CN113673396A - 一种孢子发芽率计算方法、装置及存储介质 - Google Patents
一种孢子发芽率计算方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113673396A CN113673396A CN202110914071.2A CN202110914071A CN113673396A CN 113673396 A CN113673396 A CN 113673396A CN 202110914071 A CN202110914071 A CN 202110914071A CN 113673396 A CN113673396 A CN 113673396A
- Authority
- CN
- China
- Prior art keywords
- image set
- image
- spore
- segmentation
- spore germination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004763 spore germination Effects 0.000 title claims abstract description 101
- 238000004364 calculation method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000035784 germination Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 19
- 230000000877 morphologic effect Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000003628 erosive effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种孢子发芽率计算方法、装置及存储介质，包括：获取待分类图像，通过对待分类图像进行模糊化计算判断待分类图像是否需要去模糊；若是，将待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将待分类图像进行数据分割得到第一分割图像集；将第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。本发明实施能够有效消除孢子图像处理过程中产生的干扰，从而提高孢子发芽状态检测精度以及孢子发芽率的计算精度。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种孢子发芽率计算方法、装置及存储介质。
背景技术
基于深度学习的图像处理方法是近年来最为流行的图像处理方法，其能够有效从大量数据中自主提取目标特征，并解决计算机视觉领域的诸多问题，如图像识别、语义分割、图像分类等，因此，也有越来越多其他领域的研究者开始应用并解决各类问题。图像处理神经网络从最早的AlexNet，到之后的VGG、ResNet，再到之后的Inception、DenseNet等，使其一步步的在常规的自然图像处理中能够极为有效的进行分类识别。但在这之中，大多数方法都需要建立庞大的图像集，并进行人为的标签说明，以区分出其类别或者位置。而在微生物的识别和检测上，早期因受限于图像处理技术，多数的分类识别均需要人工进行观察判断，因此准确性会大大降低，且时间成本也较高。当前有各类基于深度学习的方法，其大多数是基于常用的网络模型进行模型迁移或者结合其他方法配合使用的，因此大多数泛用性较低，很难直接应用于各类场景。现有的孢子发芽率计算方法在孢子的图像处理过程中易产生各类的干扰，导致孢子发芽率的计算精度较低。
发明内容
本发明提供了一种孢子发芽率计算方法、装置及存储介质，以解决现有的孢子发芽率计算方法在对孢子图像处理过程中容易产生干扰，导致孢子发芽率的计算精度较低的问题。
本发明的第一实施例提供了一种孢子发芽率计算方法，包括：
获取待分类图像，通过对所述待分类图像进行模糊化计算判断所述待分类图像是否需要去模糊；若是，将所述待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将所述待分类图像进行数据分割得到第一分割图像集；
将所述第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据所述分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，所述孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
进一步的，所述进行分割得到第一分割图像集，具体包括：
对所述待分类图像进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
对所述二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
采用圆检测手段记录所述孢子轮廓图像集在所述整合图像集中的位置坐标；
基于所述位置坐标对孢子进行分割得到第一分割图像集。
进一步的，所述去模糊模型的构建方法包括：
获取原始孢子图像集，在所述原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集；所述预处理图像集包括聚焦清楚的第一图像集和聚焦模糊的第二图像集；
