【技术实现步骤摘要】
本专利技术属于计算机视觉及植物细胞检测的，尤其涉及一种基于深度学习的植物细胞检测方法。
技术介绍
1、近几年，深度学习在植物细胞目标检测领域取得了显著的进展；目前常用的yolo系列目标检测模型拥有强大的特征提取能力，可以帮助研究者更准确地捕捉植物细胞中的微妙特征和细节。然而，训练深度学习模型需要充足且高质量的训练数据；但是在植物细胞领域，公开的可训练数据集相对匮乏，同时数据集制作中的人工标注需要大量的时间和劳力成本，还会容易产生误差，这些问题限制了现有植物细胞目标检测模型的检测精度和速度。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的植物细胞检测方法，使用少量的时间与成本制作大型的高质量植物细胞数据集，基于深度学习模型，训练获得植物细胞检测模型，可以快速、准确的识别图像数据中的植物细胞，帮助研究者深入研究植物细胞的结构和形态。
2、为了达到上述目的，本专利技术提出一种基于深度学习的植物细胞检测方法，包括下述步骤：
3、s1、借助电子计算机断层扫描技术获得植物组织的连续切片ct图像，按照顺序递增的数字编号对每张ct图像进行命名，保存为tiff格式图像；
4、s2、将tiff格式的连续切片ct图像转换为jpg格式图像；
5、s3、使用图像处理软件对jpg格式的连续切片ct图像进行预处理；
6、s4、将预处理后的ct图像输入cellpose卷积神经网络中进行分割，输出图像中植物细胞的
7、s5、根据预处理后的ct图像读取对应轮廓txt文件中的点坐标，计算图像中植物细胞的最小外接矩形作为检测框，获得检测框的位置和尺寸生成检测框txt文件；
8、s6、将检测框txt文件转换为xml标注文件；
9、s7、将预处理后的ct图像与对应的xml标注文件进行数据增强，获得图像数据集；并将图像数据集按照设定比例划分为训练集、验证集及测试集；
10、s8、使用训练集和验证集对yolov5网络模型进行训练，得到最优的模型权重数据；所述yolov5网络模型由骨干网络、neck网络和head输出网络三部分组成；
11、s9、将最优的模型权重数据加载至yolov5网络模型，并将测试集输入模型进行性能检测，得到最终yolov5网络模型；
12、s10、将待检测的植物组织ct图像输入最终yolov5网络模型中进行植物细胞检测，得到检测结果。
13、作为优选的技术方案，所述获得植物组织的连续切片ct图像，具体为：
14、对植物组织的茎部进行取样得到目标植物组织样本；
15、利用显微ct扫描仪对目标植物组织样本进行扫描，得到高分辨率的连续切片ct图像；
16、按照扫描取样顺序递增的数字编号对每张ct图像进行命名，保存为tiff格式图像。
17、作为优选的技术方案，所述使用图像处理软件对jpg格式的连续切片ct图像进行预处理，包括：根据图像直方图调整图像的亮度和对比度；删除图像中的异常像素值；
18、所述轮廓txt文件中记录保存图像中每个单细胞轮廓的点坐标；每个单细胞轮廓由多个点坐标紧密相连，共同描述一个细胞的边界。
19、作为优选的技术方案，所述获得检测框的位置和尺寸生成检测框txt文件，具体为：
20、将预处理后的ct图像和对应的轮廓txt文件存入指定的目录路径中；
21、使用python和opencv导入os、cv2和numpy库，循环遍历每张预处理后的ct图像及其对应的轮廓txt文件，将点坐标数据转换为numpy数组；
22、调用cv2.boundingrect函数计算图像中植物细胞的最小外接矩形框，得到矩形框左上角的点坐标以及矩形框的宽度和高度；
23、根据计算得到的矩形框，调用cv2.rectangle函数在预处理后的ct图像上绘制矩形框作为检测框，并将检测框的坐标数据以其对应的图像名命名生成检测框txt文件。
24、作为优选的技术方案，所述将检测框txt文件转换为xml标注文件，具体为：
25、通过python中的os.listdir函数，获取检测框txt文件；
26、循环遍历每个检测框txt文件，按行读取数据，每行包含左上角和右下角点坐标数据，使用split函数分割并转换为整数；
27、使用xml.etree.elementtree库创建xml根节点，然后为每个检测框创建相应的xml子节点，得到xml树并保存为与检测框txt文件名相同的xml文件；所述xml子节点包括文件名、图像尺寸和检测框信息；所述xml文件遵循pascalvoc格式。
28、作为优选的技术方案，所述数据增强包括逆时针旋转、反转像素值、水平翻转、垂直翻转、增加对比度、增加亮度及同时增加对比度与亮度。
29、作为优选的技术方案，所述骨干网络为cspdarknet53网络，采用跨阶段局部网络结构csp进行特征提取；
30、所述neck网络由空间金字塔池化模块spp、特征金字塔fpn和路径聚合网络pan组成，执行一系列上采样、卷积及通道concatenation操作。
31、作为优选的技术方案，所述使用训练集和验证集对yolov5网络模型进行训练，具体为：
32、创建与yolov5网络模型相适应的image文件夹和label文件夹；所述image文件夹是用于存放图像数据集中图像文件的目录，所述label文件夹是用于储存图像数据集中标签文件的目录；所述image文件夹划分为img_train子文件夹和img_val子文件夹，分别用于存放训练集和验证集的图像数据；所述label文件夹划分为lab_train子文件夹和lab_val子文件夹，分别用于储存训练集和验证集的标签文件；
33、设置yolov5网络模型的初始参数；所述初始参数包括图像大小、batchsize、classes、epoch、初始学习率、交并比阈值及置信度阈值；
34、将训练集和验证集输入骨干网络中提取图像特征，输出三个不同尺度的特征图；
35、neck网络将三个不同尺度的特征图进行重采样并融合深层及浅层特征，输出三个不同尺度的融合特征图；
36、head输出网络通过非极大值抑制对三个不同尺度的融合特征图进行筛选得到预测框，同时与xml标注文件中的检测框进行比对，得到最优目标框；
37、迭代训练，通过反向传播算法更新模型参数，直至损失函数收敛或达到预设精度，得到最优模型权重数据。
38、作为优选的技术方案，所述图像大小设置为640*640，batchsize设置为10，classes为1，epoch设置为80，初始学习率为0.01，交并比阈值为0.45，置信度阈值为0.25；
39、所述yolov5网络模型训练的本文档来自技高网...
【技术保护点】
1.基于深度学习的植物细胞检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述获得植物组织的连续切片CT图像，具体为：
3.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述使用图像处理软件对jpg格式的连续切片CT图像进行预处理，包括：根据图像直方图调整图像的亮度和对比度；删除图像中的异常像素值；
4.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述获得检测框的位置和尺寸生成检测框txt文件，具体为：
5.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述将检测框txt文件转换为XML标注文件，具体为：
6.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述数据增强包括逆时针旋转、反转像素值、水平翻转、垂直翻转、增加对比度、增加亮度及同时增加对比度与亮度。
7.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述骨干网络为CSPDarknet53网络，采用跨阶段
8.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述使用训练集和验证集对YOLOv5网络模型进行训练，具体为：
9.根据权利要求8所述的基于深度学习的植物细胞检测方法，其特征在于，所述图像大小设置为640*640，batchsize设置为10，Classes为1，Epoch设置为80，初始学习率为0.01，交并比阈值为0.45，置信度阈值为0.25；
10.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述性能测试采用查准率、查全率和平均精度均值进行评估；
...【技术特征摘要】
1.基于深度学习的植物细胞检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述获得植物组织的连续切片ct图像，具体为：
3.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述使用图像处理软件对jpg格式的连续切片ct图像进行预处理，包括：根据图像直方图调整图像的亮度和对比度；删除图像中的异常像素值；
4.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述获得检测框的位置和尺寸生成检测框txt文件，具体为：
5.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述将检测框txt文件转换为xml标注文件，具体为：
6.根据权利要求1所述的基于深度学习的植物细胞检测方法，其特征在于，所述数据增强包括逆时针旋转、...
【专利技术属性】
技术研发人员：刘昌余，程紫薇，郑晶晶，裴嘉薇，王瀚升，周雪，廖颖娱，吴春胤，李文熹，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。