图像分割、图像分割模型训练的方法及设备与流程

本申请涉及计算机技术，尤其涉及一种图像分割、图像分割模型训练的方法及设备。

背景技术：

1、植物表型分析在智慧育种的过程中起着至关重要的作用，它负责给育种过程提供可靠的表型统计结果。随着计算机技术，人工智能(artificial intelligence，简称ai)技术的快速发展，基于ai的作物表型分析成为当下研究的热点。尤其是计算机视觉分析技术广泛应用于各类表型统计分析，它可以极大简化表型收集的流程，降低人力成本，减少分析时间。例如基于拍摄图像做麦穗玉米棒等的计数、出芽率的计算、病虫害的分析、植株杂草的分割等等。

2、病斑类表型分析是病虫害类表型分析的重要部分，基于图像分割模型分割出植物病斑图像中的病斑区域是病斑类表型分析的关键技术。目前图像分割模型的训练的方案主要有两类：一类是基于大批量带标注的病斑图像数据的有监督训练，但是对于弥漫性病斑图像数据，由于病斑覆盖范围较广，标注弥漫性病斑所需的人力和时间都是非常巨大的，例如对于采集的上万份带有弥漫性病斑的图片进行标注需要耗费很多天的时间，在实际应用中的可行性很低。另一类是基于小批数据的半监督方案，通常需要标注大概1/10的数据量，在实际应用中也需要标注上千份病斑图片，这对于局灶性(局部区域出现几个)病斑的分析比较合适，但是标注上千份弥漫性病斑图像的工作量仍然十分巨大。而且不同病斑的差异性很大，当对其他类型的病斑进行分析时又需要重新标注病斑图像。

3、在实际应用中病斑类表型种类特别多，尤其对于弥漫性病斑图像的分割，较之常规的病斑分割，弥漫性病斑数据标注的工作量十分巨大，会导致非常巨大的人力和时间成本，目前的图像分割方案不适用于弥漫性病斑数据分析。

技术实现思路

1、本申请提供一种图像分割、图像分割模型训练的方法及设备，用以解决目前的图像分割方案中病斑图像标注耗时巨大，不适用于弥漫性病斑数据分析的问题。

2、第一方面，本申请提供一种图像分割模型训练方法，包括：

3、获取病斑图像样本，以及代表性样本的标签信息；

4、基于所述代表性样本的标签信息，生成所述病斑图像样本的伪标签信息；

5、基于所述病斑图像样本及所述病斑图像样本的伪标签信息，对图像分割模型进行像素级对比学习训练，获得训练完成的图像分割模型。

6、第二方面，本申请提供一种图像分割模型训练方法，包括：

7、获取弥漫性病斑的图像样本，以及代表性样本的标签信息；

8、基于所述代表性样本的标签信息，生成所述弥漫性病斑的图像样本的伪标签信息；

9、基于所述图像样本及所述图像样本的伪标签信息，对图像分割模型进行像素级对比学习训练，获得适用于弥漫性病斑的图像分割模型。

10、第三方面，本申请提供一种图像分割方法，包括：

11、响应于图像分割请求，获取待分割的弥漫性病斑的图像数据；

12、将所述弥漫性病斑的图像数据输入图像分割模型进行图像分割，获得所述弥漫性病斑的图像数据的分割结果，其中所述图像分割模型通过如下方式训练获得：获取弥漫性病斑的图像样本，以及代表性样本的标签信息，基于所述代表性样本的标签信息，生成所述图像样本的伪标签信息，基于所述图像样本及所述图像样本的伪标签信息，对图像分割模型进行像素级对比学习训练，获得适用于弥漫性病斑的图像分割模型；

13、输出所述弥漫性病斑的图像数据的分割结果。

14、第四方面，本申请提供一种服务器，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述服务器执行如前述任一方面所提供的方法。

15、第五方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如前述任一方面所提供的方法。

16、第六方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如前述任一方面所提供的方法。

17、本申请提供的图像分割、图像分割模型训练的方法及设备，通过获取大量的病斑图像样本，以及极少量(十位数甚至个位数)的代表性样本的标签信息，基于极少量的代表性样本的标签信息，自动生成所述病斑图像样本的伪标签信息，无需可以大大减少人工标注的工作量，从而大大减少数据标注的人力和时间消耗；进一步地，基于所述病斑图像样本及所述病斑图像样本的伪标签信息，对图像分割模型进行像素级对比学习训练，获得训练完成的图像分割模型，通过像素级对比学习可以抑制伪标签信息中错误信息的影响，在保证模型图像分割精准度的前提下，极大地减少标注的人力和时间成本，提升图像分割模型训练的效率，适用于弥漫性病斑数据分析场景。

技术特征：

1.一种图像分割模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，获取代表性样本的标签信息，包括：

3.根据权利要求2所述的方法，其特征在于，所述从所述病斑图像样本中筛选出代表性样本，包括：

4.根据权利要求2所述的方法，其特征在于，所述对所述代表性样本中病斑的位置进行标注，得到所述代表性样本的标签信息，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述代表性样本的标签信息，生成所述病斑图像样本的伪标签信息，包括：

6.根据权利要求1所述的方法，其特征在于，所述基于所述病斑图像样本及所述病斑图像样本的伪标签信息，对图像分割模型进行像素级对比学习训练，获得训练完成的图像分割模型，包括：

7.根据权利要求6所述的方法，其特征在于，所述伪标签信息用于指示所述病斑图像样本中病斑的位置信息，所述根据所述病斑图像样本的特征图和伪标签信息，计算像素级的对比学习损失，包括：

8.根据权利要求1-7中任一项所述的方法，其特征在于，还包括：

9.根据权利要求8所述的方法，其特征在于，所述获得所述病斑图像的分割结果之后，还包括：

10.一种图像分割模型训练方法，其特征在于，包括：

11.根据权利要求10所述的方法，其特征在于，所述基于所述图像样本及所述图像样本的伪标签信息，对图像分割模型进行像素级对比学习训练，获得适用于弥漫性病斑的图像分割模型，包括：

12.一种图像分割方法，其特征在于，包括：

13.一种服务器，其特征在于，包括：

14.一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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-12任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-12任一项所述的方法。

技术总结本申请提供一种图像分割、图像分割模型训练的方法及设备。本申请的方法，通过获取大量的病斑图像样本，以及极少量(十位数甚至个位数)的代表性样本的标签信息，基于极少量的代表性样本的标签信息，自动生成所述病斑图像样本的伪标签信息，可以大大减少人工标注的工作量，从而大大减少数据标注的人力和时间消耗；进一步地，基于所述病斑图像样本及所述病斑图像样本的伪标签信息，对图像分割模型进行像素级对比学习训练，获得训练完成的图像分割模型，通过像素级对比学习来抑制伪标签信息中错误信息的影响，在保证模型图像分割精准度的前提下，极大地减少标注的人力和时间成本，提升图像分割模型训练的效率，适用于弥漫性病斑数据分析场景。技术研发人员：杨晗受保护的技术使用者：阿里巴巴达摩院（杭州）科技有限公司技术研发日：技术公布日：2024/9/2