对所述第一图像集和所述第二图像集进行分割得到分割图像对，根据所述分割图像对构建自编码器网络，并通过对所述自编码器网络进行训练构建得到去模糊模型。
进一步的，所述分类模型的构建方法包括：
利用所述去模糊模型对所述第二图像集进行去模糊处理，得到所述第二图像集对应的去模糊图像集。
将所述第一图像集与所述去模糊图像集整合得到整合图像集；
对所述整合图像集进行分割处理得到第二分割图像集；
对所述第二分割图像集进行分类得到孢子发芽状态的分类图像集，根据所述分类图像集构建分类网络，通过对所述分类网络进行训练构建分类模型。
进一步的，所述获取原始孢子图像集，在所述原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集，具体包括：
获取原始孢子图像集，采用对比图像方差的方式筛选掉所述原始孢子图像集中不存在孢子的图像，并将筛选后的图像集的亮度提升为相同值，得到预处理图像集。
进一步的，所述对所述第一图像集和所述第二图像集进行分割得到分割图像对，具体包括：
对所述第一图像集和第二图像集进行相同比例的分割，并将分割后图像中完全没有孢子的图像去除，得到分割图像对。
进一步的，所述对所述整合图像集进行分割处理得到第二分割图像集，具体为：
对所述整合图像集进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
对所述二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
采用圆检测手段记录所述孢子轮廓图像集在所述整合图像集中的位置坐标；
基于所述位置坐标对孢子进行分割得到第二分割图像集。
进一步的，所述分类网络为VGG分类网络。
本发明的第二实施例提供了一种孢子发芽率计算装置，包括：
数据分割模块，用于获取待分类图像，通过对所述待分类图像进行模糊化计算判断所述待分类图像是否需要去模糊；若是，则将所述待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将所述待分类图像进行数据分割得到第一分割图像集；
发芽率计算模块，用于将所述第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据所述分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，所述孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
本发明的第三实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的孢子发芽率计算方法。
本发明实施例中通过去模糊模型对待分类图像进行去模糊处理，并对待分类图像进行分割后代入至分类模型中根据孢子发芽状态进行分类，采用模型分析的方式相比于人工检测能够有效提高分类的精度和速度，从而能够有效提高孢子发芽率计算的精度和速度，且本发明实施例基于位置坐标对孢子进行形态学的分割处理，无需在原图像内进行语义标注，极大的减少了前期数据集的准备时间以及提高算法的准确性；本发明实施例对于因器皿表面不平而导致的相对聚焦模糊的图像具有较强的鲁棒性，能够有效避免在图像获取以及识别过程中的干扰以及反复聚焦的情况，从而能够有效提高孢子发芽状态的分类精度以及孢子发芽率的计算精度。
附图说明
图1是本发明实施例提供的孢子发芽率计算方法的流程示意图；
图2是本发明实施例提供的一种去模糊处理效果示意图；
图3是本发明实施例提供的第一分类结果示意图；
图4是本发明实施例提供的第二分类结果示意图；
图5是本发明实施例提供的第三分类结果示意图；
图6是本发明实施例提供的孢子发芽率计算装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
请参阅图1-5，在本发明的第一实施例中，提供了如图1所示的一种孢子发芽率计算方法，包括：
S1、获取待分类图像，通过对待分类图像进行模糊化计算判断待分类图像是否需要去模糊；若是，将待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将待分类图像进行数据分割得到第一分割图像集；
S2、将第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
在本发明实施例中，通过去模糊模型对待分类图像进行去模糊处理，并对待分类图像进行分割后代入至分类模型中根据孢子发芽状态进行分类，采用模型分析的方式相比于人工检测能够有效提高分类的精度和速度，从而能够有效提高孢子发芽率计算的精度和速度；本发明实施例对于因器皿表面不平而导致的相对聚焦模糊的图像具有较强的鲁棒性，能够有效避免在图像获取以及识别过程中反复聚焦的情况，从而能够有效提高孢子发芽状态的分类精度以及孢子发芽率的计算精度。
作为本发明实施的一种具体实施方式，进行分割得到第一分割图像集，具体包括：
对待分类图像进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
本发明实施例通过对待分类图像进行灰度处理、滤波处理和局部自阈值化处理能够有效去除图像中的噪声以及微小杂质等。
对二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；该孢子轮廓图像集能够显示完整的孢子轮廓，根据该孢子轮廓图像集能够确定在图像中孢子的位置，从而能够为后续的分割提供准确依据，有利于提高分割效果。
采用圆检测手段记录孢子轮廓图像集在整合图像集中的位置坐标；
