[发明专利]基于计算机视觉的深度学习植物生长模型分析方法及系统

权利要求书

1.一种基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，包括：

实时采集植物生长环境数据，及实时采集不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；

利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；

建立对应时刻植物生长状态与其生长环境数据的映射关系模型；

依据所述映射关系模型计算出植物不同生长环境因素的权重值；

其中，所述利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，包括：

利用YOLOV3目标检测框架，对输入的所述同一个体植株不同生长周期的图像进行识别，识别出叶片信息后并判断其位置；

根据叶片位置截取出所述同一个体植株不同生长周期的图像中的叶片部分；

使用KNN算法对截取出来的叶片图像进行聚类背景分割；

根据聚类背景分割结果去除所述叶片图像中的背景部分；

将去除背景部分的叶片图像进行边缘信息融合补全操作；

根据图像像素梯度值，使用阈值计算对融合补全后的叶片图像进行锐化，突出叶片边缘；

对锐化后的叶片图像进行实例分割，按照图像中分割实例的不同方向角和形状大小标记实例不同序号；

利用Canny算子检测出分割后的实例叶片图像边缘，并绘制分割后的实例叶片图像边缘的轮廓；

根据所述分割后的实例叶片图像边缘的轮廓信息，计算出contour拟合出的多边形的叶片面积。

2.根据权利要求1所述的基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，所述使用KNN算法对截取出来的叶片图像进行聚类背景分割，包括：

步骤301，在所述叶片图像中随机选取K个初始聚类中心；

步骤302，计算每个像素值到所述初始聚类中心的欧氏距离，将每个像素点归到与其距离最近的聚类中心所属簇；

步骤303，计算现有每一簇的所有像素点均值，以一簇内所有像素点的均值作为该簇新的聚类中心；

步骤304，重复第302-303步，直到聚类中心不再变化或达到设定的迭代次数。

3.根据权利要求1所述的基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，所述将去除背景部分的叶片图像进行边缘信息融合补全操作，包括：

对图像进行腐蚀，其中，选取7*7的卷积核沿着图像滑动，将B的中心点和二值化图像上的点一一比较，如果在卷积核内所有的像素值等于1的像素点都被包含在对应的原图的像素值等于1的像素点中，则该像素点保留原来的1值，否则变为0值，计算公式为

对腐蚀后的图像进行膨胀，其中，选取7*7的卷积核沿着图像滑动，将B’的中心点和二值化图像上的点一一比较，如果在卷积核内有一个的像素值等于1的像素点都被包含在对应的原图的像素值等于1的像素点中，则该像素点变为1值，否则为0值，计算公式为

边缘信息融合补全结果表示为OPEN(X)＝D(E(X))；

其中，B为腐蚀结构元素，B’为膨胀结构元素，a为任意一个像素点，Ba为腐蚀结构元素中像素值等于1的像素点，X为原图像，B’_a为膨胀结构元素中像素值等于1的像素点。

4.根据权利要求1所述的基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，所述根据图像像素梯度值，使用阈值计算对融合补全后的叶片图像进行锐化，突出叶片边缘，包括：

阈值计算判断公式：

对于某一像素点，若其灰度值大于等于特定值T，则使其加上一个特定值a；对于灰度值小于特定值T的像素点，将其设置为本身的灰度值不变；

其中，f(i,j)是图像在(i,j)处的灰度值，G(f(i,j))是图像f(i,j)的梯度值。