及装置
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
CN109118484A (zh) * 2018-08-10 2019-01-01 中国气象局气象探测中心 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法
CN111832642A (zh) * 2020-07-07 2020-10-27 杭州电子科技大学 一种基于vgg16在昆虫分类学上的图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨朔等: "基于深度生成式对抗网络的蓝藻语义分割", 《计算机应用》, no. 06, 2 April 2018 (2018-04-02), pages 1554 - 1561 *
段杰等: "一种改进FCN的肝脏肿瘤CT图像分割方法", 《图学学报》, no. 01, 15 February 2020 (2020-02-15), pages 100 - 107 *

Similar Documents

Publication Publication Date Title
US11908244B2 (en) Human posture detection utilizing posture reference maps
CN110276264B (zh) 一种基于前景分割图的人群密度估计方法
US10600171B2 (en) Image-blending via alignment or photometric adjustments computed by a neural network
CN111462175A (zh) 时空卷积孪生匹配网络目标跟踪方法、装置、介质及设备
CN110399800B (zh) 基于深度学习vgg16框架的车牌检测方法及系统、存储介质
CN111739027B (zh) 一种图像处理方法、装置、设备及可读存储介质
CN110223324A (zh) 一种基于鲁棒特征表示的孪生匹配网络的目标跟踪方法
CN106022237A (zh) 一种端到端的卷积神经网络的行人检测方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110598698B (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN111160407A (zh) 一种深度学习目标检测方法及系统
CN112418032A (zh) 一种人体行为识别方法、装置、电子设备及存储介质
CN113963026A (zh) 基于非局部特征融合和在线更新的目标跟踪方法及系统
CN114283083B (zh) 一种基于解耦表示的场景生成模型的美学增强方法
CN116433909A (zh) 基于相似度加权多教师网络模型的半监督图像语义分割方法
CN114241495B (zh) 一种用于脱机手写文本识别的数据增强方法
CN116935418A (zh) 一种三维图文模板自动重组方法、设备及系统
CN110472632A (zh) 基于字符特征的字符分割方法、装置及计算机存储介质
CN108428234B (zh) 基于图像分割结果评价的交互式分割性能优化方法
CN116543162B (zh) 基于特征差值与上下文感知一致性的图像分割方法及系统
CN113096133A (zh) 一种基于注意力机制的语义分割网络的构建方法
CN117115177A (zh) 基于动态通道图卷积与多尺度注意力的闪电通道分割方法
Gao et al. A robust improved network for facial expression recognition
CN113313752A (zh) 一种基于机器视觉的叶面积指数识别方法
CN116129417A (zh) 一种基于低质量图像的数字仪表读数检测方法

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