一种水稻叶片细胞形态学智能检测方法及装置制造方法及图纸

本发明专利技术属于细胞图像识别技术领域，公开了一种水稻叶片细胞形态学智能检测方法及装置，通过摄像模块拍摄水稻幼苗发育情况图像，取样水稻幼苗中间部位叶片，通过植物细胞观测装置观察并拍摄水稻叶片细胞原图；使用改进的U

【技术实现步骤摘要】
一种水稻叶片细胞形态学智能检测方法及装置


[0001]本专利技术属于细胞图像识别
，具体涉及一种水稻叶片细胞形态学智能检测方法及装置。

技术介绍

[0002]通过对水稻叶片细胞空间结构和形态学特征进行研究，以实现对水稻叶片细胞的形态大小、形状、空间排列状态等进行定量和定性的测量和分析。通过智能化检测，比较不同水稻品种生长周期内叶片细胞形态学特征并量化其数据，可以评估不同品种之间的生长差异性，为水稻育苗和选育优良品种提供精准科学数据支撑。同时，水稻叶片细胞空间形态及其排列和环境适应性密切相关。通过对不同外部环境条件刺激下水稻叶片细胞形态的检测和分析，可以揭示水稻叶片细胞对温度、光照、水分等环境因素的形态学响应机制，从而深入了解水稻的生理生态特性。此外，水稻叶片细胞形态学与水稻的抗病害能力密切相关，形态特征在一定程度上直接影响水稻抵御生物胁迫的能力，通过对受感染的叶片细胞形态进行检测和比较，可以评估病害的发生进展及对水稻的生理活动影响程度，为病虫害的监测和防治提供依据。总之，水稻叶片细胞形态学检测指标量化数据在水稻育苗、生理生态研究和病虫害防治研究等方面发挥着重要的作用，能够为水稻的品种改良和种植环境优化提供科学依据。
[0003]目前在对水稻叶片细胞形态学的检测和分析都是通过人工完成，工作量巨大，且在不同观测条件下取得的水稻叶片细胞图像边界模糊，水稻叶片细胞之间相互粘连、堆叠，人眼分辨误差大，效率低，这些都给水稻叶片细胞分割及相关数据统计带来了困难。同时，水稻叶片细胞形态的检测和分析往往需要具有专业知识的人完成。因此，构建一种精确检测和分析水稻叶片细胞的算法，能为实验分析提供了有力的数据支持。近些年随着机器视觉的发展，新的水稻叶片细胞形态的检测和分析方法也随之出现。结合机器视觉的水稻叶片细胞形态的检测和分析方法能将水稻图像进行快速、准确的处理和分析，相较于传统的人工观测机器视觉能够实现大规模、自动化的数据采集以及分析，能大大提高工作效率。结合机器视觉的方法同样可以对水稻的形态特征进行高精度的提取以及分析。通过对水稻的叶片进行详细的图像处理以及特征提取，有利于实现精细化的育苗。同时，结合机器视觉的方法可以采集大量的水稻叶片细胞进行存储，形成数据库。这些数据可以用于长期的研究，指导未来的水稻育种、生理生态研究和病害防治研究等工作。

