• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于改進(jìn)Unet的小麥莖稈截面參數(shù)檢測(cè)

      2021-07-30 01:37:54朱成宇胡小春王令強(qiáng)
      關(guān)鍵詞:維管束厚壁莖稈

      陳 燕 朱成宇 胡小春 王令強(qiáng)

      (1.廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院, 南寧 530004; 2.廣西多媒體通信與網(wǎng)絡(luò)技術(shù)重點(diǎn)實(shí)驗(yàn)室, 南寧 530004;3.廣西財(cái)經(jīng)學(xué)院信息與統(tǒng)計(jì)學(xué)院, 南寧 530007; 4.廣西大學(xué)農(nóng)學(xué)院, 南寧 530004)

      0 引言

      倒伏不僅嚴(yán)重影響小麥植株的正常發(fā)育,而且不利于正常的機(jī)械化收獲[1]。研究小麥的抗倒性有利于實(shí)現(xiàn)小麥高產(chǎn)、穩(wěn)產(chǎn)和優(yōu)產(chǎn)。作物莖稈的力學(xué)特性與其微觀結(jié)構(gòu)如皮層/半徑、機(jī)械組織比例、維管束數(shù)目等密切相關(guān)[2-3]。姚金保等[4]發(fā)現(xiàn)小麥莖稈機(jī)械組織細(xì)胞層數(shù)、厚度,維管束數(shù)目、面積以及髓腔大小與抗倒性密切相關(guān)。SHAH等[5]研究發(fā)現(xiàn),與小麥和水稻抗倒伏性最相關(guān)的性狀是株高、莖稈直徑和厚度、上下節(jié)間強(qiáng)度、莖粗壁以及木質(zhì)素和纖維素在莖壁中的積累和穗重。馮素偉等[6]從小麥的外部形態(tài)、內(nèi)部顯微結(jié)構(gòu)及生理性狀等方面綜合分析了小麥莖稈的抗倒伏性,結(jié)果發(fā)現(xiàn),小麥抗倒伏性與莖稈截面面積、大維管束數(shù)量成正相關(guān)關(guān)系。KONG等[7]研究發(fā)現(xiàn),小麥莖強(qiáng)度與莖直徑、莖壁顯著相關(guān),更厚的莖壁和節(jié)間干重增加也能幫助提高莖強(qiáng)度。劉唐興等[8]研究分析表明,莖稈的主莖細(xì)胞、木質(zhì)部和維管束對(duì)莖稈抗倒性有重要影響。陳桂華等[9]研究得出,水稻單莖抗推力與莖粗、維管束數(shù)目呈顯著正相關(guān)。人工測(cè)量和分析相關(guān)莖稈形狀,不僅過(guò)程繁瑣,而且極易受到主觀狀態(tài)的影響。如何精確測(cè)量作物的微觀結(jié)構(gòu)信息、客觀準(zhǔn)確地獲取表型數(shù)據(jù)、從宏觀到微觀對(duì)植物進(jìn)行系統(tǒng)展示、為農(nóng)作物優(yōu)質(zhì)豐產(chǎn)研究提供可靠依據(jù)已成為研究抗倒伏機(jī)理急待解決的問(wèn)題。