基于位置坐标对孢子进行分割得到第一分割图像集。
本发明实施例在待分类图像进行去模糊处理后，以及在将该待分类图像代入至分类模型进行分类之前，对待分类图像进行分割处理得到第一分割图像集，以提高分类模型对第一分割图像集进行分类的准确性。
本发明实施例基于位置坐标对孢子进行形态学的分割处理，无需在原图像内进行语义标注，极大的减少了前期数据集的准备时间以及提高算法的准确性，且通过去模糊处理使得整体算法对于散焦等情况的图像具有更好的泛用性。
作为本发明实施的一种具体实施方式，去模糊模型的构建方法包括：
获取原始孢子图像集，在原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集；预处理图像集包括聚焦清楚的第一图像集和聚焦模糊的第二图像集；
对第一图像集和第二图像集进行分割得到分割图像对，根据分割图像对构建自编码器网络，并通过对自编码器网络进行训练构建得到去模糊模型。
原始孢子图像集中包括了聚焦清楚的图像集和聚焦模糊的图像集，本发明实施例在对原始孢子图像集进行预处理后，通过图像分割得到分割图像对，并根据该分割图像对构建去模糊模型，使得该去模糊模型能够有效去除图像中的模糊，提高图像的清晰度，从而能够有效提高分类模型对图像中孢子发芽状态的识别效果。
本发明实施例通过构建去模糊模型对图像进行去模糊处理，能够有效解决图像中孢子上下不平整导致的部分聚焦清楚，部分模糊的状态，在对图像进行去模糊处理后进行分类，能够有效提高孢子发芽状态的分类效果以及孢子发芽率的计算精度。
作为本发明实施的一种具体实施方式，分类模型的构建方法包括：
利用去模糊模型对第二图像集进行去模糊处理，得到第二图像集对应的去模糊图像集。
将第一图像集与去模糊图像集整合得到整合图像集；
对整合图像集进行分割处理得到第二分割图像集；
对第二分割图像集进行分类得到孢子发芽状态的分类图像集，根据分类图像集构建分类网络，通过对分类网络进行训练构建分类模型。
请参阅图2，为本发明实施例提供的去模糊处理效果示意图。
可选地，本发明实施例中的分类模型弃了原模型中末尾的池化层和四个卷积层，能够针对孢子图像的特点以及类别限制，避免分割出来的图像较小，过多的池化层容易使得特征难以提取的情况，同时降低了计算成本，并且使用LeakyRelu激活函数替代原Relu激活函数；在模型训练技巧方面，使用ADAM优化方式，并采取衰减式学习率方法以及预训练策略使模型加速收敛。
在本发明实施例中，可以通过人工对对第二分割图像集进行分类得到孢子发芽状态的分类图像集，也可以通过设备依据预设的标准对第二分割图像集进行分类得到孢子发芽状态的分类图像集。在一种具体的实施方式中，分类图像集三类，分别为：发芽孢子数据集、未发芽孢子数据集和其他数据集。
作为本发明实施的一种具体实施方式，获取原始孢子图像集，在原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集，具体包括：
获取原始孢子图像集，采用对比图像方差的方式筛选掉原始孢子图像集中不存在孢子的图像，并将筛选后的图像集的亮度提升为相同值，得到预处理图像集。
作为本发明实施的一种具体实施方式，对第一图像集和第二图像集进行分割得到分割图像对，具体包括：
对第一图像集和第二图像集进行相同比例的分割，并将分割后图像中完全没有孢子的图像去除，得到分割图像对。
作为本发明实施的一种具体实施方式，对整合图像集进行分割处理得到第二分割图像集，具体为：
对整合图像集进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
对二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
采用圆检测手段记录孢子轮廓图像集在整合图像集中的位置坐标；
基于位置坐标对孢子进行分割得到第二分割图像集。
作为本发明实施的一种具体实施方式，分类网络为VGG分类网络。
本发明实施例提供了一种具体的实施例子，具体为：收集原始的孢子图像，有聚焦清楚的图像数据集P，和其对应的聚焦模糊的图像数据集B。
图像的预处理：
步骤一：对原始图像P，B进行筛选，通过对比图像方差剔除掉没有孢子的图像，得到P1，B1。
步骤二：将图像集P1，B1提升到相同亮度，形成图像集P2，B2。
图像处理及训练过程：
去模糊阶段：
步骤三：对P2，B2进行相同比例的分割得到P3，B3数据集。
步骤四：去除掉完全无孢子的分割图像得到P4，B4数据集。
步骤五：利用P4，B4的图像对构建自编码器网络，训练得到去模糊模型M1。
步骤六：将B4完全带入到模型M1中，得到去模糊化的数据集F1。
分类阶段：
步骤七：将P2，F1数据集整合在一起，记为P21。
步骤八：对P21进行灰度化处理得到灰度图像集G1
步骤九：对G1进行滤波处理，去除掉噪声点及一些图像中的微小杂质，得到G2。
步骤十：对G2进行局部自适应阈值化处理，得到二值图像集G3。
步骤十一：将G3进行形态学的腐蚀膨胀，以得到较清晰完整的孢子轮廓图像集G4。
步骤十二：对G4采取圆检测手段，并记录其在图像中的位置坐标T。
步骤十三：基于孢子图像集P21中的位置坐标T，将检测出的孢子进行分割得到数据集P3。
步骤十四：将数据集P3进行人工分类，建立三种分类集，包括：发芽孢子数据集、未发芽孢子数据集和其他数据集。
步骤十五：对三种分类数据集构建VGG分类网络，训练后得到模型M2。
待测图像处理：
步骤十六：待测图像A先进行模糊化计算，判定是否需要去模糊，若需要先代入去模糊模型，之后按照分类阶段中步骤八到步骤十三进行处理得到已分割数据集A1；若不需要则直接按照步骤八到步骤十三得到分割图像集A1。
