CN113658206B - 一种植物叶片分割方法 - Google Patents

一种植物叶片分割方法 Download PDF

Info

Publication number
CN113658206B
CN113658206B CN202110929936.2A CN202110929936A CN113658206B CN 113658206 B CN113658206 B CN 113658206B CN 202110929936 A CN202110929936 A CN 202110929936A CN 113658206 B CN113658206 B CN 113658206B
Authority
CN
China
Prior art keywords
image
segmentation
network
blade
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.)
Active
Application number
CN202110929936.2A
Other languages
English (en)
Other versions
CN113658206A (zh
Inventor
郭亚
袁山
汤浩
仝德之
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.)
Green Vision Core Technology Wuxi Co ltd
Jiangnan University
Original Assignee
Green Vision Core Technology Wuxi Co ltd
Jiangnan 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 Green Vision Core Technology Wuxi Co ltd, Jiangnan University filed Critical Green Vision Core Technology Wuxi Co ltd
Priority to CN202110929936.2A priority Critical patent/CN113658206B/zh
Publication of CN113658206A publication Critical patent/CN113658206A/zh
Application granted granted Critical
Publication of CN113658206B publication Critical patent/CN113658206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06T7/12—Edge-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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明公开了一种植物叶片分割方法，涉及图像处理领域。该方法包括：构建样本数据集，将样本数据集中的样本图像输入卷积神经网络中，该卷积神经网络包括Backbone网络、RPN网络和若干个级联的叶片分割模块，每个叶片分割模块包括ROIAlign网络和Head网络，每个Head网络包括分类分支、分割分支和检测分支，利用样本数据集基于卷积神经网络训练得到植物叶片分割模型，将待分割图像输入植物叶片分割模型，得到对待分割图像的叶片分割结果，其中待分割图像可采用多尺度分割策略。本发明提出的方法可以对存在遮挡的叶片、边缘不清晰的叶片以及小尺度叶片进行有效分割，促进深度学习在植物叶片分割领域的应用。

