一种基于深度学习算法的温室环境下的叶片图像分割方法

本发明属于图像识别分类领域，具体涉及一种基于深度学习算法的温室环境下的设施栽培作物叶片图像分割方法。

背景技术：

1、在设施农业作物栽培的实践中，作物生长状态的监测构成了营养管理的核心环节。传统的数据获取方法，例如直接收获法和格点法等，不仅耗费大量的人力和物力资源，而且在操作过程中可能对作物叶片造成损伤，进而影响作物的正常生长发育。鉴于此，采用图像处理技术进行无损的叶片提取和分类，进而分析其形态和纹理特征，对于实现设施作物的实时监测与管理具有至关重要的意义。

2、然而，由于设施栽培环境的复杂性，包括背景的多样性、光照条件的不均匀性，以及作物自身结构的复杂性(如叶片、茎秆和果实之间的相互重叠和遮掩)，这些因素共同作用使得传统的图像处理技术在进行复杂环境下的图像分析和处理时面临诸多挑战，分割效果不尽人意，这在一定程度上限制了作物形态监测、病虫害早期识别和防治等相关研究的进展。

3、图像识别技术作为获取叶片信息的一种高效手段，在早期研究中主要依赖于机器视觉技术对图像进行预处理，并通过浅层结构模型来识别图像中的颜色和形态等特征信息。研究者们基于人工预处理的图像，采用支持向量机(svm)、随机森林、阈值分割、边缘检测算法、区域生长技术等方法，对感兴趣区域的边界进行定位，并量化边界内外像素的特征。尽管这些技术在一定程度上实现了叶片与背景的基本分离，但在处理复杂背景、不均匀光照以及多变叶片形态的情况下，其分割效果并不理想。例如，在光照条件极端的情况下，阈值分割方法难以确定合适的阈值以实现有效的叶片分离；而在叶片边缘模糊或存在噪声干扰的情况下，边缘检测算法容易出现错误检测或漏检的情况。

4、随着深度学习技术的快速发展，图像处理领域已经取得了重大突破。特别是全卷积神经网络(fcn)的应用，以其独特的网络结构，包括卷积层、池化层和全连接层，展现出了卓越的学习和推理能力。fcn通过在隐藏层内共享卷积核参数，实现了层与层之间的稀疏连接，降低了计算复杂度，有效地提取了图像的像素级特征，显著提升了目标分割的精度和效率。特别是在目标检测和语义分割等复杂任务中，深度学习模型展现了其强大的性能。yolo(you only look once)系列模型，以其高效的检测速度和精确的检测结果，在目标检测领域中占据了领先地位。

5、因此，探索如何将深度学习技术与现有的图像处理技术相结合，以减少温室背景下由光照和设施自身造成的干扰，精确地识别和分割作物叶片在遮挡和重叠情况下的形态，对于提高设施作物生长监测和栽培管理的效率和经济性，是当前亟待解决的关键问题。

技术实现思路

1、本发明的目的在于解决设施农业中作物叶片分割精度不足的问题，提出一种基于深度学习算法的温室环境下的设施栽培作物叶片图像分割方法，该方法基于“yolo”语义分割模型的叶片图像分割技术，以期提升叶片分割的准确性与处理速度，其模型在继承yolo系列模型原有优势的基础上，通过网络结构的优化和训练策略的改进，实现了对分割性能的进一步提升。