步骤十七：将待测图像集A1带入模型M2中，得到三种分类后的数据集，并计算最终的发芽率。
实验结果：
针对已采集的孢子图像集进行试验
实验数据集情况如下表1所示：
表1：实验数据集
请参阅表1,各个样本间的数量为同种孢子不同时间段的样本，多时间段的样本可以为模型提供良好的泛化性，对前七个样本进行合并作为训练集，共1023张图片；后六个样本作为测试集，共789张图片。
对训练集进行预处理后，按照标准过程进行分割后，共6199张已分割好的孢子图像，将其中判定模糊的图像进行去模糊训练后合并，并对其进行常规的数据增强，即镜像、旋转等图像处理方法，得到18597张图像，随后代入到模型进行分类训练。
将测试集按照相同模式处理后分别带入到去模糊模型与分类模型中进行测试，结果如下表2所示：
请参阅表2，上述测试中模型的结果与人工判断基本一致。
实施本发明实施例，具有以下有益效果：
本发明实施例中通过去模糊模型对待分类图像进行去模糊处理，并对待分类图像进行分割后代入至分类模型中根据孢子发芽状态进行分类，采用模型分析的方式相比于人工检测能够有效提高分类的精度和速度，从而能够有效提高孢子发芽率计算的精度和速度，且本发明实施例基于位置坐标对孢子进行形态学的分割处理，无需在原图像内进行语义标注，极大的减少了前期数据集的准备时间以及提高算法的准确性；本发明实施例对于因器皿表面不平而导致的相对聚焦模糊的图像具有较强的鲁棒性，能够有效避免在图像获取以及识别过程中反复聚焦的情况，从而能够有效提高孢子发芽状态的分类精度以及孢子发芽率的计算精度。
请参阅图6，本发明的第二实施例提供了一种孢子发芽率计算装置，包括：
数据分割模块，用于获取待分类图像，通过对待分类图像进行模糊化计算判断待分类图像是否需要去模糊；若是，则将待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将待分类图像进行数据分割得到第一分割图像集；
发芽率计算模块，用于将第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
在本发明实施例中，通过去模糊模型对待分类图像进行去模糊处理，并对待分类图像进行分割后代入至分类模型中根据孢子发芽状态进行分类，采用模型分析的方式相比于人工检测能够有效提高分类的精度和速度，从而能够有效提高孢子发芽率计算的精度和速度；本发明实施例对于因器皿表面不平而导致的相对聚焦模糊的图像具有较强的鲁棒性，能够有效避免在图像获取以及识别过程中反复聚焦的情况，从而能够有效提高孢子发芽状态的分类精度以及孢子发芽率的计算精度。
作为本发明实施的一种具体实施方式，进行分割得到第一分割图像集，具体包括：
对待分类图像进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
本发明实施例通过对待分类图像进行灰度处理、滤波处理和局部自阈值化处理能够有效去除图像中的噪声以及微小杂质等。
对二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；该孢子轮廓图像集能够显示完整的孢子轮廓，根据该孢子轮廓图像集能够确定在图像中孢子的位置，从而能够为后续的分割提供准确依据，有利于提高分割效果。
采用圆检测手段记录孢子轮廓图像集在整合图像集中的位置坐标；
基于位置坐标对孢子进行分割得到第一分割图像集。
本发明实施例在待分类图像进行去模糊处理后，以及在将该待分类图像代入至分类模型进行分类之前，对待分类图像进行分割处理得到第一分割图像集，以提高分类模型对第一分割图像集进行分类的准确性。
本发明实施例基于位置坐标对孢子进行形态学的分割处理，无需在原图像内进行语义标注，极大的减少了前期数据集的准备时间以及提高算法的准确性，且通过去模糊处理使得整体算法对于散焦等情况的图像具有更好的泛用性。
作为本发明实施的一种具体实施方式，去模糊模型的构建方法包括：
获取原始孢子图像集，在原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集；预处理图像集包括聚焦清楚的第一图像集和聚焦模糊的第二图像集；
对第一图像集和第二图像集进行分割得到分割图像对，根据分割图像对构建自编码器网络，并通过对自编码器网络进行训练构建得到去模糊模型。
原始孢子图像集中包括了聚焦清楚的图像集和聚焦模糊的图像集，本发明实施例在对原始孢子图像集进行预处理后，通过图像分割得到分割图像对，并根据该分割图像对构建去模糊模型，使得该去模糊模型能够有效去除图像中的模糊，提高图像的清晰度，从而能够有效提高分类模型对图像中孢子发芽状态的识别效果。
本发明实施例通过构建去模糊模型对图像进行去模糊处理，能够有效解决图像中孢子上下不平整导致的部分聚焦清楚，部分模糊的状态，在对图像进行去模糊处理后进行分类，能够有效提高孢子发芽状态的分类效果以及孢子发芽率的计算精度。
作为本发明实施的一种具体实施方式，分类模型的构建方法包括：
利用去模糊模型对第二图像集进行去模糊处理，得到第二图像集对应的去模糊图像集。
将第一图像集与去模糊图像集整合得到整合图像集；
对整合图像集进行分割处理得到第二分割图像集；
对第二分割图像集进行分类得到孢子发芽状态的分类图像集，根据分类图像集构建分类网络，通过对分类网络进行训练构建分类模型。
请参阅图2，为本发明实施例提供的一种去模糊处理效果示意图。
可选地，本发明实施例中的分类模型弃了原模型中末尾的池化层和四个卷积层，能够针对孢子图像的特点以及类别限制，避免分割出来的图像较小，过多的池化层容易使得特征难以提取的情况，同时降低了计算成本，并且使用LeakyRelu激活函数替代原Relu激活函数；在模型训练技巧方面，使用ADAM优化方式，并采取衰减式学习率方法以及预训练策略使模型加速收敛。
