[發明專利]自動測量離體植物軟腐病斑面積的方法及裝置

在審

• 申請號: 202010664458.2
• 申請日: 2020-07-10
• 公開（公告）號: CN111862190A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 陳昌龍;謝華;董洲;田宇
• 申請（專利權）人: 北京農業生物技術研究中心
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06T7/11;G06T7/13;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 陳征

1.一種自動測量離體植物軟腐病斑面積的方法，其特征在于，所述方法包括：

獲取離體植物的樣本圖片，所述樣本圖片中包含至少一個已知長度的標定物；

對所述樣本圖片中的分辨率進行標定，所述分辨率指每個像素的寬度真實代表的距離；

對所述樣本圖片中的病斑區域進行提取，在進行所述提取時，采用深度學習中的全卷積神經網絡對所述病斑區域進行語義分割，自動提取病變區域；在所述全卷積神經網絡中，特征提取模塊使用殘差網絡，采樣模塊中加入了淺層神經網絡的特征；所述全卷積神經網絡經過人工標注的樣本集進行訓練；

統計所述病斑區域中的像素點總數，將所述像素點總數與所述分辨率的平方相乘，得到病斑面積。

2.根據權利要求1所述的方法，其特征在于，所述對所述樣本圖片中的病斑區域進行提取，包括：

對所述樣本圖片進行特征提取，所提取的特征包括能量、相關性、均勻性和對比度；

基于所提取到的特征，采用多層感知器模型識別所述離體植物的植物類型；

針對所識別到的植物類型，獲得對應植物的病斑分割模型；

采用深度學習中的全卷積神經網絡對所述病斑區域進行語義分割，自動提取病變區域；在所述全卷積神經網絡中，特征提取模塊使用殘差網絡，采樣模塊中加入了淺層神經網絡的特征；所述全卷積神經網絡經過人工標注的樣本集進行訓練。

3.根據權利要求1或2所述的方法，其特征在于，在采用深度學習中的全卷積神經網絡對所述病斑區域進行語義分割后，對病斑區域的邊緣進行校正，而后自動提取病變區域；

所述對病斑區域的邊緣進行校正包括：

對語義分割得到區域的邊緣部進行最大化對比度增強；

選取對比度最大的通道，使用MSER算法對邊緣進行檢測，定位病斑邊緣。

4.根據權利要求1～3中任一項所述的方法，其特征在于，在對所述樣本圖片中的病斑區域進行提取時，若自動提取得到的病變區域不夠準確，則手動調整所提取的病斑區域。

5.一種自動測量離體植物軟腐病斑面積的裝置，其特征在于，所述裝置包括：

圖像獲取模塊，用于獲取離體植物的樣本圖片，所述樣本圖片中包含至少一個已知長度的標定物；

分辨率標定模塊，用于對所述樣本圖片中的分辨率進行標定，所述分辨率指每個像素的寬度真實代表的距離；

病斑區域提取模塊，用于對所述樣本圖片中的病斑區域進行提取；所述病斑區域提取模塊包括自動提取子模塊；所述自動提取子模塊用于采用深度學習中的全卷積神經網絡對所述病斑區域進行語義分割；在所述全卷積神經網絡中，特征提取模塊使用殘差網絡，采樣模塊中加入了淺層神經網絡的特征；所述全卷積神經網絡經過人工標注的樣本集進行訓練；

面積計算模塊，用于統計所述病斑區域中的像素點總數，將所述像素點總數與所述分辨率的平方相乘，得到病斑面積。

6.根據權利要求5所述的裝置，其特征在于，所述自動提取子模塊包括：

特征提取單元，用于對所述樣本圖片進行特征提取，所提取的特征包括能量、相關性、均勻性和對比度；

植物類型識別單元，用于基于所提取到的特征，采用多層感知器模型識別所述離體植物的植物類型；

病斑分割模型確認單元，用于針對所識別到的植物類型，獲得對應植物的病斑分割模型；

語義分割單元，用于采用深度學習中的全卷積神經網絡對所述病斑區域進行語義分割；在所述全卷積神經網絡中，特征提取模塊使用殘差網絡，采樣模塊中加入了淺層神經網絡的特征；所述全卷積神經網絡經過人工標注的樣本集進行訓練。

7.根據權利要求6所述的裝置，其特征在于，所述自動提取子模塊還包括：

邊緣校正單元，用于對語義分割得到區域的邊緣部進行最大化對比度增強；選取對比度最大的通道，使用MSER算法對邊緣進行檢測，定位病斑邊緣。

8.根據權利要求5～7中任一項所述的裝置，其特征在于，所述病斑區域提取模塊還包括：

手動調整子模塊，用于在自動提取得到的病變區域不夠準確時，手動調整所提取的病斑區域。