[发明专利]基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法

权利要求书

1.基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法，其特征在于所述方法具体过程为：

步骤一、获取气孔样本数据集；

步骤二、利用气孔样本数据集构建并训练基于卷积神经网络的植物叶片显微图像气孔孔隙分割模型，获得最终植物叶片显微图像气孔分割模型；

步骤三、利用最终植物叶片显微图像气孔孔隙分割模型获得气孔孔隙解剖参数，包括以下步骤：

步骤三一、将待检测植物叶片图像输入最终植物叶片显微图像气孔分割模型输出待测植物叶片显微图像的分割结果图像；

步骤三二、在步骤二获得的最终植物叶片显微图像气孔分割模型输出端添加一个基于最小二乘法的椭圆拟合分支并将待测植物叶片显微图像的分割结构图像中每个气孔掩膜的边缘坐标输入椭圆拟合分支，获得每个气孔孔隙分割结果被基于最小二乘法的椭圆拟合技术拟合成的椭圆；

步骤三三、获得步骤三二合成的椭圆的参数，从而获得气孔孔隙的解剖参数。

2.根据权利要求1所述的基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法，其特征在于：所述步骤一中获取气孔样本数据集，包括以下步骤：

步骤一一、获取叶片显微图像；

步骤一二、对步骤一一获取的叶片显微图像气孔孔隙区域进行像素级标注，获得气孔样本数据集。

3.根据权利要求2或1所述的基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法，其特征在于：所述步骤一一中获取叶片显微图像包括以下步骤：

首先，将待测量植物叶片置于光学显微镜载物台上，调节显微镜焦距和放大倍数，获取该焦距下的叶片显微图像；

然后，在1000×放大倍数下，采用显微镜自带的深度合成功能，对多张不同焦距的图像进行融合，得到一幅清晰的叶片显微图像。

4.根据权利要求3所述的基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法，其特征在于：所述步骤二中利用气孔样本数据集构建并训练基于卷积神经网络的植物叶片显微图像气孔孔隙分割模型，获得最终植物叶片显微图像气孔分割模型，包括以下步骤：

步骤二一、将气孔样本数据集按照比例A₁:A₂:A₃划分为训练集D₁、验证集D₂和测试集D₃；

步骤二二、建立基于卷积神经网络的实例分割网络的植物叶片显微图像气孔分割模型；

步骤二三、对训练集D₁进行数据增强处理，然后利用增强处理后的训练集D₁训练气孔分割模型，计算每次迭代的植物叶片显微图像气孔分割模型的损失函数值，得到训练好的植物叶片显微图像气孔分割模型；

步骤二四、对验证集D₂中数据进行归一化处理，然后利用归一化后的验证集，对每一轮训练结束的网络模型进行验证，并根据验证结果判断当前网络对数据的拟合情况，并根据拟合情况调节模型超参数，依次迭代直到损失函数值低于验证预设阈值，保存当前模型作为最终植物叶片显微图像气孔分割模型；

所述根据验证结果判断当前网络对数据的拟合情况，并根据拟合情况调节模型超参数具体为：如果发现当前网络分割效果相比较上一轮训练得到的网络分割效果要差，则人为提前停止网络训练，并调整网络的整体迭代轮数以及学习率的超参数；

步骤二五、利用测试集D₃测试步骤二四保存的最终植物叶片显微图像气孔分割模型，若最终植物叶片显微图像气孔分割模型准确率高于测试预设阈值则执行步骤三，若最终植物叶片显微图像气孔分割模型准确率低于测试预设阈值则调整网络超参数直至最终植物叶片显微图像气孔分割模型准确率高于测试预设阈值，则执行步骤三。

5.根据权利要求4所述的基于卷积神经网络的植物叶片气孔孔隙解剖参数测量方法，其特征在于：所述步骤二一中的A₁:A₂:A₃＝3:1:1。