依据Faster R-CNN的活体植株叶片气孔检测方法

摘要

cqvip:当前植物叶片表皮气孔计数多使用人工计数,该方法耗时费力,且准确性有限,为了使气孔检测这一问题变的简单快速,需要训练出基于目标检测的深度学习模型自动检测植物气孔,提出一种依据Faster R-CNN的活体植株叶片下表皮气孔快速检测新方法。该方法以深度卷积神经网络为基础,以现有Faster R-CNN为原型,实现了对活体叶片气孔的快速检测与统计计数,并得到了气孔的密度值。分别采用两种倍率下(500 X,1000 X)共1000张气孔图像数据组成500 X、1000 X和两种倍率的混合共3类数据集进行建模,利用测试集的200张气孔数据(500 X和1000 X各100张)作为测试集进行测试。算法性能验证采用交叉验证的方法得到气孔的检测召回率,其检测召回率最高值为99.32%(1000 X模型测试同倍率数据),最低值为89.59%(500 X模型测试1000 X数据),误检率为0,检测时间约为0.08 s/张,用召回率最高的模型计算出杨树叶片下表皮气孔密度为183个/mm^2。最后还用杨树气孔图像训练的模型对白桦叶片气孔图像进行了测试,检测召回率为95.60%。