Description

一种植物叶片分割方法
技术领域
本发明涉及图像处理技术领域，尤其是一种植物叶片分割方法。
背景技术
近年来，人们对采用非接触方法获取植物表型信息越来越感兴趣。叶片是植物表型的重要部分，获取叶片信息最重要的一环就是对二维叶片图像进行分割。对一幅图片中的多个叶片进行实例分割，目的是检测和描绘每一幅图片中出现的不同叶片，并计算出每一片叶片的掩码，是植物表型探索的一个热点研究方向。
目前基于深度学习的方法已经用于植物叶片分割领域，但是现阶段叶片分割中还是存在叶片相互遮挡的现象，造成分割精度低，现有技术无法满足植物叶片的精确分割。
发明内容
本发明人针对上述问题及技术需求，提出了一种植物叶片分割方法，本发明的技术方案如下：
一种植物叶片分割方法，包括：
构建样本数据集，样本数据集中包括若干幅带真实标签的样本图像；
将样本图像输入卷积神经网络中，卷积神经网络包括Backbone网络、RPN网络和若干个级联的叶片分割模块，每个叶片分割模块包括ROIAlign网络和Head网络，每个Head网络包括分类分支、分割分支和检测分支；Backbone网络对输入的样本图像进行特征提取得到样本特征图并分别输入各个植物叶片分割模块的ROIAlign网络，RPN网络从输入的样本图像中提取得到提案框并输入第一个叶片分割模块的ROIAlign网络；每一个ROIAlign网络从样本特征图中提取输入的提案框对应的对齐特征图送入Head网络，Head网络的分类分支对接收到的对齐特征图进行图像分类得到叶片分类分数，Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，Head网络的检测分支基于IOU阈值对接收到的对齐特征图进行检测并得到更新后的提案框送入下一个叶片分割模块的ROIAlign网络；各个叶片分割模块中的IOU阈值按照级联顺序依次递增；
将每一个样本图像经由卷积神经网络的各个叶片分割模块分别输出的叶片分类分数、提案框和叶片分割结果与其真实标签进行对比，调整卷积神经网络的网络参数，利用样本数据集基于卷积神经网络训练得到植物叶片分割模型；
将待分割图像输入植物叶片分割模型，得到对待分割图像的叶片分割结果。
进一步的，得到对待分割图像的叶片分割结果，包括：
将植物叶片分割模型的最后一个叶片分割模块输出的提案框输入各个叶片分割模块的ROIAlign网络，ROIAlign网络从待分割图像的特征图中提取输入的提案框对应的对齐特征图送入Head网络，由各个Head网络的分类分支和分割分支分别输出对应的叶片分类分数和叶片分割结果，选取叶片分类分数最高的叶片分割模块所输出的叶片分割结果作为待分割图像的叶片分割结果。
进一步的，待分割图像包括不同尺度的图像，则将待分割图像输入植物叶片分割模型，得到对待分割图像的叶片分割结果，包括：
将待分割图像的不同尺度的图像分别输入到植物叶片分割模型进行分割，得到不同尺度对应的叶片分割结果；
将不同尺度对应的叶片分割结果统一到同一尺度并进行去重计算，得到待分割图像的叶片分割结果。
进一步的，分割分支包括4层3×3全卷积层、注意力机制模块和2层3×3全卷积层，则Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，包括：
4层3×3全卷积层对输入的对齐特征图进行特征提取，得到新的对齐特征图并送入注意力机制模块；注意力机制模块对接收到的新的对齐特征图进行边缘增强，得到边缘增强后的新的对齐特征图并送入2层3×3全卷积层；2层3×3全卷积层对边缘增强的新的对齐特征图进行边缘特征提取和图像分割，得到叶片分割结果。
进一步的，样本数据集中样本图像包括原始图像以及原始图像经数据增强处理后的图像，数据增强处理包括图像镜像对称、图像旋转和图像尺度变换中的至少一种。
进一步的，Backbone网络对输入的样本图像进行特征提取得到样本特征图，包括：
Backbone网络采用滑动窗口的形式对输入的样本图像进行特征提取，得到H*W*C的样本特征图，其中H为特征图高度，W为特征图宽度，C为特征图通道数量。
进一步的，对齐特征图为尺度相同的的特征图，尺度为S*S*C，其中S为对齐后特征图的高度与宽度，C为对齐后特征图的通道数量。
进一步的，叶片分割模块的数量为2～4个。
本发明的有益技术效果是：
本发明公开了一种植物叶片分割方法，针对叶片分割领域出现的叶片遮挡的问题，在植物叶片分割模型中采用采用级联的叶片分割模块逐步提升Head网络的阈值，得到高质量的提案框与多数量的正样本，减少一个提案框中包含多个叶片的可能性，从而解决叶片相互遮挡时造成的检测错误；同时，本发明在Head网络中引入注意力机制模块来对分割分支进行改进，利用该模块对分割分支的特征进行加权，增强叶片边缘特征信息，提高对叶片边缘的分割效果；进一步的，本发明还采用多尺度分割策略，将待分割叶片的不同尺度的图像输入模型中进行分割，利用不同尺度的特征进行融合，增强了对尺寸过小的叶片的检测与分割结果。
附图说明
