CN116129096B 一种马铃薯根系长度的数字化测量系统及其测量方法 （内蒙古农业大学）

一种马铃薯根系长度的数字化测量系统及图像采集装置。数据处理装置包括数据采集模示的根系长度和像素转换系数计算出真实的根2述图像分割模块中包含一个用于识别根系样本并对识别出的根系样本进行分割的图像分本图像的拍摄信息查询得到对应的像素转换系数B；所述长度计算模块用于先通过所述图像分割网络选择引入编码器一解码器结构的DeepLabV3+网络模型作为基础模型，并将基础模型中的主干网络Xception替换为MobileNetV2网络；网络模型中，采用CARAFE上采样模块替换基础网络中的Upsampleby4上采样模块，对编码器输出的高层次S1：选择待测马铃薯植株的真实根系样本，3S3：采用数据集扩增方法对样本数据集中的样本图S52：预设训练过程中的训练参数设置如下：采用动态学习率，将初始学习率值设为每轮训练前充数据集中的样本图像顺序重新进行随机排（4）根据相邻厘米标记之间的中间间隔值Di与图4的马铃薯根系的数字化测量系统即为采用所述马铃薯根系长度的数字化测量方法的思路S02A：基于深度学习技术设计一个用于从采集到的S03A：通过图像采集设备以不同拍摄参数拍摄所述像素转换系数为图像采集设备采用不同拍摄S05A：将样本图像输入到所述图像分割网络中S06A：采用Hilditch细化算法对获取的根系局部图5[0003]在土壤剖面中，根系构型是由根系系统的遗传结构和土壤环境因素共同决定[0008]一种马铃薯根系长度的数字化测量系统，其包括图像采集装置和数据处理装6采集背景板上的待测目标的样本图像，补光灯用于在相机拍摄过程中提供均匀的环境光设有用于表征相机在不同拍摄状态下得到的样本图像中像素与真实尺度间的映射关系的[0011]作为本发明进一步的改进，图像分割网络选择引入编码器一解码器结构的DeepLabV3+网络模型作为基础模型，并将基础模型中的主干网络Xception替换为低层次特征和编码器的特征连接层后分别增加一个CBAM注意力机7[0018]S5：采用预标注的训练集中的样本图像对设计出的每轮训练前充数据集中的样本图像顺序重新进行随机排[0025]作为本发明进一步的改进，步骤S3中采用的数据集扩增方法包括图像旋转处理、[0029](3)通过拉东变换获得厘米标记在直尺上的水平投影，最后在此投影上确定连相[0030](4)根据相邻厘米标记之间的中间间隔值Di与图像中像素之间的对应关系，计算8装置还运行有一个人机交互系统，数字化测量系统通过人机交互系统与操作人员进行交测试图像中的物像比计算出图像采集设备在不同拍9[0053]图1为本发明实施例1中提供的一种马铃薯根系长度的数字化测量方法的步骤流[0054]图2为本发明实施例2中提供的一种马铃薯根系长度的数字化测量系统的结构示[0059]图7为本发明实施例2中改进后的图像分割网络中采用的CBAM注意力机制功能模[0070]图18为性能测试阶段包含主根和侧根的复杂根系的样本图像经图像分割网络处[0071]图19性能测试阶段利用Hilditch细化算法对分割出的根系局部图像进行喜欢处[0072]图20为本发明实施例2中的数字化测量方案与手动测量方案的测量精度拟合曲测试图像中的物像比计算出图像采集设备在不同拍采集背景板上的待测目标的样本图像，补光灯用于在相机拍摄过程中提供均匀的环境光[0092]在本实施例设计的数据处理装置中，数据采集模块用于获取相机拍摄的样本图据数据采集模块提取到的样本图像的拍摄信息查询得到对应的像素转换系数B。长度计算(Encoder_Decoder)结构，同时将空洞空间金字塔池化(AtrousSpatialPyramid[0094]DeepLabv3+语义分割网络整体架构分为编码器(Encoder)和解码器(Decoder)两的空洞卷积对深层的特征图进行语义信息提取，在通过一个1×1卷积层进行通道数的调网络模型在马铃薯根系分割中图像分割精度和数据处理速率。改进后的网络模型则如图6采用CARAFE上采样模块替换基础网络中的Upsampleby4上采样模块，对编码器输出的高可以利用底层内容信息来预测重组核并在预定义的附近区块关注图像的哪些特征更有意义，而空间注意力模块重点关注哪个区域的特征更有意义。[0110]MobileNetV2网络模型在使用深度可分离卷积的基础上引入了倒置残差模块和线×3深度卷积和ReLU6激活函数得到相同维度的特征，以防止非线性层破坏过多的特征信提取的原始特征送入CBAM模块，经过相同处理后得到包含多尺度上下文信息的浅层特征。像中马铃薯根系部分进行准确分割。每轮训练前充数据集中的样本图像顺序重新进行随机排[0124]在图像分割网络的训练阶段，步骤S3中采用的数据集扩增方法包括图像旋转处[0125]图9为对原始图像进行一系列的镜像和旋转处理的案例图像。图9中a部分是原始[0126]图10是对原始图像进行一系列的图像增强处理的案例图像。图10中a部分是原始[0131](4)根据相邻厘米标记之间的中间间隔值Di与图像中像素之间的对应关系，计算过人机交互系统与操作人员进行交互，以实现由技术人员操纵数字化测量系统的运行过察右中旗和四子王旗采集的大马铃薯的根系作为样本，采集样本图像进行网络模型的训[0143]本实验中搭建的简易的马铃薯根系图像采集装置主要由高清摄像机、笔记本电[0145]本实验中搭建的数据处理装置以图像采集装置中的笔记本电脑为数据处理的硬[0148]为采集马铃薯的根系样本，技术人员在实验田中随机挖取若干个面积为180cm×不同的样本图像。以上数据作为对数据处理装置中的图像分割网络进行训练的原始数据[0154]本实验利用Labelme图像标记工具对马铃薯根系特征部位进行标注，以便图像分将标注获得的json文件数据转换成VOC2007格式，该格式的数据集包括三个部分：[0155]ImageSets文件中的Segmentation下存放三个子文件，分别为表示训练集的train.txt文件、验证集的val.txt文件和训练验证集汇总的trainval.txt文件。[0158]利用均交并比(meanintersectionoverunion，mIoU)来评估分割模型性能。NVIDIAQuadroP6000显卡、24GB显存的深度学习工作站对分割模型进行训练。采用[0167]将初始学习率值设为0.1，批次大小(batchsize)设置为16，训练60个世代[0172]为了验证本实验中设计的基于DeepLabV3+改进的图像分割网络中特征提取网络例采用的MobileNetV2的MIoU可达到92.17较ResNet50提高了2.79个百分点。从模型分[0180]此外，在其他条件均保持一致的前提下，本实验还计算了本例模型与标准的93.52较标准DeepLabv3+模型