      目前,利用圖像處理技術(shù)對(duì)作物微觀結(jié)構(gòu)進(jìn)行種類識(shí)別、作物分類、產(chǎn)量預(yù)測(cè)和品質(zhì)分析等研究已成為當(dāng)前作物表型組學(xué)的研究熱點(diǎn)[10-12]。徐勝勇等[2,13]分別基于模板匹配和扇環(huán)形區(qū)域分割完成對(duì)小麥莖稈截面參數(shù)的測(cè)量,包括小麥截面面積、截面直徑、維管束數(shù)量和面積。郝雅潔等[14]通過(guò)對(duì)小麥植株進(jìn)行側(cè)拍和俯拍,再對(duì)獲得的圖像進(jìn)行預(yù)處理,構(gòu)建了小麥葉片面積的測(cè)量模型。左衛(wèi)剛等[15]將小麥顆粒的尺寸、顏色、紋理作為特征,構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)(ANN)的多層感知機(jī)(MLP)模型,實(shí)現(xiàn)了對(duì)小麥籽粒的分類。許鑫等[16]提出基于Harris角點(diǎn)檢測(cè)和K-means聚類的分割算法對(duì)小麥苗進(jìn)行識(shí)別。目前,對(duì)作物的圖像分割研究主要基于圖像RGB顏色通道及HSV通道的圖像處理技術(shù),再通過(guò)處理后的圖像分析得到作物品種分類或作物參數(shù)與特征之間的回歸關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)(CNN)[17-19]在圖像分割上效果顯著[20]。U-Net[21]結(jié)構(gòu)在醫(yī)學(xué)細(xì)胞圖像分割中取得了很好的效果。CE-Net[22]提出上下文編碼模塊,該模塊由一個(gè)多尺度的密集空洞卷積模塊和一個(gè)殘差多路徑池化模塊構(gòu)成,可多角度捕獲具有高水平語(yǔ)義信息的特征。張慧春等[23]認(rèn)為,高通量、自動(dòng)化、高分辨率的植物表型信息采集平臺(tái)與分析技術(shù)對(duì)于加快植物改良和育種、提高產(chǎn)量和抗病蟲(chóng)害能力至關(guān)重要。程曼等[24]對(duì)表型研究中的傳感器、平臺(tái)和信息分析現(xiàn)狀進(jìn)行了整體分析和總結(jié),提出應(yīng)綜合考慮實(shí)際需求及經(jīng)濟(jì)合理性進(jìn)行選擇和設(shè)計(jì)。楊知等[25]利用LinkNet卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)高分辨率遙感影像進(jìn)行了水體信息提取。

      文獻(xiàn)[2]為研究小麥莖稈截面提供了很好的方法,但該方法只有在厚壁和維管束亮度顯著低于相鄰組織時(shí)才能獲得較高的檢測(cè)精確度,當(dāng)厚壁和維管束的亮度接近或高于相鄰組織時(shí),檢測(cè)精確度下降。另外,當(dāng)染色過(guò)程導(dǎo)致的圖像之間或圖像內(nèi)部色差較大時(shí),該方法對(duì)截面和髓腔尺寸的測(cè)量誤差會(huì)增加,甚至無(wú)法對(duì)維管束的數(shù)量和面積進(jìn)行識(shí)別和測(cè)量。

      為解決上述問(wèn)題,本文融合ResNet50和Unet深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建維管束和背景區(qū)域的語(yǔ)義分割模型Res-Unet,搭建對(duì)截面、髓腔、厚壁和背景的語(yǔ)義分割模型Mobile-Unet,在此基礎(chǔ)上,對(duì)小麥莖稈截面尺寸、髓腔尺寸和維管束面積等莖稈微觀結(jié)構(gòu)的相關(guān)參數(shù)進(jìn)行檢測(cè)。

      1 數(shù)據(jù)集來(lái)源和標(biāo)注

      測(cè)試數(shù)據(jù)集來(lái)源于文獻(xiàn)[2],共110幅圖像,圖像分辨率為1 024像素×1 280像素。隨機(jī)選取其中的85幅作為訓(xùn)練集、10幅為驗(yàn)證集、15幅為測(cè)試集。首先對(duì)訓(xùn)練集的樣本圖進(jìn)行分析。圖1所示為其中3幅樣本圖像。從圖中可看出樣本之間的形狀、顏色和邊緣等均存在較大差異。圖1a中的圖像兩側(cè)著色不統(tǒng)一,左側(cè)維管束鄰近區(qū)域顏色較淺,右側(cè)維管束鄰近區(qū)域顏色較深,而且左下方的厚壁部分有殘缺。圖1d維管束整體與鄰近區(qū)域顏色差明顯,厚壁無(wú)明顯殘缺,是便于處理和提取特征的樣本類型。圖1g右下部分的維管束較模糊,左上側(cè)的厚壁存在缺失。此外,樣本之間的通道數(shù)也存在差異。因此使用傳統(tǒng)的圖像處理方法對(duì)小麥莖稈截面顯微圖像相關(guān)參數(shù)的識(shí)別存在一定的局限性[2,14]。

