[發明專利]一種基于三級分類和多尺度FCN的脫莢大豆圖像分割方法

有效

• 申請號: 202011102031.X
• 申請日: 2020-10-15
• 公開（公告）號: CN112183448B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 王敏娟;王瑩;陳昕;楊斯
• 申請（專利權）人: 中國農業大學
• 主分類號: G06V20/20
• 分類號: G06V20/20;G06V10/26;G06V10/32;G06V10/40;G06V10/764;G06V10/80;G06V10/774;G06V10/82;G06N3/0464
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提出一種基于三級分類和多尺度全卷積網絡(FCN)的脫莢大豆圖像分割方法，通過考慮豆莢的邊緣像素來分割難以分離的緊密豆莢，使用三級分類法合成的三進制標簽圖像訓練具有多尺度結構的FCN模型，該網絡通過不同的卷積階段來提取具有不同尺度的特征，并設計了高分辨率分支獲取低級別的全局信息以進行特征融合，實現不同形式和大小爆莢的分割，該發明能夠有效地提取圖像特征，在保證目標分割的基礎上，實現實時性的圖像處理功能，具有較高的應用價值和較廣的應用前景。

技術領域

本發明涉及人工智能的計算機視覺領域，具體涉及一種基于三級分類和多尺度全卷積網絡(FCN)的脫莢大豆圖像分割方法。

背景技術

大豆是一種重要的豆類谷物，也是世界上最有價值的油料作物之一，主要用于豆粕和植物油。其種子大約提供了世界上植物蛋白供應量的60％，被認為是動物蛋白的良好替代品。中國現在是最大的大豆進口國，占世界大豆出口總量的60％以上。但是由于耕地減少、產量低以及政策不當，不可持續和稀缺的大豆供應無法滿足如此巨大的需求，例如，中國的大豆產量僅達到世界平均水平的75％。在這種情況下，如何維持和發展我國大豆生產，保障國家大豆最基本的食用供給需求已成為大豆產業的重大難題。其中制約大豆生產發展的最大瓶頸是單產低，提高大豆單產水平是扭轉當前被動局面最直接有效的途徑。

為了提高產量，植物育種計劃需要對大量種群進行表型分析，評估一些甚至幾個有用的性狀。大豆表型數據的普遍獲取方法為考種，即對成熟后的植株和籽粒性狀進行考察，以期了解不同品種或不同處理因素對其的影響，從而分析掌握不同品種或不同處理的豐產因素及籽粒品質的優劣。大豆的眾多農業性狀中單株莢數(PN)對產量影響非常大，同時受到育種者的重視。然而，大豆豆莢的量化統計通常是一項手工任務，不僅工作效率低，耗費時間多，且當進行人工長時間計量，不斷重復的動作容易引起疲勞，進而影響計量結果的準確性，這樣造成的間接損失較大，試驗數據可比性差。

近年來，隨著計算機技術的不斷發展和圖像信息的普遍化，機器視覺逐漸成為智能計算機研究領域中舉足輕重的部分，大豆表型研究方面的科研人員也開始逐漸利用機器視覺和計算機相關技術來解決植物表型檢測方面的問題。但是目前大多是針對大豆籽粒計數，大豆品種和品級的分類識別，營養元素智能診斷及大豆病害檢測等方面的有損表型研究。與此同時，深度學習網絡模型成功應用于多個領域，該技術也被農業領域的更多研究人員所看好和使用，然而由于深度學習在農業領域的研究起步較晚，基于深度學習的大豆豆莢分割研究也非常少。

在計算機視覺中，圖像分割是一種根據像素的不同屬性將數字圖像分為多個區域的方法。與分類和目標檢測不同，它通常是低級或像素級視覺任務，這是由于圖像的空間信息對于語義上不同區域的分割非常重要。分割旨在提取有意義的信息以便于分析。在這種情況下，對圖像像素進行標記來使圖像中的每個像素共享某些特征，例如顏色，強度，紋理等。語義分割描述了將圖像的每個像素與類別標簽相關聯的過程。卷積神經網絡(CNN)在語義分割模型中的應用始于巨大的多樣性。在基于CNN的不同語義分割模型中，FCN引起了最大的關注，并且出現了基于FCN語義分割模型的趨勢。為了保留圖像的空間信息，基于FCN的模型刪除了傳統CNN的完全連接層。在一些研究中，作者使用了上下文特征并獲得了最先進的性能。但是由于FCN是線性結構無法提供不同尺度的特征，僅將局部信息用于語義分割，這使得圖像的全局上下文語義松散，因此會導致語義分割變得相當模棱兩可，同時目前仍然存在爆莢、果實重疊所帶來的挑戰。

發明內容

為解決上述存在的問題，本發明提出一種基于三級分類和多尺度FCN的脫莢大豆圖像分割方法，用于快速、準確地分割脫莢大豆。本方法具體包括以下步驟：

S1、獲取脫莢大豆圖像數據；

S2、預處理目標數據集；

S3、構建和訓練多尺度全卷積神經網絡；

S4、使用訓練好的多尺度FCN實現脫莢大豆圖像分割。

進一步，所述過程S1中獲取脫莢大豆圖像數據包括：