基于微根管的植物原位置根系图像检测方法、设备及存储介质与流程

技术特征：
1.基于微根管的植物原位置根系图像检测方法，其特征在于，包括以下步骤：步骤s1、对植物根系进行图像采集；步骤s2、对采集到的图像进行语义注释；步骤s3、对原始图像及对应的标签文件进行预处理；步骤s4、针对步骤s3中处理后的数据，进行图像分割检测。2.根据权利要求1所述的基于微根管的植物原位置根系图像检测方法，其特征在于，所述的步骤s1，对植物根系进行图像采集实施方式如下：步骤s11，搭建微根窗管检测设备，用管加工成微根管观测壳，将管两端盖上不透光的黑色盖子，并将暴露在土壤上面的部分使用不透光材料封住，防止有光进入管内影响植物生长，将管埋入植物附近的土内，等待植物根系生长；步骤s12，获取数据，定期使用内窥镜探测植物根系生长图片，获取植物根系数据集；步骤s13，标注整理。3.根据权利要求1所述的基于微根管的植物原位置根系图像检测方法，其特征在于，所述的步骤s2，对采集到的图像进行语义注释实施方式如下：在anaconda中安装labelme，使用支持语义分割的图形图像注释工具labelme对文件夹中的图像进行注释，设置使用自动保存，将原始图像中的根系部分进行标注注释后保存为json文件，并通过程序转换为灰度图标签文件，其中根部区域赋予像素值1，背景区域赋予像素值0。4.根据权利要求1所述的基于微根管的植物原位置根系图像检测方法，其特征在于，所述的步骤s3，对原始图像及对应的标签文件进行预处理实施方式如下：将图像统一划分尺寸为512
×
512，通过对图片进行随机旋转、水平翻转以及镜像翻转，随机添加噪声，增加数据样本。5.根据权利要求1所述的基于微根管的植物原位置根系图像检测方法，其特征在于，所述的步骤s4，对图像分割检测实施方式如下：搭建植物根系图像分割神经网络，训练分割网络模型，调整参数，将获取到的图像按照8:2的比例分为训练图像与测试图像，在模型训练阶段使用训练图像及其对应的标签文件对网络进行训练，获得训练好的权重参数对测试图像进行分割；使用与根系类似的样本集对深度学习分割网络模型进行训练，得到对应的训练参数。6.根据权利要求5所述的基于微根管的植物原位置根系图像检测方法，其特征在于，所述分割网络模型，实施方式如下：搭建与迁移学习、注意力机制结合的u-net网络：将u-net中的主干提取部分设置为vgg16网络，用于对图像的特征提取；
①
在对图像的主干提取过程中，vgg16会先将预处理后尺寸为512*512*3的图片进行两次64通道的卷积和relu激活函数，512*512为图像尺度，3为图像的通道数，并获得初步有效特征层c1，然后进行2*2的最大池化，最大池化不改变图像的通道数，此最大池化会将图像的高宽压缩至一半得到256*256*64图像；
②
将获得的256*256*64图像进行两次128通道的卷积和relu激活函数得到有效特征层c2，继续进行2*2的最大池化，此最大池化会将图像的高宽压缩至一半得到128*128*128的图像；
③
将获得的128*128*128的图像进行三次256通道的卷积和relu激活函数得到有效特征层c3，继续进行2*2的最大池化，此最大池化会将图像的高宽压缩至一半得到64*64*256的图像；
④
将获得的64*64*256的图像进行三次512通道的卷积和relu激活函数得到有效特征层c4，继续进行2*2的最大池化，此最大池化会将图像的高宽压缩至一半得到32*32*512的图像。
⑤
将所述步骤
④
的图像进行三次步长为1*1，通道为512的卷积，获得32*32*512的特征层k；在u-net的上采样中加入注意力机制，k与跳跃连接的有效特征层c4通过注意力机制后再与上采样后的k进行叠加，经过两个3*3的卷积及relu激活函数后生成k1，k1与c3通过注意力机制后再与上采样后的k1进行叠加，同样的经过两个3*3的卷积及relu激活函数后生成k2，步骤再重复两次，通过一个1*1的卷积，获得与输入图像同等大小的特征图；利用迁移学习将与根系类似的样本集得到的模型参数进行迁移，训练数据输入到与迁移学习、注意力机制结合的u-net网络中进行参数训练并保存训练所得的参数；最后用训练所得的权重对测试数据集进行分割，得到分割结果图。7.根据权利要求1所述的基于微根管的植物原位置根系图像检测方法，其特征在于，还包括预测网络，实施方式如下：将训练注意力机制结合的u-net网络所得到的模型文件对检测数据进行检测，实现根系分割的预测；在每个训练时期通过roc曲线计算auc值，使用auc值判断模型的好坏，具体实现如下：假阳性率fpr的公式：真阳性率tpr的公式：式(1)中，fpr为roc特征曲线的横轴；fp本来是非根部样本，但被网络识别为根部的样本；n为所有的非根部样本；式(2)中，tpr为roc特征曲线的纵轴；tp为识别正确的根部样本；p为所有的根部样本；tpr越大，代表正样本被正确识别的比例越高，同时fpr也越小，代表负样本被误识别成正样本的比例越小；auc是roc曲线下的面积，介于0.1和1之间，作为数值评价模型的好坏，值越大代表模型越好。8.基于微根管的植物原位置根系图像检测设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于微根管的植物原位置根系图像检测方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项所述的基于微根管的植物原位置根系图像检测方法。

技术总结
基于微根管的植物原位置根系图像检测方法、设备及存储介质，属于图像检测方法领域，是针对图像中追踪根的标准方法极其繁琐和耗时，以及人工检测准确度低问题的提出，包括以下步骤：(1)对植物根系进行图像采集；(2)对采集到的图像进行语义注释；(3)对原始图像及对应的标签文件进行预处理；(4)目标分割系统平台。人工依赖度低，综合成本低，效率高，精准度高，对植物的生长状态进行综合记录，可及时发现植物根系的病虫害问题。根系的病虫害问题。根系的病虫害问题。


技术研发人员：赵亚凤 黄云连 王恩泽 刘嘉程 李园 王孟雪 王冬冬
受保护的技术使用者：东北林业大学
技术研发日：2021.10.18
技术公布日：2022/1/14