在本发明实施例中，可以通过人工对对第二分割图像集进行分类得到孢子发芽状态的分类图像集，也可以通过设备依据预设的标准对第二分割图像集进行分类得到孢子发芽状态的分类图像集。在一种具体的实施方式中，分类图像集三类，分别为：发芽孢子数据集、未发芽孢子数据集和其他数据集。
作为本发明实施的一种具体实施方式，获取原始孢子图像集，在原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集，具体包括：
获取原始孢子图像集，采用对比图像方差的方式筛选掉原始孢子图像集中不存在孢子的图像，并将筛选后的图像集的亮度提升为相同值，得到预处理图像集。
作为本发明实施的一种具体实施方式，对第一图像集和第二图像集进行分割得到分割图像对，具体包括：
对第一图像集和第二图像集进行相同比例的分割，并将分割后图像中完全没有孢子的图像去除，得到分割图像对。
作为本发明实施的一种具体实施方式，对整合图像集进行分割处理得到第二分割图像集，具体为：
对整合图像集进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
对二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
采用圆检测手段记录孢子轮廓图像集在整合图像集中的位置坐标；
基于位置坐标对孢子进行分割得到第二分割图像集。
作为本发明实施的一种具体实施方式，分类网络为VGG分类网络。
实施本发明实施例，具有以下有益效果：
本发明实施例中通过去模糊模型对待分类图像进行去模糊处理，并对待分类图像进行分割后代入至分类模型中根据孢子发芽状态进行分类，采用模型分析的方式相比于人工检测能够有效提高分类的精度和速度，从而能够有效提高孢子发芽率计算的精度和速度，且本发明实施例基于位置坐标对孢子进行形态学的分割处理，无需在原图像内进行语义标注，极大的减少了前期数据集的准备时间以及提高算法的准确性；本发明实施例对于因器皿表面不平而导致的相对聚焦模糊的图像具有较强的鲁棒性，能够有效避免在图像获取以及识别过程中反复聚焦的情况，从而能够有效提高孢子发芽状态的分类精度以及孢子发芽率的计算精度。
本发明的第三实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如上述的孢子发芽率计算方法。
以上是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种孢子发芽率计算方法，其特征在于，包括：
获取待分类图像，通过对所述待分类图像进行模糊化计算判断所述待分类图像是否需要去模糊；若是，将所述待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将所述待分类图像进行数据分割得到第一分割图像集；
将所述第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据所述分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，所述孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
2.如权利要求1所述的孢子发芽率计算方法，其特征在于，所述进行分割得到第一分割图像集，具体包括：
对所述待分类图像进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
对所述二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
采用圆检测手段记录所述孢子轮廓图像集在所述整合图像集中的位置坐标；
基于所述位置坐标对孢子进行分割得到第一分割图像集。
3.如权利要求1所述的形态学和深度学习的孢子发芽率计算方法，其特征在于，所述去模糊模型的构建方法包括：
获取原始孢子图像集，在所述原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集；所述预处理图像集包括聚焦清楚的第一图像集和聚焦模糊的第二图像集；
对所述第一图像集和所述第二图像集进行分割得到分割图像对，根据所述分割图像对构建自编码器网络，并通过对所述自编码器网络进行训练构建得到去模糊模型。
4.如权利要求3所述的形态学和深度学习的孢子发芽率计算方法，其特征在于，所述分类模型的构建方法包括：
利用所述去模糊模型对所述第二图像集进行去模糊处理，得到所述第二图像集对应的去模糊图像集。
将所述第一图像集与所述去模糊图像集整合得到整合图像集；
对所述整合图像集进行分割处理得到第二分割图像集；
对所述第二分割图像集进行分类得到孢子发芽状态的分类图像集，根据所述分类图像集构建分类网络，通过对所述分类网络进行训练构建分类模型。
5.如权利要求3所述的孢子发芽率计算方法，其特征在于，所述获取原始孢子图像集，在所述原始孢子图像集中筛选掉不存在孢子的图像，得到预处理图像集，具体包括：
获取原始孢子图像集，采用对比图像方差的方式筛选掉所述原始孢子图像集中不存在孢子的图像，并将筛选后的图像集的亮度提升为相同值，得到预处理图像集。
6.如权利要去3所述孢子发芽率计算方法，其特征在于，所述对所述第一图像集和所述第二图像集进行分割得到分割图像对，具体包括：
对所述第一图像集和第二图像集进行相同比例的分割，并将分割后图像中完全没有孢子的图像去除，得到分割图像对。
