1.基于无锚框目标检测与气孔导度计算的玉米叶片气孔测量方法,其特征在于:包括以下步骤:步骤1:获取玉米叶片气孔图像;
步骤2:对玉米叶片气孔图像进行预处理、数据增强及气孔标记;
步骤3:构建最优气孔导度模型;最优气孔导度模型如下:;
式中,为水在空气中的扩散率,25℃下为;是气孔密度单位是个·;为估算的最大气孔孔径面积,取值为,其中为气孔长;为气孔腔深度,假设等于保卫细胞的宽度;是空气摩尔体积(),25℃、101.3下为;
步骤4:构建用于气孔识别与测量的深度学习模型;具体步骤如下:步骤4.1:构建迭代深度聚合结构;
步骤4.2:构建分层深度聚合结构;
步骤4.3:构建直接学习结构:将上述的迭代深度聚合结构和分层深度聚合结构结合,形成直接学习结构;
步骤4.4:构建注意力机制模块,有针对性地获取玉米叶片气孔的特征;注意力机制模块由通道注意模块和空间注意模块结合,同时对通道注意力和空间注意力进行评价打分;
步骤4.5:在上采样过程中采用可变形卷积代替2D卷积:先采用小步进的下采样率实现不同层级之间目标特征的提取,然后在上采样过程中采用可变形卷积代替2D卷积,以获取更大的感受野;
步骤4.6:添加角度预测分支;添加了一个角度检测头,用于检测角度倾斜气孔;
步骤4.7:在损失函数中引入角度损失和气孔导度损失;
步骤4.8:气孔分割与测量;以旋转包围框长、宽作为气孔的长、宽,直接通过旋转的包围框定位气孔位置;
步骤4.9:计算玉米叶片气孔导度:根据叶片中各个气孔的长、宽参数,按照公式(1)自动计算出玉米叶片气孔导度;
步骤5:深度学习模型的训练与测试;具体步骤如下:步骤5.1:将气孔图像划分为训练集、验证集与测试集;
步骤5.2:在训练集上对模型进行训练;
步骤5.3:在测试集上使用准确率,精确率,召回率和F1分数指标评估模型性能。
2.根据权利要求1所述的基于无锚框目标检测与气孔导度计算的玉米叶片气孔测量方法,其特征在于:所述的步骤1中采用指甲油印迹法获取玉米叶片气孔图像;具体步骤如下:步骤1.1:在玉米幼苗叶片上涂一层透明指甲油;
步骤1.2:收集指甲油印迹片;
步骤1.3:制作指甲油印迹片临时载玻片;
步骤1.4:使用普通光学显微镜观察临时载玻片;
步骤1.5:使用ImageView软件捕捉清晰视野作为气孔图像;
步骤1.6:对气孔图像编号并添加到气孔图像数据集中。
3.根据权利要求2所述的基于无锚框目标检测与气孔导度计算的玉米叶片气孔测量方法,其特征在于:所述的步骤2具体包括如下步骤:步骤2.1:转换玉米叶片气孔图像的格式及分辨率;
步骤2.2:使用几何畸变校正算法和灰度拉伸算法对玉米叶片气孔图像进行预处理;
步骤2.2:采用 CLoDSA方法对预处理后的玉米叶片气孔图像进行数据增强;
步骤2.3:使用labelimg2软件对步骤2.2得到的玉米叶片气孔图像进行标记;
步骤2.4:将标签文件格式转换为CenterNet深度学习模型可以识别的json文件。
4.根据权利要求2所述的基于无锚框目标检测与气孔导度计算的玉米叶片气孔测量方法,其特征在于:所述的迭代深度聚合结构IDA过程计算公式如下:;
其中I表示整个IDA模块,表示聚合节点;表示一个输入为和的聚合节点。
5.根据权利要求2所述的基于无锚框目标检测与气孔导度计算的玉米叶片气孔测量方法,其特征在于:所述的步骤4.2中分层深度聚合结构HDA过程计算如下:;
其中:为聚合节点,和分别被定义如下:;
其中:代表一个卷积块。
6.根据权利要求5所述的基于无锚框目标检测与气孔导度计算的玉米叶片气孔测量方法,其特征在于:所述的步骤4.2中在IDA结构中聚合节点的输入为2个,在分层深度聚合结构HDA中聚合节点的输入为2个或更多,聚合节点融合多个输入特征以形成单一特征并将其输出,为了减少计算量,采用 “卷积-BN-激活函数”的结构来构造聚合节点,并在其中加入残差连接,表达式如下:;
其中:表示权值,表示偏置。
7.根据权利要求2所述的基于无锚框目标检测与气孔导度计算的玉米叶片气孔测量方法,其特征在于:所述的步骤4.7具体包括如下步骤:利用Focal loss计算预测热图信息与真实热图信息之间的差异;热力图损失函数如下:;
其中、分别表示图像预测的热图值和真实图像的热图值;是特征图中像素位置的索引,是像素的个数;和是两个用于控制每个点贡献的超参数;
为了最小化预测值与真实值之间的差异,其余的损失函数即其他预测分支的损失计算均使用RegL1loss损失函数来优化;中心点偏移值损失如下:;
其中和分别表示预测的和真实的第个实例的偏移信息;
长宽损失如下:
;
其中和分别表示预测的和真实的第个实例的宽高信息;
角度损失如下:
;
其中和分别表示预测的和真实的第个实例的角度信息;
气孔导度损失如下:
;
其中和分别表示预测的和真实的第个实例的气孔导度信息;气孔导度根据最优气孔导度模型计算;总损失函数为上述的损失函数之和,表达式如下:。