2、为实现上述目的，本发明采取的技术方案是：一种基于深度学习算法的温室环境下的叶片图像分割方法，其包括如下步骤：

3、s1、对温室环境下的设施栽培作物叶片图像进行标注；

4、s2、通过预训练的模型，训练所需的叶片分割神经网络模型；

5、s3、对叶片图像进行预处理；

6、s4、在预处理后的图像上运行训练得到的叶片分割神经网络模型进行推理；

7、s5、对叶片分割神经网络模型推理后的结果进行后处理。

8、进一步的，所述步骤s1中，标注的步骤为：

9、(1)利用开源程序dlta-ai，调用sam模型辅助标注温室环境下的叶片图像；

10、(2)导出为coco数据集格式的图像标签信息；

11、(3)将coco数据集格式的图像标签信息转换为yolo卷积神经网络语义分割所需的标签格式。

12、进一步的，所述步骤s2中，所述预训练模型为yolo分割网络模型。

13、更进一步的，所述叶片分割神经网络模型的训练中，训练周期为单次训练中，超参数patiences为50时，选择训练后生成的best.pt模型。

14、进一步的，所述步骤s3中，对叶片图像进行预处理的步骤为：

15、(1)提取感兴趣区域；

16、(2)调整叶片图像的亮度和对比度；

17、(3)对叶片图像进行对比度受限的自适应直方图均衡化。

18、更进一步的，所述自适应直方图均衡化的步骤为：

19、(1)将步骤s3中调整后的图像从bgr色彩空间转换为lab色彩空间；

20、(2)将转换得到的lab色彩空间图像拆分为三个通道l、a和b；

21、(3)对拆分出的l通道应用对比度受限的自适应直方图均衡化；

22、(4)将直方图均衡化后的l通道和原图像拆分出的a和b通道进行合并。

23、进一步的，所述步骤s5中，叶片分割神经网络模型推理后的结果为叶片图像的掩模，对其进行后处理的步骤为：

24、(1)对推理后的叶片图像掩模进行融合、取反、填充；

25、(2)对填充后的叶片图像应用otsu阈值法进行二值化；

26、(3)对二值化图像进行填充，得到剔除背景的作物叶片图像。

27、本发明的有益效果是：

28、本发明提出了一种集成图像预处理技术、基于yolo模型训练的推理算法以及掩模处理策略的叶片图像分割新方法。该方法通过先进的图像处理流程，实现了对叶片图像的自动化、精确化和高效率分割处理。

29、特别是在面对温室等复杂环境下，以及多变光照条件所带来的设施农业作物叶片图像时，本方法展现出了卓越的鲁棒性。此外，该方法的实用性和适应性使其在农业科学、植物学研究和生态学调查等多个领域中具有广泛的应用前景。

30、通过精心设计的图像预处理步骤，本方法能够有效地降低图像噪声和增强叶片边缘信息，为后续的模型推理提供了高质量的输入数据。而基于yolo模型训练的推理算法则利用深度学习技术，对叶片区域进行准确识别和定位，进一步提升了图像分割的准确度。

31、最后，通过掩模处理技术的应用，本技术能够精确地分离叶片与背景，实现高质量的图像分割效果。本发明提出的叶片图像分割方法不仅在理论上具有创新性，而且在实际应用中具有显著的效益，为相关领域的研究和实践工作提供了有力的技术支持。

技术特征：

1.一种基于深度学习算法的温室环境下的叶片图像分割方法，其特征在于包括如下步骤：

2.根据权利要求1所述的一种基于深度学习算法的温室环境下的叶片图像分割方法，其特征在于，所述步骤s1中，标注的步骤为：

3.根据权利要求1所述的一种基于深度学习算法的温室环境下的叶片图像分割方法，其特征在于，所述步骤s2中，所述预训练模型为yolo分割网络模型。

4.根据权利要求3所述的一种基于深度学习算法的温室环境下的叶片图像分割方法，其特征在于，所述叶片分割神经网络模型的训练中，训练周期为单次训练中，超参数patiences为50时，选择训练后生成的best.pt模型。

5.根据权利要求1所述的一种基于深度学习算法的温室环境下的叶片图像分割方法，其特征在于，所述步骤s3中，对叶片图像进行预处理的步骤为：

6.根据权利要求4所述的一种基于深度学习算法的温室环境下的叶片图像分割方法，其特征在于，所述自适应直方图均衡化的步骤为：

7.根据权利要求1所述的一种基于深度学习算法的温室环境下的叶片图像分割方法，其特征在于，所述步骤s5中，叶片分割神经网络模型推理后的结果为叶片图像的掩模，对其进行后处理的步骤为：

技术总结本发明公开了一种基于深度学习算法的温室环境下的叶片图像分割方法，其包括步骤为：S1、对温室环境下的设施栽培作物叶片图像进行标注；S2、通过预训练的模型，训练所需的叶片分割神经网络模型；S3、对叶片图像进行预处理；S4、在预处理后的图像上运行训练得到的叶片分割神经网络模型进行推理；S5、对叶片分割神经网络模型推理后的结果进行后处理。本发明融合了图像预处理、基于YOLO模型的语义分割算法推理以及后处理技术，以实现在温室等环境下对设施栽培作物叶片图像进行高精度分割的目标；并且显著提升了图像分割的准确性与稳定性，有助于实现精准农业管理，为农业生产的现代化和智能化提供了坚实的技术保障。技术研发人员：孙锦,张可,高若诚,柴琦,王玉,刘晓英受保护的技术使用者：南京农业大学技术研发日：技术公布日：2024/7/29