[发明专利]基于自学习的植物叶片叶脉分割方法和装置

说明书

本申请提出一种基于自学习的植物叶片叶脉分割方法和装置，涉及数据处理技术领域，方法包括：通过深度神经网络模型对已标注的植物叶片样本进行训练，获取特征提取模块、粗糙叶脉提取模块和精细叶脉提取模块对无标注的植物叶片图片进行处理，获取粗糙叶脉图和精细叶脉图；将粗糙叶脉图和精细叶脉图进行融合，获取叶脉分割图作为无标注的植物叶片图片的标注信息并根据预设损失函数对深度神经网络模型进行训练，以使已训练的深度神经网络模型对待处理植物叶片图片进行处理获取植物叶片分割结果。由此，使用极少量的标注图片让模型自动地去学习大量未标注图片中的信息，从而提高泛化性，提高植物叶片叶脉分割的效率和准确性。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种基于自学习的植物叶片叶脉分割方法和装置。

背景技术

植物的叶子是植物的重要器官，叶片的轮廓和叶脉是叶片形态学特征的重要组成部分。它们包含了植物的内在属性和重要的遗传信息，叶脉更是被视为叶片的“指纹”，不仅作为衡量植物生长发育、生长状况、遗传特征等生化反应过程的重要参数，而且作为植物的分类和识别的重要依据广泛应用于农业生产和科研服务中。地球上的植物种类是巨大的，植物叶脉的提取在植物学、农业生产和园艺等方面都有着十分重要的意义。传统的植物叶脉分割方法是靠人工完成的，如采用化学试剂、高分辨率扫描仪和X射线来处理，这都需要依靠专门技术人员和复杂的设备而且效率低下。随着人工智能和计算机视觉的发展，深度学习方法在解决这类问题上很有前景，然而现有的方法通常需要大量精细标注的图像进行训练，并且标注过程既繁琐又耗费人力。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于自学习的植物叶片叶脉分割方法，利用深度学习算法框架，将包含植物叶片的图片中的叶子轮廓和叶脉清晰准确地提取出来，可以直接对简单背景下拍摄的照片进行处理，不需要经过特殊的图片预处理，利用尽可能少的有标注的图片样本(如10张图片)和大量无标注图片样本(如上百张图片)对神经网络进行迭代式自学习训练，通过不断迭代的过程，得到越来越清晰完整的轮廓和叶脉分割图。该算法大大降低了训练过程对大量有标注数据的需求，充分利用无标注图片本身的信息，使模型在反复迭代中学习到与轮廓和叶脉有关的特征，使得轮廓和叶脉的提取更加清晰准确，最终可以实现端到端地将输入图片的轮廓和叶脉分割出来，不仅省去了以往图片预处理的复杂过程，提高了泛化性能，而且充分利用无标签数据的信息，更有利于模型提取叶片的特征信息。

本申请的第二个目的在于提出一种基于自学习的植物叶片叶脉分割装置。

为达上述目的，本申请第一方面实施例提出了一种基于自学习的植物叶片叶脉分割方法，包括：

获取已标注的植物叶片图片样本，并通过深度神经网络模型对所述已标注的植物叶片样本进行训练，获取特征提取模块、粗糙叶脉提取模块和精细叶脉提取模块；

获取无标注的植物叶片图片输入所述特征提取模块、所述粗糙叶脉提取模块和所述精细叶脉提取模块进行处理，获取所述无标注的植物叶片图片的粗糙叶脉图和精细叶脉图；

将所述粗糙叶脉图和所述精细叶脉图进行融合，获取所述无标注的植物叶片图片的叶脉分割图，并将所述叶脉分割图作为所述无标注的植物叶片图片的标注信息并根据预设损失函数对所述深度神经网络模型进行训练，以使已训练的深度神经网络模型对待处理植物叶片图片进行处理，获取植物叶片分割结果。