      使用Labelme工具分別對(duì)維管束和截面進(jìn)行標(biāo)注。對(duì)物體逐點(diǎn)標(biāo)注形成分割圖像(標(biāo)簽)并生成json文件;對(duì)json文件轉(zhuǎn)換后得到維管束標(biāo)注圖和區(qū)域標(biāo)注圖。在維管束的標(biāo)注圖中,單幅截面圖的維管束分布較均勻,但每個(gè)截面的形狀存在較大差異;而且與厚壁距離較近的維管束尺寸偏小,容易與厚壁部分混淆。在厚壁、髓腔和截面的標(biāo)注圖中,厚壁部分與相鄰組織區(qū)分度較低,有時(shí)還存在厚壁缺失的情況。因此,對(duì)維管束、厚壁等的像素級(jí)精確分割難度較大;而且難以用區(qū)域劃分對(duì)所有樣本圖像進(jìn)行有效識(shí)別。

      2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

      參數(shù)檢測(cè)的網(wǎng)絡(luò)模型由兩部分組成。由于維管束和背景區(qū)分難度較大,因此一部分是由提取特征能力較強(qiáng)的ResNet50作為骨干網(wǎng)絡(luò)并與Unet融合而成的Res-Unet網(wǎng)絡(luò)模型,用于對(duì)小麥莖稈截面顯微圖像的維管束進(jìn)行像素級(jí)識(shí)別,可保證丟失較少的精度;另一部分是由輕量級(jí)網(wǎng)絡(luò)模型MobileNet和Unet融合而成的Mobile-Unet網(wǎng)絡(luò)模型,用于檢測(cè)、分割小麥截面中的厚壁、髓腔等區(qū)域,可提高模型分割的速度。

      2.1 Res-Unet網(wǎng)絡(luò)模型

      Res-Unet的基礎(chǔ)卷積塊主要借鑒殘差模塊思想,ResNet50的基本殘差單元由恒等塊和卷積塊構(gòu)成,可極大緩解深層網(wǎng)絡(luò)梯度消失的問(wèn)題[23]。Res-Unet網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,分為編碼器(虛線左側(cè))和解碼器(虛線右側(cè))兩部分。編碼器對(duì)輸入圖像進(jìn)行下采樣,捕捉輸入圖像的上下文信息,提取圖像的分層語(yǔ)義信息特征,如輪廓、邊緣、紋理、尺寸和顏色等;解碼器使用反卷積進(jìn)行上采樣保證對(duì)特征的精確定位;此外,編碼器同時(shí)直接將特征信息傳遞到同高度的解碼器部分,提供更精細(xì)的特征,如梯度信息等。

      Res-Unet網(wǎng)絡(luò)模型通過(guò)將編碼器和解碼器對(duì)應(yīng)的特征圖進(jìn)行拼接,能夠用淺層網(wǎng)絡(luò)保存較好的細(xì)節(jié)位置信息輔助分割。輸入圖像為小麥截面顯微結(jié)構(gòu)的彩色圖像,輸出為將維管束和背景分割后的圖像。其中維管束區(qū)域?yàn)榧t色,背景區(qū)域?yàn)楹谏?,最終實(shí)現(xiàn)對(duì)維管束的精確分割。

      如圖2所示,網(wǎng)絡(luò)各部分的工作過(guò)程如下:

      (1)編碼部分。輸入圖像首先經(jīng)過(guò)一個(gè)卷積核為7×7、步長(zhǎng)為2的卷積層和一個(gè)最大值池化層,將圖像尺寸縮小至原始圖像的1/4,通道數(shù)增至64,用于提取維管束的紋理和邊緣等淺層特征;然后第1個(gè)卷積塊和2個(gè)恒等塊不改變圖像尺寸,僅增加通道數(shù),使7×7卷積層和池化層提取的淺層特征更準(zhǔn)確;后續(xù)的每一個(gè)卷積塊均將圖像尺寸縮減至卷積前的一半,卷積塊和恒等塊進(jìn)一步幫助提取維管束的特征,直至圖像尺寸縮減至輸入圖像的1/16,通道數(shù)達(dá)到1 024。

      (2)解碼部分。每次上采樣操作后經(jīng)過(guò)一個(gè)3×3的卷積層,不斷提取維管束的深層特征,再與同高度的解碼器輸出進(jìn)行通道合并操作,對(duì)整體特征進(jìn)行整合,幫助對(duì)維管束精確識(shí)別;保證輸入前后通道數(shù)不變,不引入額外計(jì)算參數(shù),最終輸出維管束和背景分割后圖像。

      2.2 Mobile-Unet網(wǎng)絡(luò)模型

      Mobile-Unet使用深度可分離卷積(Depth-wise separable convolution,DSC)將標(biāo)準(zhǔn)卷積分解為空間卷積(Depthwise convolution,DC)和通道卷積(Pointwise convolution,PC),模型如圖3所示。DC是逐通道的卷積,一個(gè)卷積核負(fù)責(zé)一個(gè)通道;PC是采用1×1卷積核的普通卷積。DSC先用DC對(duì)不同輸入通道分別進(jìn)行卷積,然后再用PC將上面的輸出進(jìn)行整合,這樣可保持模型性能的前提下降低模型大小,同時(shí)提升模型速度。DC和PC關(guān)系為

      (1)

      式中K——DC的卷積核尺寸

      N——輸入特征圖數(shù)量

      O——輸出特征圖數(shù)量

      Mobile-Unet實(shí)現(xiàn)流程為:首先輸入圖像經(jīng)過(guò)一個(gè)3×3卷積層并做批標(biāo)準(zhǔn)化,然后經(jīng)過(guò)ReLU激活函數(shù)增加非線性能力;第1個(gè)DC步長(zhǎng)設(shè)置為1,將通道數(shù)增加至64;第2個(gè)DC是下采樣操作,步長(zhǎng)設(shè)置為2,該操作完成后圖像長(zhǎng)寬均減少一半、通道數(shù)增至128,可提取較深層的特征;每次下采樣后的首個(gè)DC與第1個(gè)DC類似;后續(xù)DC與第2個(gè)DC類似,不斷進(jìn)行下采樣操作,直到圖像尺寸變?yōu)?×7、通道數(shù)為512,完成圖像的下采樣操作。解碼部分與Res-Unet類似,也是上采樣操作后與解碼部分做通道合并操作,輸出分割截面、厚壁、髓腔和背景的分割圖像。

      3 實(shí)驗(yàn)與分析

      實(shí)驗(yàn)硬件環(huán)境為i5 6300HQ 2.3 GHz、16 GB內(nèi)存、NVIDIA GeForce GT965M顯卡,操作系統(tǒng)為Windows 10專業(yè)版,編程語(yǔ)言為 Python 3.6,深度學(xué)習(xí)框架為T(mén)ensorlow 1.15.0和Keras 2.2.5。

      3.1 模型訓(xùn)練

      模型訓(xùn)練的圖像預(yù)處理主要是對(duì)原始圖像進(jìn)行圖像增強(qiáng);對(duì)圖像數(shù)據(jù)分別采用去均值化和歸一化的預(yù)處理。在訓(xùn)練時(shí)設(shè)置模型初始權(quán)重和損失函數(shù),并選定模型使用的優(yōu)化器。

      3.1.1圖像增強(qiáng)

