论文总字数：18431字

摘 要

气孔是小麦与外界环境进行气体交换的门户，也是小麦体进行蒸腾作用的通道，研究表明小麦叶片气孔数量与小麦光合作用、呼吸和蒸腾等生理活动有直接关系，且不同环境条件下同一种小麦叶片上的气孔数量也不同。因此，对叶片气孔的识别和计数对于研究小麦的生长发育和生理活动具有一定的实践意义。

本文提出一种基于深度学习的方法，即利用Faster R-CNN算法对显微镜采集的小麦叶片表皮图像中的气孔进行识别。此种方法在于用计算机对小麦显微图像进行气孔识别并统计每张图像中气孔的数量，可以省去人工统计时的巨大工作量，避免消耗宝贵的人力资源，同时可以对较大的数据量进行预测，并且避免了人工计数时的主观性，结果相对准确。

研究结果表明：本文提出的基于深度学习的Faster R-CNN算法可以对显微镜采集的小麦叶片图像中的气孔进行精确，自动化，快速的预测，达到了设计的目的和效果。

关键字：Faster R-CNN；深度学习；图像处理

Abstract

Stomata are the gateway for wheat to exchange gas with the outside environment and the channel for wheat body transpiration. Studies have shown that the number of wheat leaf stomata is directly related to physiological activities such as wheat photosynthesis, respiration and transpiration, and the same wheat under different environmental conditions The number of stomata on the blades is also different. Therefore, the identification and counting of leaf stomata has certain practical significance for the study of wheat growth and development and physiological activities.

This paper proposes a method based on deep learning, that is, the Faster R-CNN algorithm is used to identify the stomata in the wheat leaf epidermal images collected by the microscope. This method is to use a computer to identify the stomata of the wheat microscopic images and count the number of stomata in each image, which can save the huge workload of manual statistics, avoid the consumption of precious human resources, and at the same time can deal with a large amount of data Make predictions, and avoid the subjectivity of manual counting, the results are relatively accurate.

The research results show that the Faster R-CNN algorithm based on deep learning proposed in this paper can accurately, automatically and quickly predict the stomata in the wheat leaf images collected by the microscope, which achieves the design goals and effects.

Keywords: Faster R-CNN; deep learning; image processing

目录

第1章 绪论 1

1.1研究目的及意义 1

1.2国内外研究现状 1

1.3课题研究内容 2

1.4本文结构安排 2

第2章 基于深度学习的目标检测算法 3

2.1 深度学习 3

2.2 卷积神经网络 5

2.3常用的目标检测算法 6

2.3.1R-CNN算法 6

2.3.2 Fast R-CNN算法 9

第3章 基于深度学习的叶面表皮气孔识别 11

3.1 Faster R-CNN模型 11

3.2基于Faster R-CNN的叶面表皮气孔识别 14

3.3处理流程与结果分析 14

3.3.1数据集获取与数据集构建 14

3.3.2 评价指标 15

3.3.3 实验条件与参数设置 15

3.3.4实验结果与分析 16

第4章 基于Web的气孔识别系统实现 19

4.1系统设计 19

4.2功能实现 19

第5章 总结与展望 21

5.1论文总结 21

5.2展望 21

致 谢 22

参考文献 23

第1章 绪论

1.1研究目的及意义

生命起源于地球，但在地球早期，由于各种原因并不具备形成地球生物圈的条件。一个重要的原因就是就是无法制造有机物，这会导致食物危机。直到出现了蓝细菌，它可以利用光合作用，产生并制造有机物，并且产生了臭氧层用于阻挡紫外线的辐射，改善生态环境。此外，植物通过光合作用产生的有机物，为生命提供了不可缺少的能量。日常生活中所利用的石油，天然气的产生也与植物密切相关。因此，可以说植物在在人类生活中有着不可替代的作用。

随着工业革命的到来，人类利用蒸汽机，内燃机等大机器加大了对自然资源的开采,在此过程中的乱砍乱伐，过度放牧，化学药品的使用，以及生物入侵[^[1]]等，导致多种植物濒临灭绝[^[2]]。所以我们需要投入更多的时间与精力，用更加科学的方法去研究植物，以便于更好的对植物进行保护。本文以小麦为例进行实验设计与研究。

气孔是小麦与外界环境进行气体交换的门户，一般由一对保卫细胞围绕一个孔隙构成[^[3]]。小麦可以用气孔吸收释放,并且可以在外界温度剧烈变化的情况下，调节自身的水分平衡以适应外界环境。所以小麦叶片气孔的研究有着非常重要的意义。例如：小麦气孔在小麦的抗病性[^[4]]、光合作用[^[5]]方面的影响。

传统的气孔数量的获取主要是依靠人工计数，该方法工作量巨大，对于宝贵的人力资源是极大地浪费，同时由于观察者专业水平的不一致，对于同一气孔有可能观测到不同的结果，由此带来的误差很难量化统计。

随着“深度学习”的深入研究，以及图像处理技术的广泛应用。我们不禁设想是否可以利用计算机建立一种全新的，自动化的，快速的识别模型。用于对小麦叶片进行气孔识别并统计每张图像中气孔的数量。本文基于此进行论述。

1.2国内外研究现状

近年来，随着卷积神经网络[^[6]]（CNN, convolutional neuralnetworks）在图像识别方面的广泛应用，卷积神经网络模型在农业领域也取得了巨大突破。如Madec等基于目标检测技术，采用高分辨率 RGB 图像估算了小麦麦穗密度[^[7]]。

目前，一般的目标检测算法大致可以分为两类：一类基于候选区域（region proposal）的R-CNN系列算法。R-CNN算法分为两部分：1.转换全部的ROI，2.将ROI分别送到卷积神经网络中，用全连接层进行目标分类与回归。但是由于区域的重叠问题，之后又诞生了Fast R-CNN算法，此算法对R-CNN做出来两点改进：1.先使用（CNN）直接提取整个图像的特征，并不需要对每个图像块提取多次，减少了计算量；2.通过池化操作实现数据降维，防止过拟合。Fast R-CNN 是依赖于候选区域的算法，会导致运行速度变慢。因此产生了Faster R-CNN算法，Faster R-CNN用RPN（Region Proposal Networks）网络生成 ROI ，拥有更高的效率与速度。

由于R-CNN系列算法要进行候选区域的产生，这会导致大量重复的计算，因此人们就在考虑是否可以不显示的产生候选区域，直接进行分类与定位。这就产生了第二类目标检测算法：YOLO[^[8]]（You Only Look Once）与SSD[^[9]]（Single Shot MultiBox Detector）算法，该类算法直接将物体检测任务当做一个回归问题来处理，完全满足实时观测的要求（YOLO可以实现45帧/s的运算速度，达到24帧/s人眼就认为是连续的）。

1.3课题研究内容

请支付后下载全文，论文总字数：18431字