[发明专利]自动测量离体植物软腐病斑面积的方法及装置

权利要求书

1.一种自动测量离体植物软腐病斑面积的方法，其特征在于，所述方法包括：

获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；

对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；

对所述样本图片中的病斑区域进行提取，在进行所述提取时，采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割，自动提取病变区域；在所述全卷积神经网络中，特征提取模块使用残差网络，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练；

统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积。

2.根据权利要求1所述的方法，其特征在于，所述对所述样本图片中的病斑区域进行提取，包括：

对所述样本图片进行特征提取，所提取的特征包括能量、相关性、均匀性和对比度；

基于所提取到的特征，采用多层感知器模型识别所述离体植物的植物类型；

针对所识别到的植物类型，获得对应植物的病斑分割模型；

采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割，自动提取病变区域；在所述全卷积神经网络中，特征提取模块使用残差网络，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练。

3.根据权利要求1或2所述的方法，其特征在于，在采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割后，对病斑区域的边缘进行校正，而后自动提取病变区域；

所述对病斑区域的边缘进行校正包括：

对语义分割得到区域的边缘部进行最大化对比度增强；

选取对比度最大的通道，使用MSER算法对边缘进行检测，定位病斑边缘。

4.根据权利要求1～3中任一项所述的方法，其特征在于，在对所述样本图片中的病斑区域进行提取时，若自动提取得到的病变区域不够准确，则手动调整所提取的病斑区域。

5.一种自动测量离体植物软腐病斑面积的装置，其特征在于，所述装置包括：

图像获取模块，用于获取离体植物的样本图片，所述样本图片中包含至少一个已知长度的标定物；

分辨率标定模块，用于对所述样本图片中的分辨率进行标定，所述分辨率指每个像素的宽度真实代表的距离；

病斑区域提取模块，用于对所述样本图片中的病斑区域进行提取；所述病斑区域提取模块包括自动提取子模块；所述自动提取子模块用于采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割；在所述全卷积神经网络中，特征提取模块使用残差网络，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练；

面积计算模块，用于统计所述病斑区域中的像素点总数，将所述像素点总数与所述分辨率的平方相乘，得到病斑面积。

6.根据权利要求5所述的装置，其特征在于，所述自动提取子模块包括：

特征提取单元，用于对所述样本图片进行特征提取，所提取的特征包括能量、相关性、均匀性和对比度；

植物类型识别单元，用于基于所提取到的特征，采用多层感知器模型识别所述离体植物的植物类型；

病斑分割模型确认单元，用于针对所识别到的植物类型，获得对应植物的病斑分割模型；

语义分割单元，用于采用深度学习中的全卷积神经网络对所述病斑区域进行语义分割；在所述全卷积神经网络中，特征提取模块使用残差网络，采样模块中加入了浅层神经网络的特征；所述全卷积神经网络经过人工标注的样本集进行训练。

7.根据权利要求6所述的装置，其特征在于，所述自动提取子模块还包括：

边缘校正单元，用于对语义分割得到区域的边缘部进行最大化对比度增强；选取对比度最大的通道，使用MSER算法对边缘进行检测，定位病斑边缘。

8.根据权利要求5～7中任一项所述的装置，其特征在于，所述病斑区域提取模块还包括：

手动调整子模块，用于在自动提取得到的病变区域不够准确时，手动调整所提取的病斑区域。