      由于分割數(shù)據(jù)集數(shù)量較少,而且維管束分割中正負(fù)樣本極不均衡,因此需對(duì)原始數(shù)據(jù)集進(jìn)行圖像增強(qiáng)處理,以擴(kuò)充訓(xùn)練數(shù)據(jù)集的圖像數(shù)量。圖像增強(qiáng)操作包括隨機(jī)翻轉(zhuǎn)、高斯模糊、仿射變換、圖像截取和填充等[27]。由設(shè)計(jì)的網(wǎng)絡(luò)模型對(duì)每幅圖以一定概率隨機(jī)選擇其中一種或幾種操作實(shí)現(xiàn)圖像增強(qiáng)[27]。圖4為圖像增強(qiáng)效果圖,圖4a為原圖隨機(jī)實(shí)施圖像增強(qiáng)操作后的樣例圖。圖4b為進(jìn)行水平翻轉(zhuǎn)、多頻噪聲掩膜、高斯模糊和仿射變換4種操作后的效果圖;圖4c為進(jìn)行中值模糊和對(duì)比度變化操作后的效果圖;圖4d為進(jìn)行水平翻轉(zhuǎn)和浮雕效果操作后的效果圖;圖4e為進(jìn)行水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、均值模糊和灰度化操作后的效果圖;圖4f為進(jìn)行仿射變換、像素點(diǎn)隨機(jī)去除和隨機(jī)截取與填充操作后的效果圖。

      3.1.2圖像數(shù)據(jù)預(yù)處理

      圖像數(shù)據(jù)預(yù)處理主要用于減少圖像變形對(duì)模型的影響和減少模型擬合的時(shí)間。

      采用去均值化方法對(duì)維管束參數(shù)測(cè)量的圖像數(shù)據(jù)預(yù)處理。去均值化主要有兩個(gè)作用:一是移除圖像平均亮度、降低圖像亮度,在不影響判斷物體位置的前提下突顯各樣本的特征;二是降低輸入值,以避免在反向傳播時(shí)出現(xiàn)梯度爆炸的問(wèn)題。去均值化的具體操作是:指定在ImageNet訓(xùn)練數(shù)據(jù)集的平均像素值來(lái)實(shí)現(xiàn)與圖像數(shù)據(jù)生成器相同的效果,R、G、B通道分別減去103.939、116.779、123.68,移除圖像中的相同部分,凸顯圖像特征,完成數(shù)據(jù)特征標(biāo)準(zhǔn)化。部分樣例圖去均值化前后的效果如圖5所示。從圖5可見(jiàn),降低圖像亮度后維管束的特征更明顯、更清晰可見(jiàn)。

      采用歸一化方法對(duì)測(cè)量截面、厚壁和髓腔參數(shù)進(jìn)行圖像預(yù)處理,使各個(gè)特征的尺度控制在相同的范圍內(nèi),便于找到最優(yōu)解、提升精度。歸一化計(jì)算公式為

      (2)

      式中xmin——特征最小值

      xmax——特征最大值

      x——處理前像素值

      x*——處理后像素值

      3.1.3參數(shù)配置

      由于本文使用小樣本數(shù)據(jù)集,因此通過(guò)遷移學(xué)習(xí)的共享參數(shù)方式,將在大規(guī)模數(shù)據(jù)集(ImageNet)上訓(xùn)練好的ResNet50網(wǎng)絡(luò)權(quán)重應(yīng)用到小麥莖稈截面切片圖像的訓(xùn)練模型上,不僅可縮短訓(xùn)練模型的時(shí)間,還可獲得更好的測(cè)試結(jié)果、預(yù)防過(guò)擬合。

      選擇交叉熵?fù)p失函數(shù)作為兩個(gè)分割模型的損失函數(shù)進(jìn)行訓(xùn)練,損失函數(shù)Loss計(jì)算公式為

      (3)

      式中n——樣本數(shù)量

      yi——第i個(gè)樣本真實(shí)值

      損失函數(shù)用于衡量模型預(yù)測(cè)效果,表現(xiàn)為預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)的差距程度。