7.如权利要求4所述的孢子发芽率计算方法，其特征在于，所述对所述整合图像集进行分割处理得到第二分割图像集，具体为：
对所述整合图像集进行灰度处理、滤波处理和局部自阈值化处理得到二值图像集；
对所述二值图像集进行形态学的腐蚀膨胀得到孢子轮廓图像集；
采用圆检测手段记录所述孢子轮廓图像集在所述整合图像集中的位置坐标；
基于所述位置坐标对孢子进行分割得到第二分割图像集。
8.如权利要求4所述的孢子发芽率计算方法，其特征在于，所述分类网络为VGG分类网络。
9.一种孢子发芽率计算装置，其特征在于，包括：
数据分割模块，用于获取待分类图像，通过对所述待分类图像进行模糊化计算判断所述待分类图像是否需要去模糊；若是，则将所述待分类图像代入到预设的去模糊模型中进行模糊化处理后，进行数据分割得到第一分割图像集；若否，则将所述待分类图像进行数据分割得到第一分割图像集；
发芽率计算模块，用于将所述第一分割图像集代入到预设的分类模型中，得到孢子发芽状态的分类数据集，根据所述分类数据集中发芽孢子数据集的占比计算得到孢子发芽率，其中，所述孢子发芽状态的分类数据集包括发芽孢子数据集、未发芽孢子数据集和其他数据集。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8任意一项所述的孢子发芽率计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914071.2A CN113673396A (zh) | 2021-08-10 | 2021-08-10 | 一种孢子发芽率计算方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110914071.2A CN113673396A (zh) | 2021-08-10 | 2021-08-10 | 一种孢子发芽率计算方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113673396A true CN113673396A (zh) | 2021-11-19 |
Family
ID=78542132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110914071.2A Pending CN113673396A (zh) | 2021-08-10 | 2021-08-10 | 一种孢子发芽率计算方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673396A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612139A (zh) * | 2023-07-20 | 2023-08-18 | 浙江托普云农科技股份有限公司 | 基于深度学习的高精度种子发芽率测定方法、***及装置 |
| CN117649364A (zh) * | 2024-01-30 | 2024-03-05 | 安徽大学 | 基于改进DeblurGANv2模型的真菌孢子显微图像去模糊方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2989497A1 (fr) * | 2012-04-16 | 2013-10-18 | Green Vision Systems Ltd | Imagerie et analyse hyperspectrales d'un echantillon de matiere, pour identifier et caracteriser un objet d'interet dans celui-ci |
| CN103636315A (zh) * | 2013-11-20 | 2014-03-19 | 华南理工大学 | 一种基于高光谱的种子发芽率在线检测装置及方法 |
| CN108052886A (zh) * | 2017-12-05 | 2018-05-18 | 西北农林科技大学 | 一种小麦条锈病菌夏孢子自动统计计数方法 |
| CN108921806A (zh) * | 2018-08-07 | 2018-11-30 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
| CN111008563A (zh) * | 2019-11-01 | 2020-04-14 | 湖北工程学院 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
| CN113111796A (zh) * | 2021-04-19 | 2021-07-13 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| CN113205052A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 基于残差深度网络的孢子芽孢识别方法、***及介质 |
-
2021
- 2021-08-10 CN CN202110914071.2A patent/CN113673396A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2989497A1 (fr) * | 2012-04-16 | 2013-10-18 | Green Vision Systems Ltd | Imagerie et analyse hyperspectrales d'un echantillon de matiere, pour identifier et caracteriser un objet d'interet dans celui-ci |