图1是本发明植物叶片分割方法实施例的流程图；
图2是本发明植物叶片分割方法实施例的分割分支流程图；
图3是本发明植物叶片分割方法实施例的多尺度分割方法流程图；
图4是本发明植物叶片分割方法实施例的分割结果图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本发明公开了一种植物叶片分割方法，包括：
构建样本数据集，样本数据集中包括若干幅带真实标签的样本图像，优选的，样本数据集中的样本图像包括原始图像以及原始图像经数据增强处理后的图像，数据增强处理包括图像镜像对称、图像旋转和图像尺度变换中的至少一种；
将样本图像输入卷积神经网络中，卷积神经网络包括Backbone网络、RPN网络和若干个级联的叶片分割模块，其中叶片分割模块的数量优选2～4个；每个叶片分割模块包括ROIAlign网络和Head网络，每个Head网络包括分类分支、分割分支和检测分支；Backbone网络对输入的样本图像进行特征提取得到样本特征图并分别输入各个植物叶片分割模块的ROIAlign网络，RPN网络从输入的样本图像中提取得到提案框并输入第一个叶片分割模块的ROIAlign网络；每一个ROIAlign网络从样本特征图中提取输入的提案框对应的对齐特征图送入Head网络，其中，对齐特征图是指尺度相同的的特征图，尺度为S*S*C，S为对齐后特征图的高度与宽度、C为对齐后特征图的通道数量；Head网络的分类分支对接收到的对齐特征图进行图像分类得到叶片分类分数，Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，Head网络的检测分支基于IOU阈值对接收到的对齐特征图进行检测并得到更新后的提案框送入下一个叶片分割模块的ROIAlign网络；各个叶片分割模块中的IOU阈值按照级联顺序依次递增；
将每一个样本图像经由卷积神经网络的各个叶片分割模块分别输出的叶片分类分数、提案框和叶片分割结果与其真实标签进行对比，调整卷积神经网络的网络参数，利用样本数据集基于卷积神经网络训练得到植物叶片分割模型；
将待分割图像输入植物叶片分割模型，得到对待分割图像的叶片分割结果，优选的，将植物叶片分割模型的最后一个叶片分割模块输出的提案框输入各个叶片分割模块的ROIAlign网络，ROIAlign网络从待分割图像的特征图中提取输入的提案框对应的对齐特征图送入Head网络，由各个Head网络的分类分支和分割分支分别输出对应的叶片分类分数和叶片分割结果，选取叶片分类分数最高的叶片分割模块所输出的叶片分割结果作为待分割图像的叶片分割结果。
优选的，待分割图像包括不同尺度的图像，则将待分割图像输入植物叶片分割模型，得到对待分割图像的叶片分割结果，包括：
将待分割图像的不同尺度的图像分别输入到植物叶片分割模型进行分割，得到不同尺度对应的叶片分割结果；
将不同尺度对应的叶片分割结果统一到同一尺度并进行去重计算，得到待分割图像的叶片分割结果。
优选的，分割分支包括4层3×3全卷积层、注意力机制模块和2层3×3全卷积层，则Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，包括：
4层3×3全卷积层对输入的对齐特征图进行特征提取，得到新的对齐特征图并送入注意力机制模块；注意力机制模块对接收到的新的对齐特征图进行边缘增强，得到边缘增强后的新的对齐特征图并送入2层3×3全卷积层；2层3×3全卷积层对边缘增强的新的对齐特征图进行边缘特征提取和图像分割，得到叶片分割结果
可选的，Backbone网络采用滑动窗口的形式对输入的样本图像进行特征提取，得到H*W*C的样本特征图，其中H为特征图高度，W为特征图宽度，C为特征图通道数量。
在一个实施例中，该植物叶片分割方法包括：
构建样本数据集，样本数据集中包括若干幅带真实标签的样本图像，样本图像包括原始图像以及原始图像经数据增强处理后的图像，数据增强处理包括图像镜像对称、图像旋转和图像尺度变换中的至少一种；
将样本图像输入卷积神经网络中，卷积神经网络包括Backbone网络、RPN网络和三个级联的叶片分割模块，每个叶片分割模块包括ROIAlign网络和Head网络，每个Head网络包括分类分支、分割分支和检测分支；Backbone网络采用滑动窗口的形式对输入的样本图像进行特征提取得到尺度为H*W*C的样本特征图并分别输入各个植物叶片分割模块的ROIAlign网络，其中H为特征图高度、W为特征图宽度、C为特征图通道数量，Backbone网络包含但不限于ResNet50、ResNet101、ResNeXt50、ResNeXt101、ResNeXt152，并结合特征金字塔(FPN)网络实现特征提取；RPN网络从输入的样本图像中提取得到提案框并输入第一个叶片分割模块的ROIAlign网络；每一个ROIAlign网络从样本特征图中提取输入的提案框对应的对齐特征图送入Head网络，其中对齐特征图为尺度相同的特征图，尺度为S*S*C、S为对齐后特征图的高度与宽度、C为对齐后特征图的通道数量；Head网络的分类分支对接收到的对齐特征图进行图像分类得到叶片分类分数，Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，Head网络的检测分支基于IOU阈值对接收到的对齐特征图进行检测并得到更新后的提案框送入下一个叶片分割模块的ROIAlign网络；其中，第一个叶片分割模块中的IOU阈值为0.5，第二个叶片分割模块中的IOU阈值为0.6，第三个叶片分割模块中的IOU阈值为0.7。