      3.1.4優(yōu)化器

      使用的模型優(yōu)化器Adadelta不需要人工設(shè)置學(xué)習(xí)率,每維均有單獨(dú)的動(dòng)態(tài)學(xué)習(xí)率,而且對(duì)超參數(shù)不敏感,還能減小梯度下降算法的計(jì)算量。此外,Adadelta對(duì)于大梯度、噪聲和不同結(jié)構(gòu)具有魯棒性。迭代公式為

      (4)

      式中 Δx——更新量

      g——梯度

      RMS——均方根

      gt——第t次迭代的梯度

      3.2 評(píng)估指標(biāo)

      參照文獻(xiàn)[2]使用均方根誤差(RMSE)和平均相對(duì)誤差(MRE)分析參數(shù)測(cè)量指標(biāo)的精度。但實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)存在MRE和RMSE的評(píng)估效果良好、檢測(cè)誤差較大的情況。因此本文增加了精確率(Precision)、召回率(Recall)、F1值(F1-score)、平均交并比(Mean intersection over union,mIoU)作為評(píng)價(jià)指標(biāo)。目的是在像素級(jí)考慮測(cè)量結(jié)果的準(zhǔn)確性和有效性,作為評(píng)價(jià)維管束、髓腔、厚壁和截面分割效果的依據(jù)。

      3.3 維管束特征提取

      維管束特征的提取是通過(guò)Res-Unet模型實(shí)現(xiàn),可極大減少圖像之間的色差對(duì)測(cè)試結(jié)果的影響,有助于完整地提取維管束的淺層特征和深層特征,從而將維管束與相鄰組織進(jìn)行精確分割。但由于手工切片的染色操作原因,有些圖像中存在微小的噪點(diǎn),造成對(duì)該類圖像的維管束誤判。因此依據(jù)所有識(shí)別為維管束的面積作為判斷依據(jù),獲取面積平均值,并將面積小于平均值30%的點(diǎn)判定為噪點(diǎn)并刪除。

      存在噪點(diǎn)的樣例如圖6所示。從圖6中可見(jiàn),用綠色標(biāo)出的4個(gè)點(diǎn)是極微小的噪點(diǎn),如果不去除,會(huì)造成錯(cuò)誤地把噪點(diǎn)識(shí)別為維管束,從而影響相關(guān)參數(shù)的計(jì)算。通過(guò)去噪的操作后,可消除此類噪點(diǎn)的影響,從而保證Res-Unet模型對(duì)圖像中每個(gè)像素進(jìn)行準(zhǔn)確分類,為后續(xù)維管束相關(guān)參數(shù)計(jì)算提供可靠的依據(jù)。

      維管束特征提取的部分測(cè)試結(jié)果圖如圖7所示。從圖中可看出,即使圖7a和圖7c在顏色和亮度上存在較大差異,而且圖7a中維管束和周圍組織區(qū)分不明顯,但從圖7b和圖7d的分割結(jié)果看,Res-Unet模型對(duì)維管束的位置、尺寸和數(shù)量的檢測(cè)性能表現(xiàn)良好,預(yù)測(cè)結(jié)果較準(zhǔn)確。

      3.4 實(shí)驗(yàn)結(jié)果分析

      首先通過(guò)截面直徑、面積等7個(gè)參數(shù)的均方根誤差(RMSE)和平均相對(duì)誤差(MRE)分析各指標(biāo)的精度;再通過(guò)厚壁、髓腔等4個(gè)參數(shù)的精確率、召回率、F1值和平均交并比來(lái)評(píng)價(jià)模型。實(shí)驗(yàn)結(jié)果表明,15幅測(cè)試圖像的截面直徑、截面面積、髓腔面積、維管束數(shù)量和面積的檢測(cè)時(shí)間為324 s,即平均每幅圖像測(cè)試時(shí)間為21.6 s。

      3.4.1RMSE和MRE結(jié)果分析

      (5)

      (6)

