一种甜瓜叶片叶裂性状量化方法、系统、设备及介质

1.本发明涉及植物表型组学领域，特别是涉及一种甜瓜叶片叶裂性状量化方法、系统、设备及介质。


背景技术：

2.叶片，是植物进行光合作用和蒸腾作用的主要器官，是植物与外界进行水、气交换的重要门户，对生态系统物质生产以及全球碳循环和水循环等均具有重要影响。叶片形态多变，表现在其大小、形状、叶缘、叶尖、叶基和叶脉等多个方面。叶片形态是植物分类的重要指标，研究叶片的形态，对于认识植物的系统进化，了解植被资源与分布，促进生物多样性保护具有重要意义。
3.叶缘特征是当前叶片形态研究中关注较多的植物性状。叶缘特征一般是指叶片边缘是否具有叶齿或是否形成叶裂。叶齿是叶片边缘突出的结构，当突出部分的长度小于其顶端到叶片主脉距离的1/4时，该突出结构通常被称为叶齿，若此长度比例大于1/4则被称为叶裂。叶裂影响叶片的水分利用和运输。叶齿通常被认为是对寒冷的适应，能通过增强液流，促进叶片与外界的气体交换和碳固定，还可通过吐水作用释放叶肉细胞间过多的水流，缓解过高的根压。叶裂影响叶脉网络结构的分布，齿尖通常是叶脉在叶片边缘的分布终端。作为成熟最早的部位，叶子的非裂部分有助于能量供给平衡，因为早期成熟的叶尖会成为光合作用的场所，为未成熟的部分提供能量，可以促进叶子更快的生长和成熟。叶的边缘部分还可以像动物牙齿一样，可以为叶提供保护，防止食草动物啃食。
4.甜瓜(cucumis melo l.)，又称香瓜、哈密瓜等，是葫芦科一年生蔓性草本植物，在世界温带至热带地区广泛栽培。近年来，经过广大甜瓜育种工作者的不懈努力，中国甜瓜遗传学基础、功能基因组学、育种技术等领域的研究水平已经赶上乃至超越西班牙、美国、以色列、土耳其、日本、韩国等传统甜瓜科研强国，处于世界前列。近几年来，中国学者筛选了多种甜瓜的关键性状进行遗传，获得了许多优良的甜瓜品种。其中叶裂性状是甜瓜叶的重要性状。甜瓜叶裂形态主要分为四种：无叶裂、掌状浅裂、掌状深裂和掌状全裂。甜瓜叶的叶裂情况会对甜瓜叶的叶面积、叶的光合作用、阳光的遮挡等造成影响。对甜瓜叶裂情况进行量化对于甜瓜育种工作具有重大意义。
5.传统的形状量化方法有区域致密度与空间矩、径向距离测度、链码、fourier形状描述符等。近些年来，许多学者开展了对叶片形状的特征量化研究，根据叶片图像轮廓得到叶片图像的最小包围盒、凸包、外切圆和内切圆等的形状描述子，通过这些描述子获得叶片轮廓的纵横轴比、矩形度、面积凹凸比、周长凹凸比、球状性、圆形度、偏心率等形状参数，对叶片形状进行定义。但是，传统的形状量化方法不能对甜瓜叶裂性状进行定量测量。


技术实现要素：

6.本发明的目的是提供一种甜瓜叶片叶裂性状量化方法、系统、设备及介质，能够实现对甜瓜叶裂性状的定量测量。
7.为实现上述目的，本发明提供了如下方案：
8.一种甜瓜叶片叶裂性状量化方法，包括：
9.获取待量化的含甜瓜叶片图像；
10.利用训练好的神经网络模型对所述待量化的含甜瓜叶片图像进行分割，得到掩膜图像；
11.根据所述掩膜图像，提取甜瓜叶片轮廓；
12.在所述甜瓜叶片轮廓上设置设定数量的等间隔点，得到含有等间隔点的甜瓜叶片轮廓；
13.根据所述含有等间隔点的甜瓜叶片轮廓中点与点的可见性，创建可见性图；所述点与点的可见性为两点的连线在所述甜瓜叶片轮廓内且连线与轮廓不相交；
14.根据所述可见性图中的节点数量和边数量，确定叶裂指数，以选择优良甜瓜进行育种。
15.可选地，所述根据所述掩膜图像，提取甜瓜叶片轮廓，具体包括：
16.对所述掩膜图像进行二值化处理，得到二值化图像；
17.对所述二值化图像进行腐蚀和膨胀操作，得到处理后的图像；
18.根据所述处理后的图像，提取甜瓜叶片轮廓点坐标和掩膜像素点数量；
19.根据所述甜瓜叶片轮廓点坐标，确定甜瓜叶片轮廓。
20.可选地，所述在所述甜瓜叶片轮廓上设置设定数量的等间隔点，得到含有等间隔点的甜瓜叶片轮廓之前还包括：
21.根据所述含甜瓜叶片的图像中的比例尺长度以及所述掩膜像素点数量，确定甜瓜叶片的面积；
22.根据所述甜瓜叶片的面积，利用公式确定等间隔点的数量；其中，a表示所述甜瓜叶片的面积；n表示等间隔点的数量。
23.可选地，所述根据所述含有等间隔点的甜瓜叶片轮廓中点与点的可见性，创建可见性图，具体包括：
24.判断所述含有等间隔点的甜瓜叶片轮廓中，任意两点的连线是否在所述甜瓜叶片轮廓内且连线是否与轮廓相交；
25.若两点的连线在所述甜瓜叶片轮廓内且连线与轮廓不相交，则将两点的连线作为可见性图的边，将两点作为可见性图的节点，得到可见性图。
26.可选地，所述根据所述可见性图中的节点数量和边数量，确定叶裂指数，具体包括：
27.根据所述可见性图中的节点数量和边数量，利用公式确定叶裂指数；其中，m表示节点数量；n表示边数量。
28.可选地，还包括：
29.获取多张含甜瓜叶片图像；
30.对多张所述含甜瓜叶片图像进行叶片区域标注，构建甜瓜叶片数据集；
31.利用所述甜瓜叶片数据集对神经网络模型进行训练，得到训练好的神经网络模
型；所述神经网络模型包括编码结构和解码结构。
32.可选地，利用手持式相机采集所述待量化的含甜瓜叶片图像。
33.一种甜瓜叶片叶裂性状量化系统，包括：
34.图像获取模块，用于获取待量化的含甜瓜叶片图像；
35.图像分割模块，用于利用训练好的神经网络模型对所述待量化的含甜瓜叶片图像进行分割，得到掩膜图像；所述训练好的神经网络模型包括训练好的编码结构和训练好的解码结构；
36.轮廓提取模块，用于根据所述掩膜图像，提取甜瓜叶片轮廓；
37.等间隔点设置模块，用于在所述甜瓜叶片轮廓上设置设定数量的等间隔点，得到含有等间隔点的甜瓜叶片轮廓；
38.可见性图创建模块，用于根据所述含有等间隔点的甜瓜叶片轮廓中点与点的可见性，创建可见性图；所述点与点的可见性为两点的连线在所述甜瓜叶片轮廓内且连线与轮廓不相交；
39.叶裂指数确定模块，用于根据所述可见性图中的节点数量和边数量，确定叶裂指数，以选择优良甜瓜进行育种。
40.一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的甜瓜叶片叶裂性状量化方法。
41.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的甜瓜叶片叶裂性状量化方法。
42.根据本发明提供的具体实施例，本发明公开了以下技术效果：
43.本发明利用训练好的神经网络模型对待量化的含甜瓜叶片图像进行分割，得到掩膜图像；根据所述掩膜图像，提取甜瓜叶片轮廓；在所述甜瓜叶片轮廓上设置设定数量的等间隔点，得到含有等间隔点的甜瓜叶片轮廓；根据所述含有等间隔点的甜瓜叶片轮廓中点与点的可见性，创建可见性图；所述点与点的可见性为两点的连线在所述甜瓜叶片轮廓内且连线与轮廓不相交；根据所述可见性图中的节点数量和边数量，确定叶裂指数，以选择优良甜瓜进行育种。本发明实现了甜瓜叶片叶裂性状的快速测量，有效解决了传统甜瓜育种中叶裂性状难以定量测量的问题，为甜瓜选优育种中量化裂叶性状提供更优的方案。
附图说明
44.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
45.图1为本发明提供的一种甜瓜叶片叶裂性状量化方法流程图；
46.图2为本发明实施例中编码结构的结构示意图；
47.图3为本发明实施例中解码结构的结构示意图；
48.图4为本发明实施例中残差输出模块的结构示意图；
49.图5为本发明的一种甜瓜叶片叶裂性状量化方法在具体实施例中流程示意图；
50.图6为本发明实施例中计算叶裂指数的流程示意图；
51.图7为本发明提供的一种甜瓜叶片叶裂性状量化系统结构图。
具体实施方式
52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.本发明的目的是提供一种甜瓜叶片叶裂性状量化方法、系统、设备及介质，利用可见性图技术，能够实现对甜瓜叶裂性状的定量测量。
54.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
55.实施例一
56.如图1和图5所示，本发明提供的一种甜瓜叶片叶裂性状量化方法，包括：
57.步骤101：获取待量化的含甜瓜叶片图像。在实际应用中，在甜瓜自然生长环境下，使用手持式相机拍摄甜瓜叶片正面展开图，即含甜瓜叶片图像。拍摄时，将甜瓜叶片展开，使其正面平行于手持式相机的镜头，在叶片附近放置比例尺，用于辅助计算甜瓜叶片真实尺寸和面积。
58.进一步地，本发明提供的甜瓜叶片叶裂性状量化方法，还包括：
59.获取多张含甜瓜叶片图像。
60.对多张所述含甜瓜叶片图像进行叶片区域标注，构建甜瓜叶片数据集。在实际应用中，使用labelme软件对获取的含甜瓜叶片图像进行标记。对图像中的叶片区域打上标签，生成json格式的标签文件。
61.利用所述甜瓜叶片数据集对神经网络模型进行训练，得到训练好的神经网络模型；所述神经网络模型包括编码结构和解码结构。在实际应用中，在训练神经网络模型时，将图像的rgb三个通道归一化到0-1，加速模型的训练。为训练神经网络模型，需要先人工标注叶片区域作为监督训练的标签。然后将标注好的图像送入构建的leaf-unet网络(神经网络模型)进行训练，当标注的叶片区域与模型训练过程中输出的掩膜图像中的叶片区域的损失函数收敛至设定阈值时，得到训练好的神经网络模型。训练好的神经网络模型能从彩色图像中提取甜瓜叶片的掩膜，即可实现甜瓜叶片的分割，得到叶片的掩膜图像。
62.本实施例的神经网络模型为编码-解码结构，该神经网络模型能够完成叶片的语义分割。
63.a)编码结构如图2所示，其中向下的宽箭头表示步长为1、卷积核大小为3
×
3的卷积操作，向右三角形箭头表示步长为2、卷积核大小为3
×
3的卷积操作，每个细线下箭头代表着跳跃连接(skip connection)，蓝色长条代表每一次卷积操作输出的特征图。
64.图2中的编码结构参考了经典的unet网络的做法，每一层都经过连续的步长为1、卷积核大小为3
×
3的卷积操作，在每一个阶段都进行两次卷积操作，堆叠的卷积为模型提供更大的感受野，这有助于提升模型对大物体的分割效果。接着使用步长为2、卷积核大小为3
×
3的卷积操作来代替池化操作进行下采样，使图像分辨率减半，并扩增通道数，从浅到深，通道数由64逐步扩增到1024，而图像分辨率则由224
×
224下降到14
×
14。这种采样方式
相比于平均池化操作更加灵活，通过卷积代替池化，能在多通道之间呈现差异，有利于模型训练，有助于提升模型的准确性。每一层的最后一次卷积结果都通过跳跃连接暂时保留，用于帮助解码结构进行图像恢复。
65.输出5个不同分辨率的特征层命名为o1、o2、o3、o4、o5。
66.b)leaf-unet网络的解码结构部分，参见图3，图中每个向左旗帜箭头代表一次反卷积(deconvolution)，其他符号同上。与经典的unet相同，纵向的跳跃连接(skip connect)将对应分辨率的编码输出和解码层连接进行细节补充。与编码结构每一层的设置相似，每一层中都进行两次步长为1、卷积核大小为3
×
3的卷积操作，叠加卷积操作能够为模型提供更大的感受野。每一次反卷积操作都将图像分辨率恢复一倍，经过四次反卷积实现图像复原，输入到输出层的convout模块中。输出层的convout模块如图4所示，设计了残差连接，残差连接有助于模型更好的训练，防止模型陷入过拟合和梯度爆炸的问题，残差连接中包括两个步长为1、卷积核大小为3
×
3的连续卷积操作。图4中的input通过残差连接与连续卷积的结果进行融合，模型能够学习到两者之间的差异，从而避免梯度爆炸的发生，最后模型通过一个卷积核大小为3
×
3的卷积操作来得到最终的分割结果(掩膜图像)。
67.步骤102：利用训练好的神经网络模型对所述待量化的含甜瓜叶片图像进行分割，得到掩膜图像。
68.步骤103：根据所述掩膜图像，提取甜瓜叶片轮廓。在实际应用中，基于python语言和opencv软件包编写程序以提取叶片掩膜图像的轮廓，首先对掩膜进行腐蚀和膨胀操作，以删除细小的误分割区域，并使掩膜边缘平滑。随后，沿着掩膜的边缘提取轮廓点坐标和掩膜的像素点数量。
69.进一步地，所述步骤103，具体包括：
70.对所述掩膜图像进行二值化处理，得到二值化图像。
71.对所述二值化图像进行腐蚀和膨胀操作，得到处理后的图像。
72.根据所述处理后的图像，提取甜瓜叶片轮廓点坐标和掩膜像素点数量。
73.根据所述甜瓜叶片轮廓点坐标，确定甜瓜叶片轮廓。
74.在实际应用中，根据含甜瓜叶片的图像中比例尺长度和掩膜的像素点数量，计算叶片的真实面积(甜瓜叶片的面积)。根据真实面积确定叶片轮廓上需要的等间隔点数量，计算公式为确定等间隔点的数量。其中，a表示所述甜瓜叶片的面积；n表示等间隔点的数量(设定数量的等间隔点)。
75.步骤104：在所述甜瓜叶片轮廓上设置设定数量的等间隔点，得到含有等间隔点的甜瓜叶片轮廓。在实际应用中，将设定数量的等间隔点沿着甜瓜叶片轮廓分布。
76.步骤105：根据所述含有等间隔点的甜瓜叶片轮廓中点与点的可见性，创建可见性图；所述点与点的可见性为两点的连线在所述甜瓜叶片轮廓内。基于可见的任意两点建立无向图，称为可见性图，即所有存在连线的点均互相可见。在实际应用中，判断两点之间是否可见，如果两点连线穿过叶片轮廓，即两点连线的线段，部分或全部在甜瓜叶片轮廓之外，则称为两点不可见，反之则为可见。如果两点之间互相可见，则添加两点之间的连线作为边，创建可见性图，并将边的长度缩放至0-1之间，以避免叶片面积的影响。
77.进一步地，所述步骤105，具体包括：
78.判断所述含有等间隔点的甜瓜叶片轮廓中，任意两点的连线是否在所述甜瓜叶片轮廓内且连线是否与轮廓相交。
79.若两点的连线在所述甜瓜叶片轮廓内且连线与轮廓不相交，则将两点的连线作为可见性图的边，将两点作为可见性图的节点，得到可见性图。
80.步骤106：根据所述可见性图中的节点数量和边数量，确定叶裂指数，以选择优良甜瓜进行育种。
81.在实际应用中，如图6所示，根据所述可见性图中的节点数量和边数量，利用公式确定叶裂指数，对甜瓜叶片叶裂性状进行量化。其中，m表示节点数量；n表示边数量。
82.本发明实现了甜瓜叶片叶裂性状的快速测量，能够实现甜瓜叶片叶裂性状的量化，具有操作简单，模型运行成本低，速度快等特点，有效解决了传统甜瓜育种中裂叶性状难以定量测量的问题，为甜瓜选优育种中量化裂叶性状提供更优的方案，具有良好的应用前景。
83.实施例二
84.为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种甜瓜叶片叶裂性状量化系统，如图7所示，包括：
85.图像获取模块701，用于获取待量化的含甜瓜叶片图像。
86.图像分割模块702，用于利用训练好的神经网络模型对所述待量化的含甜瓜叶片图像进行分割，得到掩膜图像。
87.轮廓提取模块703，用于根据所述掩膜图像，提取甜瓜叶片轮廓。
88.等间隔点设置模块704，用于在所述甜瓜叶片轮廓上设置设定数量的等间隔点，得到含有等间隔点的甜瓜叶片轮廓。
89.可见性图创建模块705，用于根据所述含有等间隔点的甜瓜叶片轮廓中点与点的可见性，创建可见性图；所述点与点的可见性为两点的连线在所述甜瓜叶片轮廓内且连线与轮廓不相交。
90.叶裂指数确定模块706，用于根据所述可见性图中的节点数量和边数量，确定叶裂指数，以选择优良甜瓜进行育种。
91.实施例三
92.本发明还提供了一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的甜瓜叶片叶裂性状量化方法。
93.实施例四
94.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例一的甜瓜叶片叶裂性状量化方法。
95.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
96.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。