[發明專利]基于卷積神經網絡的作物葉片分割方法及裝置

在審

• 申請號: 202011183241.6
• 申請日: 2020-10-29
• 公開（公告）號: CN112381835A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 李莉;趙奇慧;藍天;張淼;田永強
• 申請（專利權）人: 中國農業大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

1.一種基于卷積神經網絡的作物葉片分割方法，其特征在于，包括：

將包含不同作物葉片的葉片圖像，輸入分割模型的多層卷積網絡進行特征提?。?/p>

將提取得到的每層特征圖，經特征融合后，分別通過實例類別判別分支，得到實例分類結果，以及通過實例掩碼分支，得到掩碼分割結果；

根據所述實例分類結果和所述掩碼分割結果，得到具有類別屬性的實例分割結果；

其中，所述分割模型，根據已知實例分割結果和掩碼分割結果的樣本葉片圖像訓練后得到。

2.根據權利要求1所述的基于卷積神經網絡的作物葉片分割方法，其特征在于，所述將包含不同作物葉片的葉片圖像，輸入分割模型的多層卷積網絡進行特征提取，具體為：

將原始圖像劃分為S*S個網格，通過多層卷積網絡對葉片圖像進行特征提??；

相應地，得到實例分類結果，具體為：

得到S*S個網格中每個網格的實例分類結果。

3.根據權利要求2所述的基于卷積神經網絡的作物葉片分割方法，其特征在于，所述通過實例類別判別分支，得到實例分類結果，包括：

將特征提取后的H*W*D特征，融合為H*W特征圖，再經上采樣變為原圖大??；

經語義類別分割，得到尺寸為S*S*C的特征圖；

其中，H、W和D分別為特征圖的高寬像素及深度，C為每個對象實例的語義類別概率。

4.根據權利要求2所述的基于卷積神經網絡的作物葉片分割方法，其特征在于，所述通過實例掩碼分支，得到掩碼分割結果，包括：

將特征提取后的H*W*D特征圖，融入像素點坐標，得到H*W*(D+2)的特征張量；

將尺寸為H*W*(D+2)特征張量形式的特征圖，經過自適應池化和上采樣后，輸出為尺寸為H*W*S*S的特征圖；

其中，H、W和D分別為特征圖的高寬像素及深度。

5.根據權利要求4所述的基于卷積神經網絡的作物葉片分割方法，其特征在于，將特征提取后的H*W*D特征圖，融入像素點坐標，包括：

創建與輸入葉片圖像具有相同空間大小的張量，張量中包含圖像中像素坐標信息，將坐標信息分別進行線性變換，映射到[-1,1]空間；

將包含坐標信息的張量與特征提取后的H*W*D特征圖進行拼接。

6.根據權利要求1所述的基于卷積神經網絡的作物葉片分割方法，其特征在于，將包含不同作物葉片的葉片圖像，輸入分割模型的多層卷積網絡進行特征提取之前，還包括：

對所述葉片圖像進行預處理；

所述預處理包括，圖像旋轉、變換尺寸、翻轉、亮度調整和數據集擴充。

7.根據權利要求2所述的基于卷積神經網絡的作物葉片分割方法，其特征在于，所述根據所述實例分類結果和所述掩碼分割結果，得到具有類別屬性的實例分割結果，包括：

將所有網格的分割結果疊加匯總，采用非極大值抑制方法得到葉片圖像最終的有類別屬性的實例分割結果。

8.一種基于卷積神經網絡的作物葉片分割裝置，其特征在于，包括：

特征提取模塊，用于將包含不同作物葉片的葉片圖像，輸入分割模型的多層卷積網絡進行特征提??；

分類分割模塊，用于將提取得到的每層特征圖，經特征融合后，分別通過實例類別判別分支，得到實例分類結果，以及通過實例掩碼分支，得到掩碼分割結果；

實例分割模塊，用于根據所述實例分類結果和所述掩碼分割結果，得到具有類別屬性的實例分割結果；

其中，所述分割模型，根據已知實例分割結果和掩碼分割結果的樣本葉片圖像訓練后得到。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任一項所述基于卷積神經網絡的作物葉片分割方法的步驟。

10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1至7任一項所述基于卷積神經網絡的作物葉片分割方法的步驟。