申请/专利权人：江南大学;绿视芯科技(无锡)有限公司

申请日：2021-08-13

公开（公告）日：2024-04-09

公开（公告）号：CN113658206B

主分类号：G06T7/136

分类号：G06T7/136;G06T7/13;G06T7/12;G06T7/11;G06V10/25;G06V10/44;G06V10/82;G06V10/764;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.12.03#实质审查的生效;2021.11.16#公开

摘要：本发明公开了一种植物叶片分割方法，涉及图像处理领域。该方法包括：构建样本数据集，将样本数据集中的样本图像输入卷积神经网络中，该卷积神经网络包括Backbone网络、RPN网络和若干个级联的叶片分割模块，每个叶片分割模块包括ROIAlign网络和Head网络，每个Head网络包括分类分支、分割分支和检测分支，利用样本数据集基于卷积神经网络训练得到植物叶片分割模型，将待分割图像输入植物叶片分割模型，得到对待分割图像的叶片分割结果，其中待分割图像可采用多尺度分割策略。本发明提出的方法可以对存在遮挡的叶片、边缘不清晰的叶片以及小尺度叶片进行有效分割，促进深度学习在植物叶片分割领域的应用。

主权项：1.一种植物叶片分割方法，其特征在于，所述方法包括：构建样本数据集，所述样本数据集中包括若干幅带真实标签的样本图像；将样本图像输入卷积神经网络中，所述卷积神经网络包括Backbone网络、RPN网络和若干个级联的叶片分割模块，每个叶片分割模块包括ROIAlign网络和Head网络，每个Head网络包括分类分支、分割分支和检测分支；所述Backbone网络对输入的样本图像进行特征提取得到样本特征图并分别输入各个植物叶片分割模块的ROIAlign网络，所述RPN网络从输入的样本图像中提取得到提案框并输入第一个叶片分割模块的ROIAlign网络；每一个ROIAlign网络从所述样本特征图中提取输入的提案框对应的对齐特征图送入Head网络，所述Head网络的分类分支对接收到的对齐特征图进行图像分类得到叶片分类分数，所述Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，所述Head网络的检测分支基于IOU阈值对接收到的对齐特征图进行检测并得到更新后的提案框送入下一个叶片分割模块的ROIAlign网络；各个叶片分割模块中的IOU阈值按照级联顺序依次递增；将每一个样本图像经由所述卷积神经网络的各个叶片分割模块分别输出的叶片分类分数、提案框和叶片分割结果与其真实标签进行对比，调整所述卷积神经网络的网络参数，利用所述样本数据集基于所述卷积神经网络训练得到植物叶片分割模型；将待分割图像输入所述植物叶片分割模型，得到对所述待分割图像的叶片分割结果；所述得到对所述待分割图像的叶片分割结果，包括：将所述植物叶片分割模型的最后一个叶片分割模块输出的提案框输入各个叶片分割模块的ROIAlign网络，所述ROIAlign网络从待分割图像的特征图中提取输入的提案框对应的对齐特征图送入Head网络，由各个Head网络的分类分支和分割分支分别输出对应的叶片分类分数和叶片分割结果，选取叶片分类分数最高的叶片分割模块所输出的叶片分割结果作为所述待分割图像的叶片分割结果；所述待分割图像包括不同尺度的图像，则将待分割图像输入所述植物叶片分割模型，得到对所述待分割图像的叶片分割结果，包括：将待分割图像的不同尺度的图像分别输入到所述植物叶片分割模型进行分割，得到不同尺度对应的叶片分割结果；将所述不同尺度对应的叶片分割结果统一到同一尺度并进行去重计算，得到所述待分割图像的叶片分割结果；所述分割分支包括4层3×3全卷积层、注意力机制模块和2层3×3全卷积层，则所述Head网络的分割分支对接收到的对齐特征图进行图像分割得到叶片分割结果，包括：所述4层3×3全卷积层对输入的对齐特征图进行特征提取，得到新的对齐特征图并送入注意力机制模块；所述注意力机制模块对接收到的所述新的对齐特征图进行边缘增强，得到边缘增强后的新的对齐特征图并送入2层3×3全卷积层；所述2层3×3全卷积层对所述边缘增强的新的对齐特征图进行边缘特征提取和图像分割，得到叶片分割结果；所述Backbone网络对输入的样本图像进行特征提取得到样本特征图，包括：所述Backbone网络采用滑动窗口的形式对输入的样本图像进行特征提取，得到H*W*C的样本特征图，其中H为特征图高度，W为特征图宽度，C为特征图通道数量。

全文数据：

权利要求：

百度查询： 江南大学;绿视芯科技(无锡)有限公司 一种植物叶片分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD