卷积神经网络流程图_基于卷积神经网络的叶片气孔自动计数方法

最新推荐文章于 2022-09-04 20:42:34 发布

weixin_39561431

最新推荐文章于 2022-09-04 20:42:34 发布

阅读量334

点赞数

文章标签：卷积神经网络流程图

本文链接：https://blog.csdn.net/weixin_39561431/article/details/111362098

版权

本文提出了一种基于深卷积神经网络的植物叶片气孔自动分割及参数计算方法，利用Mask R-CNN模型获得气孔区域轮廓，通过椭圆拟合技术计算解剖参数。在黑杨叶片显微图像数据集上进行测试，检测精度达96.6%，平均IoU为0.82。该方法能有效帮助研究者高效获取叶片气孔信息。

摘要由CSDN通过智能技术生成

点击蓝色字免费订阅，每天收到这样的好资讯

本文提出了一种基于深卷积神经网络的植物叶片显微图像气孔自动分割及参数计算方法，植物表型资讯介绍如下。

气孔是植物表皮上的微孔，可调节叶片水分和二氧化碳含量。因此，它们在植物的生长发育中起着重要作用。目前常用的孔隙解剖参数测量方法大多采用人工测量或半自动分析技术，难以实现高通量和自动化处理。本文提出了一种基于深卷积神经网络的植物叶片显微图像气孔自动分割及参数计算方法。该方法利用一种卷积神经网络模型(Mask R-CNN)来获得叶片显微图像中孔隙区域的轮廓坐标。利用椭圆拟合技术得到孔隙的解剖参数，并对孔隙参数进行定量分析。利用大深度显微镜观测系统，获得黑杨叶片气孔显微图像数据集。训练集、验证集和测试集中使用的图像是从数据集中随机抽取的(分别是562、188和188张图像)。

收集的黑杨树图像示例

经过10倍交叉验证后，发现188个测试图像平均包含2278个孔(孔宽度小于0.34μm(1.65像素)被认为是闭合的气孔)，通过我们的网络检测到平均2201个孔，检测精度为96.6％，孔的结合点(IoU)为0.82。对2201个黑杨叶片气孔的分割结果表明，气孔长度、气孔宽度、气孔面积、气孔偏心率和气孔开度的平均测量精度分别为(a)94.66%，(b)93.54%，(c)90.73%，(d)99.09%和(e)92.95%。

所提出方法的模型流程图

(a)–(d)是分割结果的示例

综上所述，本文提出的基于Mask R-CNN的气孔检测与测量方法，可以自动测量植物气孔的解剖参数，帮助研究者高效、简便地获取叶片准确的气孔信息。

气孔孔径与测量误差之间的关系

来源：

Song W, Li J, Li K, et al. An Automatic Method for Stomatal Pore Detection and Measurement in Microscope Images of Plant Leaf Based on a Convolutional Neural Network Model. Forests 2020, 11(9), 954; https://doi.org/10.3390/f11090954.