技术实现思路

[0004]为了克服水稻叶片细胞形态数据人工检测效率低，误差大，无法作为形态学指标量化数据的问题。为了实现通过水稻叶片细胞形态数据高效、高精度检测收集，协助研究不同品种水稻生长周期内叶片细胞形态学变化，进而分析育苗成效以及外部环境因素对水稻培育的影响。本专利技术提供了一种水稻叶片细胞形态学智能检测方法及装置，对水稻幼苗叶片细胞图像进行拍摄，同时采集并记录水稻幼苗所处的环境条件，使用深度学习网络对水
稻幼苗图像进行识别并分割，将水稻细胞的细胞形态分割出来，结合细胞形态学数据、环境数据对水稻全生长周期状态进行分析。
[0005]本专利技术是这样实现的，一种水稻叶片细胞形态学智能检测方法，包括以下步骤：步骤一：将水稻种子栽种在水稻育苗箱中，给定温度、湿度、光照环境培养水稻种子生长成水稻幼苗，记录下各种环境参数；步骤二：通过摄像模块拍摄水稻幼苗发育情况图像，取样水稻幼苗中间部位叶片，通过植物细胞观测装置观察并拍摄水稻叶片细胞原图；步骤三：对水稻叶片细胞原图进行标注，将标注的水稻叶片细胞原图扩充成训练数据集，训练数据集包含训练集、验证集和测试集；步骤四：使用改进的U
‑
Net网络作为生成器，同时使用一种二分类的判别器与生成器一同形成生成对抗网络(GAN)，通过生成对抗网络对水稻叶片细胞原图进行识别并分割，得到水稻叶片细胞生成图像；所述生成对抗网络包括判别器和由改进的U
‑
Net网络构建的生成器，所述改进的U
‑
Net网络由下采样路径和上采样路径共同构成U型网络结构，其中，下采样路径看作编码器，上采样路径看作解码器，解码器包含了上采样和反卷积操作；在U
‑
Net网络的基础上，将编码器的每个下采样中将原来的3
×
3卷积替换成残差块，在残差块后面加入Transformer模块；在解码器中，将U
‑
Net网络的跳跃连接替换成Transformer连接，只在最后一个上采样部分保留了跳跃连接部分；在Transformer模块中，将自注意力替换成多头选择性自注意力；步骤五：结合水稻叶片细胞生成图像、水稻幼苗发育情况图像和环境参数对水稻植株生长状况、抗病性和适应性进行分析。
[0006]进一步优选，将水稻叶片细胞原图输入到用改进的U
‑
Net网络构建的生成器中，经过特征提取以及上采样，分割得到水稻叶片细胞生成图像，水稻叶片细胞生成图像和水稻叶片细胞原图通道拼接得到生成图像对，标签为Fake:0，标签和水稻叶片细胞原图通道拼接得到的真图像对，标签为True:1,将生成图像对和真图像对输入判别器，随后判别器判别真假并获得判别误差；随后将判别误差反向传播用于优化判别器和生成器。
[0007]进一步优选，生成对抗网络生成器的损失函数为：；式中，为生成对抗网络生成器损失，是对抗任务损失，是分割任务损失，表示生成器，表示判别器，表示期望值，表示真实样本的分布，表示平滑损失，表示交叉熵损失，x、y表示真实样本，代表对抗损失和分割损失的平衡因子。
[0008]进一步优选，所述选择性自注意力（ChoiceAttention）计算过程如下：；其中，表示查询向量， 表示键向量，表示键向量的转置，表示学习到的信息向量，是上下文聚集矩阵，信息向量的维度为
，
上下文聚集矩阵的维度为，表
示键向量的向量维度，表示输入向量双线性插值后的维度，表示多头自注意力头的个数；在选择性自注意力的二维相对编码处，通过添加水稻叶片细胞图像相对高度和宽度信息来构成二维相对位置编码，其计算过程如下：；其中，为第i个细胞像素点，、分别为第i个细胞像素点的横、纵坐标，为第j个细胞像素点, 、分别为第j个细胞像素点的横、纵坐标，是第i个与第j个细胞像素点的相对位置编码，和分别是在低维投影后计算的第i个与第j个细胞像素点相对宽度和相对高度，是第j个细胞像素点的键向量，是第i个细胞像素点的查询向量的转置，加入二维相对位置编码后的选择性自注意力（LocChoiceAttention）计算过程如下：；其中，是细胞像素点相对高度上的值，是细胞像素点相对宽度上的值；多头选择性自注意力（MultiHead）的计算公式如下：；其中，为第m个检测头的选择性自注意力，为输出层，为第m个检测头的查询向量，为第m个检测头的键向量，为第m个检测头的值向量，将所有检测头拼接后进行一次线性变换，得到输出。
[0009]本专利技术提供的一种水稻叶片细胞形态学智能检测装置，包括水稻育苗箱、摄像模块、植物细胞观测装置和图像处理模块；所述水稻育苗箱中装有温湿度传感器、补光灯、光照度传感器和温控装置，在水稻育苗箱中对水稻进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水稻叶片细胞形态学智能检测方法，其特征在于，包括以下步骤：步骤一：将水稻种子栽种在水稻育苗箱中，给定温度、湿度、光照环境培养水稻种子生长成水稻幼苗，记录下各种环境参数；步骤二：通过摄像模块拍摄水稻幼苗发育情况图像，取样水稻幼苗中间部位叶片，通过植物细胞观测装置观察并拍摄水稻叶片细胞原图；步骤三：对水稻叶片细胞原图进行标注，将标注的水稻叶片细胞原图扩充成训练数据集，训练数据集包含训练集、验证集和测试集；步骤四：使用改进的U
‑
Net网络作为生成器，同时使用一种二分类的判别器与生成器一同形成生成对抗网络，通过生成对抗网络对水稻叶片细胞原图进行识别并分割，得到水稻叶片细胞生成图像；所述生成对抗网络包括判别器和由改进的U
‑
Net网络构建的生成器，所述改进的U
‑
Net网络由下采样路径和上采样路径共同构成U型网络结构，其中，下采样路径看作编码器，上采样路径看作解码器，解码器包含了上采样和反卷积操作；在U
‑
Net网络的基础上，将编码器的每个下采样中将原来的3
×
3卷积替换成残差块，在残差块后面加入Transformer模块；在解码器中，将U
‑
Net网络的跳跃连接替换成Transformer连接，只在最后一个上采样部分保留了跳跃连接部分；在Transformer模块中，将自注意力替换成多头选择性自注意力；步骤五：结合水稻叶片细胞生成图像、水稻幼苗发育情况图像和环境参数对水稻植株生长状况、抗病性和适应性进行分析。2.根据权利要求1所述的水稻叶片细胞形态学智能检测方法，其特征在于，将水稻叶片细胞原图输入到用改进的U
‑
Net网络构建的生成器中，经过特征提取以及上采样，分割得到水稻叶片细胞生成图像，水稻叶片细胞生成图像和水稻叶片细胞原图通道拼接得到生成图像对，标签为Fake:0，标签和水稻叶片细胞原图通道拼接得到的真图像对，标签为True:1,将生成图像对和真图像对输入判别器，随后判别器判别真假并获得判别误差；随后将判别误差反向传播用于优化判别器和生成器。3.根据权利要求1所述的水稻叶片细胞形态学智能检测方法，其特征在于，生成对抗网络生成器的损失函数为：；式中，为生成对抗网络生成器损失，是对抗任务损失，是分割任务损失，表示生成器，表示判别器，表示期望值，表示真实样本的分布，表示平滑损失，表示交叉熵损失，x，y表示真实样本,代表对抗损失和分割损失的平衡因子。4.根据权利要求1所述的水稻叶片细胞形态学智能检测方法，其特征在于，选择性自注意力计算过程如下：；
其中，表示选择性自注意力，表示查询向量， 表示键向量，表示键向量的转置，表示学习到的信息向量，是上下文聚集矩阵，信息向量的维度为，上下文聚集矩阵的维度为，表示键向量的向量维度，表示输入向量双线性插值后的维度，...

【专利技术属性】
技术研发人员：易文龙，张训胜，廖祥乐，戴仕明，殷华，徐亦璐，贾晶，
申请(专利权)人：江西农业大学，
类型：发明
国别省市：