依据Faster R-CNN的活体植株叶片气孔检测方法

• 作者: 宋文龙 李克新 王静涛 贾鹤鸣 黄建平
• 来源期刊: 东北林业大学学报
• 关键词: 气孔检测 深度学习 Faster R-CNN 气孔密度
• 年，卷（期）: 2020,（2）
• 页码范围: 34-39
• 页数: 6页
• 分类号: S718.47
• 语种: 中文

摘要

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,1 000 X)共1 000张气孔图像数据组成500 X、1000X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1000X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％(1000X模型测试同倍率数据),最低值为89.59％(500 X模型测试1000X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/mm2.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％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	宋文龙		143	852	16.0	23.0
2	贾鹤鸣		126	543	13.0	18.0
3	李克新		12	57	5.0	7.0
4	黄建平		11	6	1.0	2.0
5	王静涛		2	0	0.0	0.0