将每一个样本图像经由卷积神经网络的三个叶片分割模块分别输出的叶片分类分数、提案框和叶片分割结果与其真实标签进行对比，调整卷积神经网络的网络参数，利用样本数据集基于卷积神经网络训练得到植物叶片分割模型；
将待分割图像输入植物叶片分割模型，将植物叶片分割模型的第三个叶片分割模块输出的提案框输入三个叶片分割模块的ROIAlign网络，ROIAlign网络从待分割图像的特征图中提取输入的提案框对应的对齐特征图送入Head网络，由三个Head网络的分类分支和分割分支分别输出对应的叶片分类分数和叶片分割结果，选取叶片分类分数最高的那个叶片分割模块所输出的叶片分割结果作为待分割图像的叶片分割结果。
优选的，待分割图像包括不同尺度的图像，如图3所示，则将待分割图像输入植物叶片分割模型，得到对待分割图像的叶片分割结果，包括：
将待分割图像的不同尺度的图像分别输入到植物叶片分割模型进行分割，得到不同尺度对应的叶片分割结果；
将不同尺度对应的叶片分割结果统一到同一尺度并进行去重计算，得到待分割图像的叶片分割结果。
在一个实施例中，在Head网络中引入注意力机制模块对分割分支进行改进，该注意力机制模块采用通道注意力SeNet，如图2所示，分割分支包括4层3×3全卷积层、注意力机制模块和2层3×3全卷积层，则Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，包括：
4层3×3全卷积层对输入的对齐特征图进行特征提取，得到新的对齐特征图并送入注意力机制模块；注意力机制模块对接收到的新的对齐特征图进行边缘增强，得到边缘增强的新的对齐特征图并送入2层3×3全卷积层；2层3×3全卷积层对边缘增强的新的对齐特征图进行边缘特征提取和图像分割，得到叶片分割结果。
其中，注意力机制模块分为a分支和b分支，b分支用于特征压缩与权重调整，然后与原始特征a分支进行融合，从而增强图像边缘特征。可选的，注意力机制模块的参数c＝256，t＝16。
在一个实施例中，采用CVPPP(Computer Vision Problems in PlantPhenotyping)2017植物叶片分割数据集进行训练，该数据集由4个不同的子数据集组成，分别为A1、A2、A3和A4，每个子数据集包含不同物种与尺寸的图像，采用A1～A5数据集作为测试数据，其中A5为A1-A4数据集的合并，以A5的分割结果来说明A1-A4数据集的分割性能。CVPPP给出了该数据集分割准确性的评价标准Symmetric Best Dice(SBD)。计算SBD前需要首先计算Best Dice(BD)，BD计算方式如下：
其中，|·|表示求叶片的像素数量，是图像La的所有分割区域，是图像Lb的所有分割区域。
SBD的计算分为两步，第一步对每个预测结果找到一个最佳的真值标签进行匹配，第二步针对每一个真值标签找到一个最佳的预测结果进行匹配，两个步骤相互独立，SBD得分取第一步和第二步的最小值，其计算方式如下：
SBD(Lar,Lgt)＝min{BD(Lar,Lgt),BD(Lgt,Lar)}；
其中，Lgt是真值标签，Lar是通过算法得到的预测分割结果。SBD含义是每一片叶片的平均分割准确性，其值越高代表分割准确性越好。
|DiC|的含义是预测叶片数量减去真实叶片数量的绝对值，该值越小代表计数结果与实际的越相近。
根据CVPPP数据集计算得到本发明的植物叶片分割方法的SBD指标为90.3％，|DiC|平均叶片计数指标为0.877，对每个数据集的分割结果如表1所示。从表1可以看出，本发明提出的方法在保证分割准确性的同时也保证了叶片计数的准确性。
表1 CVPPP 2017数据集SBD与|DiC|指标
根据本发明的植物叶片分割方法得到的部分分割结果如图4所示，由于本发明采用级联的叶片分割模块逐步提升Head网络的阈值，减少了一个提案框中包含多个叶片的可能性，从而解决了叶片相互遮挡时造成的检测错误的问题；在Head网络中引入注意力机制模块来对分割分支进行改进，利用该模块对分割分支的特征进行加权，使得边缘特征更加明显，提高了对叶片边缘的分割效果；并且在叶片尺寸过小的情况下，采用多尺度分割策略，将待分割叶片的不同尺度的图像同时输入模型中进行分割，利用不同尺度的特征进行融合，从而有效检测出小尺寸叶片。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (4)