| CN103636315A (zh) * | 2013-11-20 | 2014-03-19 | 华南理工大学 | 一种基于高光谱的种子发芽率在线检测装置及方法 |
| CN108052886A (zh) * | 2017-12-05 | 2018-05-18 | 西北农林科技大学 | 一种小麦条锈病菌夏孢子自动统计计数方法 |
| CN108921806A (zh) * | 2018-08-07 | 2018-11-30 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
| CN111008563A (zh) * | 2019-11-01 | 2020-04-14 | 湖北工程学院 | 一种暗光场景种子发芽检测方法、装置及可读存储介质 |
| CN113111796A (zh) * | 2021-04-19 | 2021-07-13 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| CN113205052A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 基于残差深度网络的孢子芽孢识别方法、***及介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116612139A (zh) * | 2023-07-20 | 2023-08-18 | 浙江托普云农科技股份有限公司 | 基于深度学习的高精度种子发芽率测定方法、***及装置 |
| CN116612139B (zh) * | 2023-07-20 | 2023-09-29 | 浙江托普云农科技股份有限公司 | 基于深度学习的高精度种子发芽率测定方法、***及装置 |
| CN117649364A (zh) * | 2024-01-30 | 2024-03-05 | 安徽大学 | 基于改进DeblurGANv2模型的真菌孢子显微图像去模糊方法 |
| CN117649364B (zh) * | 2024-01-30 | 2024-05-07 | 安徽大学 | 基于改进DeblurGANv2模型的真菌孢子显微图像去模糊方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN108898620B (zh) | 基于多重孪生神经网络与区域神经网络的目标跟踪方法 | |
| CN111325721A (zh) | 一种基于红外热成像的气体泄漏检测方法及*** | |
| CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
| CN113673396A (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
| CN113537182B (zh) | 染色体中期***相显微图像的自动识别方法与*** | |
| CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
| CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及*** | |
| CN112733929A (zh) | 一种改进Yolo水下图像小目标和遮挡目标的检测方法 | |
| CN112991271A (zh) | 基于改进yolov3的铝型材表面缺陷视觉检测方法 | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析*** | |
| CN109376782B (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
| CN112950615B (zh) | 一种基于深度学习分割网络的甲状腺结节侵袭性预测方法 | |
| Sudarsan et al. | A novel complete denoising solution for old malayalam palm leaf manuscripts | |
| CN111368856B (zh) | 一种基于视觉的图书盘点***的书脊提取方法及装置 | |
| CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
| CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 | |
| CN116524269A (zh) | 一种视觉识别检测*** | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 | |
| CN115830686A (zh) | 基于特征融合的生物识别方法、***、装置及存储介质 | |
| CN112800952B (zh) | 一种基于改进ssd算法的海洋生物识别方法及*** | |
| CN112241954B (zh) | 基于肿块差异化分类的全视野自适应分割网络配置方法 | |
| CN114387222A (zh) | 一种图像质量评估方法、***、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |