[發明專利]一種基于改進全卷積神經網絡的植物葉片分割方法

在審

• 申請號: 201810253196.3
• 申請日: 2018-03-26
• 公開（公告）號: CN108564589A
• 公開（公告）日: 2018-09-21
• 發明（設計）人: 孫俊;譚文軍;武小紅;沈繼鋒;陸虎;戴春霞
• 申請（專利權）人: 江蘇大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于改進全卷積神經網絡的植物葉片分割方法。原始FCN 8倍上采樣的模型參數量大，為實現植物葉片快速精確分割，采用直連式結構，去除部分層，并利用單層特征，通過反卷積將經VGG16模型縮小后的特征圖按縮小倍數上采樣至原圖尺寸，共得到3種改進后模型。最后以6種不同植物共1762張圖片作為訓練樣本，441張葉片圖片作為測試樣本訓練模型。發現采用4倍上采樣的直連式結構模型的內存參數占用僅為6.90MB，縮小為原始FCN模型的1/77倍，測試集上類別平均準確率和平均區域重合度可達99.099％和98.204％。該方法與傳統方法K?means聚類和Otsu閾值分割法相比，平均區域重合度高出3.704和4.295個百分點，能夠提取完整葉片，受葉片表面顏色、光照強度不均的影響小。

技術領域

本發明涉及一種圖像分割方法，具體涉及一種基于改進全卷積神經網絡的植物葉片分割方法。

背景技術

植物是生態系統的重要組成部分，植物鑒定和植物病害識別是植物保護的一項重要工作。植物葉片分割通旨在定位圖像中的葉片區域并提取，以減少背景物體干擾，是植物鑒定和植物病害識別中的重要步驟。葉片的分割效果對后續的特征提取和模式識別工作會產生直接的影響，因此葉片的精確分割提取問題受到廣泛關注。

對于植物葉片的分割，現有的方法主要分為基于閾值的分割和基于聚類的分割，閾值分割有最小誤差法、最大類間方差法(Otsu)和最大熵法。Otsu作為典型的閾值分割法，能夠自動選取最佳分割閾值，實現較為簡單，但在前景灰度分布范圍較大時效果欠佳。聚類算法主要通過計算區域之間顏色的相似度，對相似顏色進行聚類，但在前景和背景顏色差異較小時，很難提取出前景目標。由于受外部環境因素影響較大，現有的一些方法存在誤分割現象，這對后續識別過程的開展會產生不利影響，故提出一種自動、精確的分割方法是必要的。

發明內容

本發明的主要目的在于克服現有技術中的不足，提供一種能準確地將植物葉片從背景中分割出來的方法，對葉片中包含與背景顏色相似的病斑、光照不均或陰影部分，能克服其干擾并準確地提取完整葉片。為解決上述技術問題，本發明采用的技術方案是：

一種基于改進全卷積神經網絡的圖像分割方法，包括如下步驟：

(1)試驗數據獲取與處理；

(2)構建全卷積神經網絡；

(3)訓練全卷積神經網絡；

(4)采用訓練好的全卷積神經網絡進行葉片分割。

所述過程(1)具體包括下述步驟：

在選擇試驗樣本時考慮樣本的復雜多樣性，如圖片集中的圖片尺寸不一致，拍攝光照強度不均勻，圖片中有黑色陰影等，選擇部分病斑的顏色與背景色相似的病害葉片。

選用PlantVillage工程(www.plantvillage.org)中的6種植物共2203張葉片圖片作為試驗數據，其中包含5種植物的健康葉片圖片和2種植物的病害葉片圖片。

通過專業圖像標注工具標注圖像，得到葉片與背景分別標注為1和0的二值圖。將標注圖像按4：1的比例隨機分成訓練集和測試集，得到1762張訓練圖片和441張測試圖片。

所述過程(2)具體包括下述步驟：

選取VGG-16分類模型作為基礎模型，構建全卷積神經網絡。