1.一种植物叶片分割方法，其特征在于，所述方法包括：
构建样本数据集，所述样本数据集中包括若干幅带真实标签的样本图像；
将样本图像输入卷积神经网络中，所述卷积神经网络包括Backbone网络、RPN网络和若干个级联的叶片分割模块，每个叶片分割模块包括ROIAlign网络和Head网络，每个Head网络包括分类分支、分割分支和检测分支；所述Backbone网络对输入的样本图像进行特征提取得到样本特征图并分别输入各个植物叶片分割模块的ROIAlign网络，所述RPN网络从输入的样本图像中提取得到提案框并输入第一个叶片分割模块的ROIAlign网络；每一个ROIAlign网络从所述样本特征图中提取输入的提案框对应的对齐特征图送入Head网络，所述Head网络的分类分支对接收到的对齐特征图进行图像分类得到叶片分类分数，所述Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，所述Head网络的检测分支基于IOU阈值对接收到的对齐特征图进行检测并得到更新后的提案框送入下一个叶片分割模块的ROIAlign网络；各个叶片分割模块中的IOU阈值按照级联顺序依次递增；
将每一个样本图像经由所述卷积神经网络的各个叶片分割模块分别输出的叶片分类分数、提案框和叶片分割结果与其真实标签进行对比，调整所述卷积神经网络的网络参数，利用所述样本数据集基于所述卷积神经网络训练得到植物叶片分割模型；
将待分割图像输入所述植物叶片分割模型，得到对所述待分割图像的叶片分割结果；
所述得到对所述待分割图像的叶片分割结果，包括：
将所述植物叶片分割模型的最后一个叶片分割模块输出的提案框输入各个叶片分割模块的ROIAlign网络，所述ROIAlign网络从待分割图像的特征图中提取输入的提案框对应的对齐特征图送入Head网络，由各个Head网络的分类分支和分割分支分别输出对应的叶片分类分数和叶片分割结果，选取叶片分类分数最高的叶片分割模块所输出的叶片分割结果作为所述待分割图像的叶片分割结果；
所述待分割图像包括不同尺度的图像，则将待分割图像输入所述植物叶片分割模型，得到对所述待分割图像的叶片分割结果，包括：
将待分割图像的不同尺度的图像分别输入到所述植物叶片分割模型进行分割，得到不同尺度对应的叶片分割结果；
将所述不同尺度对应的叶片分割结果统一到同一尺度并进行去重计算，得到所述待分割图像的叶片分割结果；
所述分割分支包括4层3×3全卷积层、注意力机制模块和2层3×3全卷积层，则所述Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，包括：
所述4层3×3全卷积层对输入的对齐特征图进行特征提取，得到新的对齐特征图并送入注意力机制模块；所述注意力机制模块对接收到的所述新的对齐特征图进行边缘增强，得到边缘增强后的新的对齐特征图并送入2层3×3全卷积层；所述2层3×3全卷积层对所述边缘增强的新的对齐特征图进行边缘特征提取和图像分割，得到叶片分割结果；
所述Backbone网络对输入的样本图像进行特征提取得到样本特征图，包括：
所述Backbone网络采用滑动窗口的形式对输入的样本图像进行特征提取，得到H*W*C的样本特征图，其中H为特征图高度，W为特征图宽度，C为特征图通道数量。
2.根据权利要求1所述的方法，其特征在于，所述样本数据集中样本图像包括原始图像以及原始图像经数据增强处理后的图像，所述数据增强处理包括图像镜像对称、图像旋转和图像尺度变换中的至少一种。
3.根据权利要求1所述的方法，其特征在于，所述对齐特征图为尺度相同的的特征图，所述尺度为S*S*C，其中S为对齐后特征图的高度与宽度，C为对齐后特征图的通道数量。
4.根据权利要求1所述的方法，其特征在于，所述叶片分割模块的数量为2～4个。
CN202110929936.2A 2021-08-13 2021-08-13 一种植物叶片分割方法 Active CN113658206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110929936.2A CN113658206B (zh) 2021-08-13 2021-08-13 一种植物叶片分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110929936.2A CN113658206B (zh) 2021-08-13 2021-08-13 一种植物叶片分割方法