      表1 兩種方法的測(cè)試結(jié)果

      3.4.2精確率、召回率、F1值和平均交并比結(jié)果分析

      Mobile-Unet網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果如表2所示。其中,髓腔尺寸和截面尺寸的精確率、召回率和F1值的效果最好,均不小于98.50%,平均交并比稍低,為91.90%。說(shuō)明Mobile-Unet網(wǎng)絡(luò)對(duì)染色后的截面細(xì)胞與背景色差十分敏感,大大降低了厚壁陰影誤差和背景噪聲的影響,從而保證了髓腔和截面在精確率、召回率、F1值和平均交并比獲得較高的數(shù)值。

      表2 網(wǎng)絡(luò)在小麥數(shù)據(jù)集的精度結(jié)果

      由于手工操作導(dǎo)致切片染色不均勻,截面的薄壁組織特征與維管束特征十分相似,容易導(dǎo)致維管束附近的像素點(diǎn)可能被檢測(cè)為正例(維管束),而維管束被檢測(cè)為負(fù)例(背景),從而影響維管束的識(shí)別精度。Res-Unet網(wǎng)絡(luò)針對(duì)維管束識(shí)別精確率、召回率和F1值都不小于87.29%,平均交并比為89.48%,說(shuō)明Res-Unet網(wǎng)絡(luò)具有良好的性能。

      從表2可得,本文網(wǎng)絡(luò)性能良好,可準(zhǔn)確獲取小麥莖稈機(jī)械組織相關(guān)參數(shù)。

      4 結(jié)論

      (1)本文方法可用于高通量輸出小麥莖稈截面顯微結(jié)構(gòu)中的維管束面積、數(shù)量、截面尺寸和髓腔尺寸等主要參數(shù)的獲取。

      (2)與文獻(xiàn)[2]相比,本文方法所獲得參數(shù)的均方根誤差和平均相對(duì)誤差均有較明顯的降低。RMSE減小百分比最大為85.78%、最小為7.69%,MRE減小百分比最大為95.00%、最小為5.00%,識(shí)別率也得到了提高,提高幅度最高為3.42個(gè)百分點(diǎn)、最低為0.08個(gè)百分點(diǎn)。

      (3)厚壁、髓腔、截面和維管束的精確率、召回率、F1值和平均交并比均不小于86.78%,其中厚壁精確率最小,為86.78%,最高的是截面精確率,為99.56%。

      (4)本文方法可對(duì)小麥莖稈的微觀結(jié)構(gòu)參數(shù)進(jìn)行實(shí)時(shí)測(cè)量,每幅圖像平均測(cè)試時(shí)間僅為21.6 s。

      猜你喜歡
      維管束厚壁莖稈
      為什么巢鼠喜歡在植物莖稈上或雜草叢中筑巢生存?
      不同雜種優(yōu)勢(shì)群玉米莖稈維管束性狀比較分析
      花期摘葉和摘萼片對(duì)庫(kù)爾勒香梨維管束發(fā)育影響及與萼筒脫落的關(guān)系
      氮肥對(duì)超級(jí)雜交稻穗頸節(jié)間維管束結(jié)構(gòu)的影響
      谷子莖稈切割力學(xué)特性試驗(yàn)與分析
      施肥量與施肥頻率對(duì)紫花苜蓿莖稈直徑及長(zhǎng)度的影響
      厚壁注塑成型工藝研究進(jìn)展
      關(guān)于不銹鋼厚壁管的焊接
      高強(qiáng)度厚壁鋼的回火脆性研究
      大型鑄鍛件(2015年1期)2016-01-12 06:33:06
      巧切西瓜
      济源市| 青龙| 连山| 孟村| 西乌珠穆沁旗| 昌图县| 舒城县| 武山县| 昌平区| 绍兴县| 调兵山市| 泸水县| 阿瓦提县| 保亭| 竹山县| 城口县| 西乌珠穆沁旗| 荆门市| 瑞昌市| 新安县| 建瓯市| 三台县| 铁岭市| 天祝| 洪泽县| 吴江市| 惠安县| 平阴县| 浮梁县| 新泰市| 万安县| 彰化市| 甘谷县| 衡阳县| 天镇县| 汕尾市| 志丹县| 津市市| 囊谦县| 陈巴尔虎旗| 庆元县|