Publications (2)

Publication Number Publication Date
CN113658206A CN113658206A (zh) 2021-11-16
CN113658206B true CN113658206B (zh) 2024-04-09

Family

ID=78479727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110929936.2A Active CN113658206B (zh) 2021-08-13 2021-08-13 一种植物叶片分割方法

Country Status (1)

Country Link
CN (1) CN113658206B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116547713A (zh) 2021-12-03 2023-08-04 宁德时代新能源科技股份有限公司 一种用于缺陷检测的方法和系统
CN114494805A (zh) * 2021-12-16 2022-05-13 南京信息工程大学 一种基于Resnet50结合注意力机制和特征金字塔的图像分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112017178A (zh) * 2020-09-08 2020-12-01 重庆市地理信息和遥感应用中心 一种基于双时相差值图像法的遥感图像区域变化检测方法
CN112381835A (zh) * 2020-10-29 2021-02-19 中国农业大学 基于卷积神经网络的作物叶片分割方法及装置
CN112837330A (zh) * 2021-03-02 2021-05-25 中国农业大学 基于多尺度双注意力机制和全卷积神经网络的叶分割方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10282589B2 (en) * 2017-08-29 2019-05-07 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112017178A (zh) * 2020-09-08 2020-12-01 重庆市地理信息和遥感应用中心 一种基于双时相差值图像法的遥感图像区域变化检测方法
CN112381835A (zh) * 2020-10-29 2021-02-19 中国农业大学 基于卷积神经网络的作物叶片分割方法及装置
CN112837330A (zh) * 2021-03-02 2021-05-25 中国农业大学 基于多尺度双注意力机制和全卷积神经网络的叶分割方法

Also Published As

Publication number Publication date
CN113658206A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN109299274B (zh) 一种基于全卷积神经网络的自然场景文本检测方法
CN110414377B (zh) 一种基于尺度注意力网络的遥感图像场景分类方法
CN110032938B (zh) 一种藏文识别方法、装置及电子设备
CN111145181B (zh) 基于多视角分离卷积神经网络的骨骼ct图像三维分割方法
CN110059586B (zh) 一种基于空洞残差注意力结构的虹膜定位分割系统
CN110032925B (zh) 一种基于改进胶囊网络与算法的手势图像分割与识别方法
CN113658206B (zh) 一种植物叶片分割方法
CN114332473B (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN113313810A (zh) 一种透明物体的6d姿态参数计算方法
CN111353544A (zh) 一种基于改进的Mixed Pooling-YOLOV3目标检测方法
CN110008844A (zh) 一种融合slic算法的kcf长期手势跟踪方法
CN117095180B (zh) 基于分期识别的胚胎发育阶段预测与质量评估方法
CN114240822A (zh) 基于YOLOv3及多尺度特征融合的棉布瑕疵检测方法
CN115862045A (zh) 基于图文识别技术的病例自动识别方法、系统、设备及存储介质
CN116977294A (zh) 基于改进yolo模型的金属表面缺陷检测方法和装置
CN117218443B (zh) 巴氏涂片宫颈细胞图像分类方法及系统
CN117935289A (zh) 一种基于分类器的扩散模型图形符号异常识别与校正方法
CN111242839B (zh) 一种基于尺度等级的图像缩放裁剪方法
CN111144469B (zh) 基于多维关联时序分类神经网络的端到端多序列文本识别方法
CN110826564A (zh) 一种复杂场景图像中的小目标语义分割方法及系统
CN116129123A (zh) 基于不确定度校准和区域分解的端到端染色体分割方法
CN114373178A (zh) 一种图片文字检测与识别方法及系统
CN113255704A (zh) 一种基于局部二值模式的像素差卷积边缘检测方法
Sun et al. Crop image segmentation method based on improved mask RCNN
CN118247637B (zh) 胚胎细胞滑面内质网目标检测方法

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
GR01 Patent grant
GR01 Patent grant